← 返回 PaperDaily
大模型与智能体
北航PoetryQwen：9.7%提升，让大模型真正读懂古诗
AI读懂古诗词，不再只是押韵和翻译！北航团队带来CCPoetry-49K数据集和PoetryQwen模型，让大模型不仅能翻译，还能理解情绪和深层含义，这可是古诗理解的硬核升级。
龙哥读论文
发布于 2026-08-14 09:10:35
阅读 3
查看原文
🐉 龙哥读论文知识星球来了！ 公众号每日8篇拆解不够看？星球 无上限更AI领域论文、资讯、招聘、招博、开源代码， 一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
龙哥推荐理由：
原论文信息如下：
古诗词理解遇瓶颈？领域专用数据是关键
大模型写诗、翻译古诗早就不是什么新鲜事了，但让AI真正「读懂」一首古诗——理解每个词的含义、整句话的意境、以及诗人藏在字里行间的喜怒哀乐——这可比押韵难得多。现有的研究大多把古诗理解当成一个通用自然语言处理问题来处理，用通用的数据集训练通用的模型，结果呢？翻译可能还对，但问它「这句诗表达了什么情感」「这个典故是什么来历」，模型就懵了。问题出在哪里？出在缺少专门针对古诗欣赏这个任务的高质量数据，也缺少对任务本身的精细分解。
北京航空航天大学的团队就抓住了这个痛点。他们参加CCL25-Eval评测任务5，发现古诗欣赏这件事可以拆成三个具体的子问题：词项解释 语义理解 情感推断 CCPoetry-49K PoetryQwen
图1：数据清洗与对齐后从多个开源数据集中提取的一个示例，包含标题、作者、内容、词项解释、语义理解与情感推断。
分解任务：三步搞定古诗词欣赏
一篇完整的古诗欣赏，其实包含多个层面的理解。本文借鉴CCL25-Eval Task 5的评测维度，把古诗欣赏任务拆分成三个相互关联的子任务，让模型像语文老师一样逐层解析。
古诗中大量使用典故、通假字、特定意象（比如“杜鹃”、“柳”），这些词在现代汉语中意义可能完全不同。术语解释任务要求模型给出诗句中关键词语的准确释义。比如“故人具鸡黍”中的“黍”，不是泛指粮食，而是特指古代的一种主食。这种细粒度的词汇知识，通用大模型往往一知半解。
在解释完词语后，需要把整句或整首诗翻译成现代汉语，并阐明其深层含义。这不仅仅是字面翻译，还要考虑修辞、倒装、省略等古代汉语语法特点。比如“感时花溅泪”一句，字面是“感伤时令，花都滴下眼泪”，但其实是拟人手法，表达诗人对国破家亡的悲痛。
这一层最难，也最见功力。模型需要从整体上判断诗人创作时的心境——是喜悦、忧愁、思乡、豪迈还是隐逸？比如同样写“月”，李白《静夜思》中的月是思乡，王维《山居秋暝》中的月是悠然。情感推断任务要求模型从四个预定义选项（A、B、C、D）中选出最合适的情感标签，但前提是模型必须真正理解了诗意。
这三个任务层层递进，从字词到句子再到情感，构建了一个完整的古诗欣赏能力框架。已有的古诗数据集很少同时覆盖这三个维度，这也是本文决定自建数据集的原因。
CCPoetry-49K：高质量指令数据集构建实录
数据是领域微调的灵魂。本文团队从多个开源数据源入手，进行了一场大规模的数据清洗与对齐工程。
PoetryCN
Chinese ancient poetry translation
poems-db
这些数据源虽然内容丰富，但结构不一、标注粒度参差不齐。团队做了大量清洗工作：去除重复、统一格式、补全缺失字段，然后按照三个子任务分别提取对应的字段，生成统一的指令-回答对。
最终得到的CCPoetry-49K数据集各子任务分布如下表所示：
表1：CCPoetry-49K中多任务标注的统计分布
可以看出，每个子任务都有数千到两万多的样本，总量接近5万。这个规模对于指令微调来说已经足够，尤其是情感推断任务样本数较少（8282条），可能是因为古诗情感标注的难度更高、成本更大。
图2：CCPoetry-49K数据集中三个子任务的示例展示。
PoetryQwen：LoRA微调Qwen的领域专用模型
有了高质量数据集，接下来就是训练模型。团队选择了阿里云开源的Qwen2.5-14B作为基座模型（参数量14.7B，支持128K tokens长上下文），因为它本身在指令遵循和中文理解方面表现优异，且具备结构化输出的能力，非常适合处理多任务的古诗欣赏问题。
微调方法采用Low-Rank Adaptation（LoRA）
目标模块：
最大输入长度：
LoRA秩（rank）：
LoRA alpha：
Dropout：
训练周期：
学习率：
随机种子：
值得注意的是，针对三个子任务，团队分别训练了三个独立的LoRA适配器（adapter），每个适配器在自己的子任务数据集上单独训练。推理时，根据当前任务加载对应的适配器。这种多适配器架构的好处是：不同任务的知识不会互相干扰，可以更专注地拟合领域特征。整体模型系统命名为PoetryQwen
图3：PoetryQwen的结构。基座模型Qwen2.5-14B在三个子任务上分别进行LoRA微调，得到三个适配器，共同构成PoetryQwen。
评测表现：9.7%的提升从何而来？
团队在CCL25-Eval Task 5评测基准上进行了实验，对比了多个强大基线模型：
Qwen2.5-7B
Qwen2.5-14B-Instruct
GLM-4-9B
评测指标包括词项解释和语义理解任务使用BLEU BERTScore Accuracy
表2：诗欣赏任务上模型性能的定量比较。PoetryQwen在综合得分上达到0.757，相比Qwen2.5-14B-Instruct（0.690）提升9.7%。
词项解释提升最大：
语义理解也有稳定提升：
情感推断小幅提升：
综合得分：
