第一次读到《大象万镜》里“雾散柴门见酒旗山家日午始开扉”这两句时我盯着屏幕愣了一会儿。不是震惊于AI能写古体诗——那早就不稀奇了——而是这两句带着一种很少见的“日常感”。以前我批量产AI古诗得到的多半是“苍山”“白鹤”“幽谷”的排列组合一眼就能闻出机油气。后来我们小组内部做诗歌整理实验把《大象万镜》当作一个长期的合集项目来经营这两句成了我反复琢磨的样本。这篇文章主要写给三类人看一是正在做AI文学创作工具、被生成内容“空泛感”困扰的开发者二是业余写古诗、好奇模型怎么工作的创作者三是单纯想理解“AI作诗质量高低到底差在哪”的读者。我会从这两句诗切入拆解《大象万镜》背后的意象库、主题控场、格律约束、质量筛选与人工改写全流程尽量把能直接复用的方法和参数都交代清楚。1. “雾散柴门见酒旗”到底好在哪里先做一次逐层拆解1.1 画面里的时间与空间雾、柴门、酒旗是怎么咬合的先看第一句。“雾散”是一个时间状语也是一个视觉条件的切换。雾气退去视野从模糊转向清晰在这条清晰的视线末端出现的是“柴门”和“酒旗”。这里有个很关键的层次柴门是近景酒旗可以是远景也可以挂在柴门旁边。无论是哪种句子都天然安排了一个由近及远、由静态到动态的空间关系。“酒旗”这个物象特别值得说。它不是孤立的装饰物而是一个商业信号暗示附近有人家、有村店、有能坐下来喝一杯的地方。中国古代村落里的酒旗常常挂在道旁、桥头、柴门不远的位置。所以“雾散柴门见酒旗”一句不只是在写景还在写“人”写人的活动痕迹。第二句“山家日午始开扉”则把时间又往后推了一步。日午已经是正午雾气早该散尽了而这个山间人家这个时候才开门。这个“始”字用得很有余味既说明山家的生活节奏与城镇不同不必天不亮就开张也给读者留下了想象空间门里的人刚吃完午饭还是一直在睡或者是在等一位约定好午后到访的客人两句连起来从清晨雾散到日午开门时间轴上有一个自然的推进。这种推进不靠“朝”“暮”之类的标签直接点明而是通过光线、湿度和动作来体现。AI生成的句子最怕逻辑断裂这两句却恰恰在时间与空间上咬合得很紧。1.2 为什么机器写惯了的句子偏偏这里少了“塑料味”我以前测试过很多生成模型它们写出来的古诗最明显的共同问题是名词密度高、动词敷衍、情绪标签前置。比如随手就能生成“孤舟远水寒江暮独客青山老树秋”看起来每个词都符合古诗审美但凑在一起却像一副没有骨架的古风壁纸。原因是模型在高概率空间里打转高频意象“孤舟”“老树”“寒江”互相组合概率很高读者也眼熟但句子之间没有实际视线没有人没有时间。“雾散柴门见酒旗”不一样。它里面最见功力的一个字是“见”。这个动词不是凭空出现的它隐含了一个观察者。“雾散”之后“见”说明有人在这个时间点注视外头。你甚至可以脑补出一个早上起来推开窗户或走到院子里的人看见雾气退开远处酒旗渐渐清楚。这个“见”把原本纯风景的句子变成了有叙事的句子。相比之下很多AI候选句子喜欢用“掩”“隐”“映”因为这类动词非常“安全”。但“掩”会让柴门挡住酒旗逻辑上反而说不通“隐”与“见”相比缺少了观察者主动获取信息的动作“映”则太强调色彩反光放在清晨雾气里并不合理。AI无法自动理解这些细微差别但当一个句子刚好绕开了这些陷阱它就会有那么一点“人味”。1.3 若按近体诗的标尺量一量它其实站在古体一边有读者可能会问这两句能算严格的近体诗吗我按普通话粗测了一下平仄。“雾散柴门见酒旗”大约是“仄仄平平仄仄平”“山家日午始开扉”大约是“平平仄仄仄平平”单看平仄骨架确实接近七言律句的交替节奏。但如果按近体诗的规则首句平收通常要求首句入韵“旗”和“扉”在平水韵里也不是同一韵部。因此这两句更像古体联句的吟咏方式保留格律的气息但不走近体诗的严格韵部流程。这其实给我一个提示如果AI强行把这两句改写成标准的近体绝句前两句大概率会牺牲“日午始开扉”这种松散、日常的节奏。诗歌不是格律测试题格律是骨架气才是血肉。这一点在后续的工程化处理里非常重要我们不能让格律约束反过来杀死语感和叙事性。2. 《大象万镜》背后的生成管线意象库和主题控场是两条腿2.1 先有物象再谈诗意意象标签库怎么搭《大象万镜》这个项目名里有个“镜”字我挺喜欢这个隐喻AI像一面镜子把语料里的意象碎片映照出来再由人决定哪些碎片值得摆在一起。