這項(xiàng)由復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)學(xué)院葉俊杰、黃彩霜等研究者領(lǐng)導(dǎo)的研究發(fā)表于2025年5月，同時(shí)聯(lián)合了聯(lián)想研究院和騰訊的科研力量。有興趣深入了解的讀者可以通過(guò)arXiv:2505.07591訪問(wèn)完整論文。

當(dāng)我們和AI對(duì)話時(shí)，經(jīng)常會(huì)遇到這樣的情況：明明給出了詳細(xì)的要求，比如"用大寫(xiě)字母回答，不超過(guò)50個(gè)詞，必須包含'人工智能'這個(gè)詞"，但AI的回答要么格式不對(duì)，要么漏掉了某些要求。這就像和一個(gè)總是"選擇性聽(tīng)取"指令的助手打交道一樣令人沮喪。

這種現(xiàn)象在AI領(lǐng)域被稱為"指令跟隨"問(wèn)題，也就是大語(yǔ)言模型能否準(zhǔn)確理解并執(zhí)行用戶給出的各種約束條件。隨著AI越來(lái)越多地被應(yīng)用到需要嚴(yán)格格式輸出的場(chǎng)景中——比如生成JSON數(shù)據(jù)、編寫(xiě)特定格式的報(bào)告，或是進(jìn)行多語(yǔ)言翻譯——這個(gè)問(wèn)題變得愈發(fā)重要。即使是微小的格式偏差，也可能導(dǎo)致整個(gè)系統(tǒng)崩潰。

目前的AI評(píng)測(cè)方法就像用同一把尺子測(cè)量所有東西一樣粗糙?，F(xiàn)有的測(cè)試基本都使用固定模板，無(wú)法反映真實(shí)世界中用戶表達(dá)約束的多樣性。更糟糕的是，很多評(píng)估還依賴AI自己給自己打分，這就像讓學(xué)生自己批改自己的試卷一樣不靠譜。

復(fù)旦大學(xué)的研究團(tuán)隊(duì)決定徹底改變這種狀況。他們開(kāi)發(fā)了一個(gè)全新的多維約束框架，就像為AI的"聽(tīng)話能力"建立了一套完整的評(píng)價(jià)體系。這個(gè)框架不是簡(jiǎn)單地測(cè)試AI能否完成任務(wù)，而是深入分析AI在面對(duì)不同類型、不同復(fù)雜度約束時(shí)的表現(xiàn)差異。

一、破解AI"選擇性失聰"的奧秘

研究團(tuán)隊(duì)首先發(fā)現(xiàn)，AI處理約束的困難程度很大程度上取決于約束的"包裝方式"。他們識(shí)別出了三種主要的約束表達(dá)模式，就像三種不同的"說(shuō)話方式"。

第一種是"示例模式"，就像教小孩學(xué)說(shuō)話時(shí)先給幾個(gè)例子。比如要求AI用大寫(xiě)字母回答問(wèn)題時(shí)，先提供幾個(gè)標(biāo)準(zhǔn)答案作為參考。這種方式利用了AI的"模仿學(xué)習(xí)"能力，效果通常最好，因?yàn)锳I可以從具體例子中理解抽象要求。

第二種是"列表模式"，采用條條框框的清晰結(jié)構(gòu)。例如："輸出必須遵循以下規(guī)則：1. 使用大寫(xiě)字母；2. 不超過(guò)50個(gè)詞；3. 包含關(guān)鍵詞'技術(shù)'"。這種方式讓約束一目了然，特別適合需要明確規(guī)范的場(chǎng)景。

第三種是"融合模式"，將約束自然地嵌入到問(wèn)題描述中。比如："請(qǐng)用大寫(xiě)字母簡(jiǎn)短地介紹一下人工智能技術(shù)的發(fā)展"。雖然這種表達(dá)更自然流暢，但AI往往更容易忽略其中的約束要求。

研究團(tuán)隊(duì)的測(cè)試結(jié)果證實(shí)了一個(gè)有趣的現(xiàn)象：AI就像一個(gè)更愿意看圖學(xué)習(xí)而不愿意讀文字說(shuō)明的學(xué)生。在示例模式下，AI的表現(xiàn)最佳，平均正確率能達(dá)到70%以上。而在融合模式下，AI的表現(xiàn)明顯下降，正確率往往只有50%左右。這說(shuō)明AI在理解隱含約束方面還有很大提升空間。

二、四大約束類別：AI的"考試科目"