整体来看，CCPoetry-49K数据集为模型提供了大量经过对齐的高质量指令样本，使得模型能够学懂古诗中的术语、句式和情感模式，而不仅仅是在通用语料上泛泛地猜。这种"领域专用数据+高效微调"的范式，为其他垂直领域的LLM应用提供了很好参考。
龙迷三问 这篇论文主要解决了什么问题？
LoRA是什么？为什么用LoRA而不用全量微调？
PoetryQwen三个适配器是分开训练的，为什么不合并一个？
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评
论文创新性分数： ★★★✰✰
任务分解和数据集构建是主要贡献，但LoRA微调本身是成熟技术，缺乏方法上的原创突破。不过将古诗欣赏细化为三个子任务并构建专用数据集，在领域应用层面有创新性。
实验合理度： ★★★★✰
对比了三个基线模型（含不同尺寸），评测指标全面（BLEU、BERTScore、Accuracy），结果展示清晰。但缺少一些消融实验，例如不使用LoRA而直接对Qwen2.5-14B进行全量微调的效果如何？另外，缺少与更大模型（如Qwen2.5-72B或其他厂家大模型）的对比，说服力可以更强。
学术研究价值： ★★★★✰
这项工作为古诗自然语言处理提供了一个标准化的任务框架和高素质数据集，对后续研究有重要参考价值。特别是任务分解的思路（词项、语义、情感）可以推广到其他古典文本（如文言文、词曲）的理解中。
稳定性： ★★★★✰
LoRA微调训练稳定，超参经过调优（学习率2e-4，2个epoch），实验设置严谨。但三个适配器的部署增加了推理时的复杂度，不同适配器之间的切换可能引入不一致。
适应性以及泛化能力： ★★★✰✰
模型仅针对古诗三个子任务训练，在其他古诗相关任务（如古诗年代判断、作者识别）上的泛化能力未验证。数据集主要由教育网站爬取，可能存在分布偏差（如偏重常见古诗）。不过，领域专用模型本身就没必要追求强泛化，在领域内表现好即可。
硬件需求及成本： ★★★★✰
LoRA训练14B模型，一张A100 80G显卡可以完成（通常需要约70-80GB显存），训练2个epoch大概需要几小时。推理时加载14B模型也需要较高硬件（至少16GB显存的消费级显卡）。对于个人研究者来说门槛尚可，但大规模部署成本较高。
复现难度： ★★★✰✰
代码已经开源（GitHub: XieHaoTao/CCPotery），数据集也已公开，但数据清洗和构造过程需要一定工作量才能完全复现。LoRA超参配置说明清晰，按照论文设置应该可以复现结果。
产品化成熟度： ★★✰✰✰
目前还处于研究验证阶段，距离直接产品化还有距离。14B模型推理速度较慢，不适合实时交互。且古诗欣赏是一个低频、长尾需求，商业化场景有限。不过可以集成到古诗学习App中作为辅助工具。
可能的问题： 论文缺少对生成内容质量的细致分析——BLEU和BERTScore只能反映与参考答案的接近程度，不能反映答案是否真正合理。例如，模型可能生成一串流畅但错误的诗句解释，却因为与参考答案部分匹配而得分较高。另外，情感推断任务只有3.8万数据，且只做了后处理对齐，模型可能只是学到了标签映射而并未真正理解情感。建议增加人工评价或对抗性测试。
主要参考文献
[1] Hu, E. J., Shen, Y., Wallis, P., et al. (2022). LoRA: Low-Rank Adaptation of Large Language Models. ICLR. [2] Chen, A., Lou, L., Chen, K., et al. (2024). Large Language Models for Classical Chinese Poetry Translation: Benchmarking, Evaluating, and Improving. CCL25-Eval Task 5. [3] He, C., Li, W., Jin, Z., et al. (2024). OpenDataLab: Empowering General Artificial Intelligence with Open Datasets. [4] Liu, D., Yang, K., Qu, Q., & Lv, J. (2019). Ancient–Modern Chinese Translation with a New Large Training Dataset. ACM TALLIP. [5] Li, W., Qi, F., Sun, M., et al. (2021). CCPM: A Chinese Classical Poetry Matching Dataset. [6] Cao, J., Liu, Y., Shi, Y., et al. (2024). WenMind: A Comprehensive Benchmark for Evaluating Large Language Models in Chinese Classical Literature. NeurIPS. [7] Zhou, B., Chen, Q., Wang, T., et al. (2023). WyWeb: A NLP Evaluation Benchmark for Classical Chinese. [8] Qwen Team. (2024). Qwen2.5 Technical Report. arXiv. *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
AI读懂古诗词，比你想的还浪漫！想了解更多古诗理解的黑科技？
欢迎加入龙哥读论文粉丝群，
扫描下方二维码或者添加龙哥助手微信号加群 ：kangjinlonghelper。
一定要备注：研究方向+地点+学校/公司+昵称（如 古诗理解+北京+北航+龙哥） ，根据格式备注，可更快被通过且邀请进群。