为了让镜子映照出足够丰富的意象我们最先做的事情不是调模型而是搭意象库。我们收集了数千首唐以来的古体诗与近体诗文本把诗里出现的名物名词都抽出来按物象类别、光线条件、动静状态、温度感、情绪色彩做标签。以“酒旗”为例它的标签大概是类别市井/商业物象动态可摆动、可悬挂光线提示适合晨光、薄雾、日暮声音提示旗动无声但能暗示人声情绪色彩烟火气、温暖、招待感常见位置村口、道旁、桥头、柴门侧这套标签不是为了给文学研究者写注释而是为了让模型的采样有方向。模型本身没有“柴门旁边要有酒旗”的概念它只学统计。我们把这些标签作为条件输入让模型在生成时优先选择与当前场景匹配的意象词。如果只做这一步效果仍然有限。因为模型还是会偷懒在候选词里挑概率最高的。真正管用的是把意象库和主题控场结合起来。2.2 主题控场不让模型一开口就是“江海”“孤舟”自由生成模式下模型最容易落进高频意象的引力井。你让它写山村它给你“孤村”“老树”“寒鸦”你让它写清晨它给你“晓风”“残月”“霜天”。这些词不是错而是被用过太多次失去了具体感。《大象万镜》的做法是提前给模型一个“场景摘要”要求生成前先拆出地点、时间、天气、人物状态四个维度。比如针对这两句诗场景摘要会是地点山中村落柴门附近时间清晨到正午之间天气雾散转晴人物状态没有急务从容这四个维度会转化成一组主题向量和模型内部的隐状态做加法。说白了就是给模型设限你的想象空间是这座山村别飞到江海边去。这个约束不需要太强太强会生成出类似“柴门雾散酒旗风”这种被模板钉死的句子太弱则会回到“江海孤舟”的老路。实际测试里我们花在调整主题控制强度上的时间远多于微调模型本身。控制太强模型像填空控制太弱模型像说胡话。最终找到一个相对舒服的区间场景摘要里的名词直接出现在句子的概率较高但动词和形容词仍由模型自由发挥。这样既保证物象不跑偏也给“见”“始”这类动词留出空间。2.3 场景锚点输入以“雾散柴门见酒旗”为样例一个可以直接抄作业的流程是这样的先让模型根据场景摘要生成二十个候选意象组合再人工挑出五到八个锚点词最后把锚点词作为前置约束重新生成诗句。“雾散柴门见酒旗”这组句子如果拆开看锚点词就是“雾散”“柴门”“酒旗”“日午”“开扉”。有意思的是模型并没有自己把“雾散”和“见”连起来这个“见”更像是在多次采样中出现的高质量偶然。所以我们把锚点词输入后不会要求模型必须把每个词都用上而是要求至少覆盖两个剩余的词位留白。这样模型有足够的自由度去尝试“见”“闻”“隔”“挂”之类的动词。大量候选句里你才能真正捞出“雾散柴门见酒旗”这种带着目光的句子。3. 格律是硬约束AI产古诗最麻烦的一关3.1 普通话的平仄不等于古代韵书映射表比模型参数更关键很多刚接触这个领域的人以为只要让模型学会“一三五不论、二四六分明”就能生成合规的格律诗。真正做起来才发现普通话读音和古代韵书之间存在大量差异。同一个字在普通话里是平声在平水韵里可能是仄声在不同语境下还可能多音多韵。如果只用现代汉语拼音做平仄规则生成的句子常常会在懂格律的人面前露馅。我们的做法是给模型额外接两套表一套是常用字古今平仄对照表另一套是韵部表。生成时每个候选汉字都要先查表确定它在当前语法位置上的声调归属再判断是否与前后字构成交替节奏。这个过程听起来繁复但编码实现并不复杂核心是一个查询逻辑。这个环节里最容易踩的坑是过于相信对照表把每个字都当成固定平仄。实际上不少字在古诗里存在可平可仄的用法需要结合具体的词性和语义来判断。我们的方案是保留一个“可平可仄”白名单在格律校验遇到这类字时不直接判死刑而是降低权重。这样既照顾了格律又不会误杀好句子。3.2 押韵约束的三种实现重采样、受限解码、韵律分支押韵是AI写古诗的另一个大关。早期我们用的是“先生成、后检查”的方式几十首里偶尔有一首押韵完美大部分都押得不伦不类。后来尝试了三种更有效的办法按实现难度从低到高排第一种是重采样。先在无约束条件下生成候选句用韵脚检查器扫描把不符合当前韵部的候选丢弃重新生成。好处是简单坏处是浪费算力而且模型可能为了迁就韵脚把整句语义带偏。第二种是受限解码。