请语言模型给一段古文加上标点，听起来只是个小任务：标出停顿，划分句子，让文字更容易读懂。这些要求之下，还有一项必须履行的约定：原文的每一个字都要留下。

荀子是一系列面向古籍开发的中文语言模型，为这项任务提供了一个很有启发的案例。它希望帮助读者读懂艰深典籍，而相关标点实验也显示，阅读辅助很容易越过界限，变成用户未曾要求的文字改动。真正有用的进展，是让助手添加的内容与它收到的文献清楚分开。

学术工具承担的编辑工作

2023 年 12 月 2 日，南京农业大学王东波团队与中华书局旗下古联合作，在北京发布荀子模型。据校方介绍，训练语料超过 20 亿汉字，其中包括出自大型官修古籍丛书《四库全书》的材料。发布时公布的功能涵盖自动标点、翻译、索引编制和信息抽取。[1][7]

项目同时发布了基础模型 XunziALLM 和对话模型 XunziChat。研究者因此有了两种起点：在基础模型上适配专门任务，或直接让已有对话能力的系统完成任务。项目仓库记载了基于 Qwen、Baichuan2、ChatGLM3 等模型开发的版本。[2]

把编辑工作按步骤展开，就能看清各环节的职责。转录先把文献化为计算机可处理的字符；标点提出这些字应当如何组合；翻译再以另一种语言形式给出一种解读。如果把这些操作合成一段流畅的回答，出错的位置就更难查明。读者需要知道，机器究竟是认错了原文字形、断错了句，还是误解了断句后的句意。

先给出五种断法，再作选择

在 2024 年 5 月的 EvaHan 系统论文中，Shitu Huo 和 Wenhui Chen 使用 Xunzi-Qwen-7B 探索了两轮提示方法。他们先生成五份带标点的文本，再要求模型综合这些版本，选出较合适的结果。第一轮的 temperature（温度参数）设为 0.95，以增加输出的差异；第二轮设为 0.1。论文报告的运行环境为配备 24 GB 显存的 RTX 4090，使用 CUDA 12.1。[3]

在 Test A 上，他们的标点 F1 分数从评测提供的荀子对话基线模型的 61.06 提升至 64.17。F1 综合衡量两件事：系统给出的标点有多少是正确的，以及应有的标点有多少被找了出来。至于有多少篇文本已经达到发表要求，单凭 F1 分数无法得知。这项结果对应的是特定模型、测试集和提示流程，论文也未证实编辑工时能随之节省多少。[3]

多种输出的价值在这里显现：不同断法可以摆在一起比较，但同一个模型反复作答，与多位学者独立审读仍有区别。几份结果相互一致，也不足以确定疑难文句该如何断开。对编辑而言，如果各种有争议的断句位置在模型作出选择后仍然可见，这些备选版本就能提供更多帮助。

标点之外，原文的字去了哪里

组织者的评测综述进一步呈现了这个问题。EvaHan 的 Test A 选用了四种体裁的此前未公开文本，并评估了十一类标点。在提交的结果中，汉字差异比例通常约为 1–2%，最高达到 8%。模型在尝试为原文添加标点时，也增添或遗漏了汉字。这些数字描述的是本次评测的各项提交结果，无法据此确定荀子自身的错误率。[4]

多出一个标点和多出一个汉字，在编辑工作中是两件不同的事。逗号为给定文字提出一种划分方式，新增的汉字则改动了文字本身。如果可检索的版本默默接受了这两类改动，后来的读者就未必还能辨明哪些内容出自原文，哪些由模型添入。

评测综述还记录了引号、书名号配对不一致的情况。[4] 因而，完整保留原文字词之后，标点仍需另行审查。系统即使一个字也没改，仍会有把话语归错人、把书名范围划错的情形。字符层面的忠实是审读的首要条件，文意的判断还在后面。

在关键环节收窄模型的选择

另一项 EvaHan 参评系统 SPEADO 展示了软件如何落实这项要求。来自中国人民大学和上海蜜度科技的研究者针对 Xunzi-Qwen-7B 做了任务专项训练，并结合参考样例检索与输出约束来完成任务。[5]

其中一项关键限制直接作用于生成过程：模型下一步预测的字符，只能是原始输入中获准使用的字符，或标点符号。这就是约束解码，即在答案逐步生成时限制模型可作出的选择。原文保全由此有了生成流程内部的约束，忠实于原文的要求也从提示语进入了程序机制。[5]

完整的 SPEADO 系统在 Test A 上报告的标点 F1 分数为 75.24，同一荀子对话基线模型的分数为 61.06。实验使用 A100 GPU。这一提升对应的是整套方法，其中还包括微调、样例检索和投票；依据该论文，仍无法将全部增益单独归于输出约束。[5]

从实际编辑工作出发，这些研究给出的设计启示是：编辑界面应固定转录文本，将标点另存为标注；对原文字词的任何校改，都应单独列为明确的建议。这样，审读者就能接受一处停顿，同时避免无意中接受一个被改写的人名。这里讨论的是由研究推导出的设计方向，尚未涉及已部署的荀子编辑产品具有何种功能。

下一步进展该如何呈现

截至 2026 年 9 月 15 日查阅时，荀子官网已列出较新的 Qwen3 系列模型，并介绍了下一代模型的研发计划。官网也承认，模型在训练数据质量、泛化能力和系统性历史知识方面仍有不足。[6] 因此，2024 年的分数应继续归于当时的实验系统，新版本的表现还需单独评估。

就断句标点这项用途而言，下一次有说服力的展示，应跟随编辑完成整段文本的审读，记录审读耗时、剩余的标点错误，以及原文字符序列是否完整保留，并按体裁分别报告结果。这些问题需要完整的审读记录才能回答，单个精心打磨的样例所能说明的范围有限。

荀子的吸引力很容易理解：那些目前需要深厚专业积累才能处理的文本，有望向更多人敞开。能够长久发挥作用的阅读辅助工具，应当为自己的每一项处理留下清楚的记录。加上标点，保留原文，让读者看见诠释从何处开始。

来源

1. 南京农业大学，荀子模型发布报道，2023 年 12 月 7 日；以中文一手报道介绍 12 月 2 日的活动及项目范围。

2. 荀子开发团队，XunziALLM 项目仓库；介绍基础模型、对话模型及其与各模型系列的关系，访问日期：2026 年 9 月 15 日。

3. Shitu Huo、Wenhui Chen，《基于荀子大语言模型的古汉语断句与标点》（Ancient Chinese Sentence Segmentation and Punctuation on Xunzi LLM），LT4HALA 2024，第 242–245 页；提示流程、硬件及表 3 中的 Test A 结果。

4. Bin Li 等，《EvaHan2024 概览：首届古汉语断句与标点国际评测》（Overview of EvaHan2024: The First International Evaluation on Ancient Chinese Sentence Segmentation and Punctuation），LT4HALA 2024，第 229–236 页；评测设计、成对标点及汉字差异。

5. Xia Tian、Yu Kai、Yu Qianrong、Peng Xinran，《SPEADO：借助样例增强与解码优化实现古汉语断句标点》（SPEADO: Segmentation and Punctuation for Ancient Chinese Texts via Example Augmentation and Decoding Optimization），LT4HALA 2024，第 256–260 页；第 3.3 节及表 3。

6. 荀子项目，中文官方网站；模型目录、已承认的局限与研发计划，访问日期：2026 年 9 月 15 日。

7. Zhixiao Zhao，《荀子古籍大语言模型发布会在京举行》，中国社会科学网，2023 年 12 月 18 日；活动一手报道，照片由课题组提供。