在每一步选词时如果当前句是偶数句且已经走到了句末字的位置就只允许模型从目标韵部的候选字里选。这种方式能让韵脚百分之百契合韵部表但需要提前确定整首诗押哪个韵不能中途换。第三种是在微调阶段增加韵律分支。训练模型时把韵脚一致性作为辅助损失函数的一部分让模型从统计上学会在句末自然地选择同韵字。这个方案效果最顺但需要额外的数据和训练资源。我们在《大象万镜》里主要用受限解码配合一个很小的重采样兜底。有一个值得说的细节如果你的目标是古代韵部却用现代语音模型做中途采样两者会经常打架。比如“斜”这个字普通话读xié古韵里却常押xiá。我们最后把韵部映射表和现代拼音都放进约束函数优先按古韵字表判定但允许现代读者能接受的邻韵通押。传统和可读性之间需要找平衡不能一味复古。3.3 对仗的弱约束实现词性序列对齐与结构惩罚律诗中间两联需要对仗AI也很容易在这里露出破绽。常见问题是“天对地”这种名词对名词没问题但动词位置各说各话或者上下句的字数节奏错位。我们采用了一个相对轻量的“词性序列对齐”方案先给上句做分词和词性标注得到一个序列比如“名词-动词-名词-动词-名词”之类的结构下句生成时要求词性序列尽量与上句对齐但不要求每个词的具体词义相对。这样既能形成工整结构又避免了“必须柳对花、燕对莺”的机械感。在beam search解码时我们还给“结构惩罚项”加了一个判断如果下句的词性序列与上句的编辑距离超过阈值这条候选的分数就下调。这个惩罚项不直接修改词汇只影响排序所以很少产生生硬感。实测下来诗句的对仗合规率明显上升同时保留了一些有趣的词义错位——对仗最迷人的地方本来就不在完全对应而在于对应中的那一点偏转。3.4 一个可落地的生成流程配置示例统一整理一下《大象万镜》里比较常用的生成配置你可以直接复制作为起点gen_config { temperature: 0.9, top_p: 0.92, repetition_penalty: 1.2, num_return_sequences: 40, max_length: 32 } def apply_rhyme_penalty(logits, candidate_ids, target_rhyme_set): # 仅对偶数句句末位置生效 for i in range(len(logits)): if candidate_ids[i] in target_rhyme_set: logits[i] 2.0 return logits def apply_structure_penalty(sequence, upper_seq): # 计算词性序列编辑距离距离越大分数越低 dist edit_distance(pos_tags(sequence), pos_tags(upper_seq)) return -0.3 * dist温度0.9是为了让句子不那么保守top_p取0.92是为了砍掉小概率的离谱词。重复惩罚1.2看起来不大但在七言短句里已经足够让“青山”“白水”这类词不那么容易反复出现。40条候选是后来固定的量级太少捞不出好句子太多筛选成本太高。4. 质量关AI诗集里最后能留下什么靠的是筛选与改写4.1 六个一票否决的“塑料味”特征生成模型给我们提供了海量候选但能不能收进《大象万镜》不是我一个人说了算。我们逐渐形成了一套一票否决式的筛选标准凡踩中任意一条直接淘汰第一名词堆叠成菜谱。一整句全是“青山”“落日”“孤烟”“瘦马”之类的名物排列缺少动词或动词空洞这种句子没有时间也没有人的动作。第二情绪透支。开头第一句就“愁”“怨”“断肠”“泪满衣”情绪完全没有铺垫。真正有感染力的诗往往是情绪从动作里渗出来的而不是贴标签。第三典故空转。出现“仲宣”“王粲”之类词但全诗并没有与之对应的新情境。典故成了装饰贴片读者只会觉得晦涩。第四季节、时序、方位互相矛盾。比如前一句还在“盛夏”后一句突然飘雪“柴门”在山村下一句却跑到“渡口”去。人类读者可能只是觉得别扭但我们直接把这类句子判定为逻辑事故。第五全篇同一句型。四句如果每一句都是“名词-动词-名词-名词”的结构读起来像排比练习缺少节奏变化。好诗每句的重音位置和语法功能应当有起伏。第六用词出现微观语义错位。比如“酒旗”旁边配上“键盘”“代码”这类现代词汇会明显违和但有些更隐蔽的错位更致命——用“艳阳”写清晨雾散后的光线就比“晴光”少了含蓄。“艳”这个字的情绪浓度太高容易让整个画面失真。4.2 盲测启发什么时候AI诗句“装得像”了我们做过一次内部盲测把AI生成的句子和古人的句子混在一起请一群熟悉古诗的读者选出“更像原创”的十句。结果没有特别崩溃也没有特别惊喜一部分AI句子与古人句子得票几乎持平有个别AI句子甚至因为用词古朴而高票中选。这给了我一个挺重要的启发AI诗句能不能骗过人是次要问题。关键是当读者看不出它是不是AI写的时候这诗句可能已经不再被当成“AI产物”来评价了。真正高质感的AI古诗靠的是恰如其分的场景细节、逻辑一致的动作和一个能让人代入的视线。技术不差的情况下读者在意的是画面能不能成立。但盲测也暴露了明显问题AI句子一旦超过两联也就是四句以上立刻会因为“句与句之间缺少递进”而穿帮。单看一联确实可以很漂亮但四句连在一起往往只是四个独立画面的重复排列。所以我们后来基本不追求整首四句直接可用的AI作品而是把精力放在“一联精品”上——让AI负责提供一两句好诗人负责把它们组装成真正的诗。4.3 AI出候选人做终审改写“雾散柴门见酒旗”的真实走查“雾散柴门见酒旗山家日午始开扉”这句严格说不是一次生成出来的而是经过了一轮手工走查。当时AI给出的候选里有“雾散柴门挂酒旗”“雾散柴门掩酒旗”“雾散柴门见酒旗”等多条变体。“挂酒旗”是纯静态描写信息量少“掩酒旗”在逻辑上有硬伤——雾气散尽后柴门真的会掩住酒旗吗如果酒旗矮、柴门高可能能掩住但更常见的情况是柴门掩不住挂在门边高杆上的旗子。而且“掩”字给读者的感觉是“看不到”与“雾散”之后视野应当变清晰的方向相反。我们最后选了“见”。这个字的优势在于它把镜头交给了一双眼睛让整句从“风景照”变成了“看风景的行为”。在第二句中我们也把AI原本生成的“山家午日始开扉”调整成“山家日午始开扉”因为“午日”更多指正午的太阳偏重物象“日午”则是时间状态直接指示“到正午了”与前面“雾散”形成清晨到正午的时间推进。这个过程里AI提供了意象碎片和多种动词选择人负责判断逻辑方向、情绪浓度和节奏。这是《大象万镜》里每一首能看作品的都会经历的路程——模型不负责定稿只负责把可能成立的世界铺开来。5. 做完这本AI诗集我的几条认知修正5.1 AI的价值是海量候选人的价值是判断与意外两年前我认为AI写诗最重要的是模型够不够大、语料够不够多。做完《大象万镜》之后我的判断变了。模型当然要足够好但最稀缺的其实是“筛选意志”。同样的四十条候选有人只能留下“青山”“白水”的俗句有人能捞出“雾散柴门见酒旗”这样的组合。这种差异不来自算力来自对诗歌意图的理解。AI擅长提供海量“近乎合理”的碎片但它不擅长选择为什么要在这一刻看这条景色。《大象万镜》这个名字本身带着一点自嘲我们试图造一面映照万象的镜子但镜子并不决定看哪里。最终决定看哪里的是人。5.2 三个能让产出质量明显上升的操作细节如果你也要做类似的AI古诗实验有三个细节我认为是最值得先试的。第一生成前先列场景锚点而不是直接写命题。给模型“请写一首关于山村的诗”这种指令会得到最平均的答案。先让它列出五个具体物象再据物象作句得到的句子会更有可追踪的质感。第二多序列融合比单次生成高产。先生成四句作为一组再把不同组的精华句抽出来重新作为起始文本给模型润色重排。这相当于让模型自己当编辑把“偶得”变成“可复用流程”。第三句末字约束一定要放在解码阶段不要放在后处理。后处理阶段发现韵脚不对返工代价很大而在解码阶段直接通过在句末位置调整候选池概率几乎不影响其他位置的流畅度是性价比最高的格律控制手段。5.3 关于AI写诗边界的一句实在话做完《大象万镜》我最大的体会是AI写诗最难的从来不是格律、典故或意象而是“意图的起点”。模型可以让两句诗在一瞬间成立却无法决定“为什么要写”。雾散柴门见酒旗是人替它定下了一道目光山家日午始开扉是目光落到了一个动作上。让模型生成转瞬即逝的碎片让人把这些碎片变成注视这可能就是AI与人协作写诗时最舒服也最不容易被替代的状态。