除了表達(dá)方式，研究團(tuán)隊(duì)還發(fā)現(xiàn)約束的內(nèi)容類型也會(huì)顯著影響AI的表現(xiàn)。他們將所有約束分為四個(gè)主要類別，就像給AI設(shè)置了四門(mén)不同的"考試科目"。

"內(nèi)容約束"就像作文考試中的主題要求。這包括必須包含某些關(guān)鍵詞、避免特定表達(dá)，或者以特定標(biāo)識(shí)符開(kāi)頭結(jié)尾。比如要求回答必須包含"可持續(xù)發(fā)展"這個(gè)詞，或者每段都要以"#"號(hào)開(kāi)頭。這類約束相對(duì)容易理解，因?yàn)樗鼈冎苯雨P(guān)系到回答的實(shí)質(zhì)內(nèi)容。

"格式約束"則像是文檔排版要求。這包括輸出為JSON格式、使用Markdown標(biāo)記、創(chuàng)建表格或XML結(jié)構(gòu)等。現(xiàn)代AI應(yīng)用中，這類約束極其重要，因?yàn)槌绦蛐枰軌蜃詣?dòng)解析AI的輸出。然而，即使是簡(jiǎn)單的JSON格式錯(cuò)誤，也可能讓整個(gè)數(shù)據(jù)處理流程失效。

"語(yǔ)言約束"涉及使用特定的語(yǔ)言或文字風(fēng)格。這不僅包括中文、英文等不同語(yǔ)言，還包括大寫(xiě)字母、首字母大寫(xiě)、全小寫(xiě)等不同的表現(xiàn)形式。對(duì)于多語(yǔ)言AI應(yīng)用來(lái)說(shuō)，這類約束的重要性不言而喻。

"長(zhǎng)度約束"規(guī)定了輸出的篇幅范圍?？梢允嵌温鋽?shù)量、句子數(shù)量，或者具體的字詞限制。這類約束看似簡(jiǎn)單，但實(shí)際上需要AI在生成過(guò)程中實(shí)時(shí)監(jiān)控輸出長(zhǎng)度，對(duì)AI的"自我控制"能力提出了較高要求。

有趣的是，不同類型的約束對(duì)AI來(lái)說(shuō)難度差異很大。語(yǔ)言約束通常最容易遵循，特別是基本的大小寫(xiě)要求。內(nèi)容約束的難度中等，AI通常能記住要包含哪些關(guān)鍵詞。而格式約束往往最具挑戰(zhàn)性，尤其是復(fù)雜的嵌套結(jié)構(gòu)，AI經(jīng)常會(huì)在細(xì)節(jié)上出錯(cuò)。

三、難度等級(jí)：從"小學(xué)題"到"研究生考試"

研究團(tuán)隊(duì)還創(chuàng)建了一個(gè)四級(jí)難度體系，就像從小學(xué)到研究生的逐級(jí)遞進(jìn)。這個(gè)分級(jí)不是隨意設(shè)定的，而是基于約束數(shù)量和復(fù)雜度的科學(xué)評(píng)估。

一級(jí)難度就像小學(xué)數(shù)學(xué)題，只包含一個(gè)約束類別中的1-2個(gè)具體要求。比如只要求"用大寫(xiě)字母回答"或"答案不超過(guò)50個(gè)詞"。在這個(gè)級(jí)別上，大多數(shù)AI模型都能表現(xiàn)得相當(dāng)不錯(cuò)，平均正確率達(dá)到77.67%。

二級(jí)難度增加到兩個(gè)約束類別，總共2-4個(gè)具體要求。例如既要求大寫(xiě)字母（語(yǔ)言約束），又要求包含特定關(guān)鍵詞（內(nèi)容約束）。這時(shí)AI開(kāi)始出現(xiàn)明顯的困難，需要同時(shí)關(guān)注多個(gè)維度的要求。

三級(jí)難度涉及三個(gè)約束類別，共3-6個(gè)要求。比如要求大寫(xiě)字母、包含關(guān)鍵詞、還要使用特定格式。此時(shí)AI的表現(xiàn)開(kāi)始大幅下滑，就像學(xué)生面對(duì)多科目綜合考試時(shí)的緊張表現(xiàn)。

四級(jí)難度是最高級(jí)別，包含四個(gè)約束類別的4-8個(gè)要求。例如要求大寫(xiě)字母、包含多個(gè)關(guān)鍵詞、使用JSON格式、且長(zhǎng)度限制在特定范圍內(nèi)。在這個(gè)級(jí)別上，AI的平均正確率只有32.96%，即使是最先進(jìn)的模型也只能達(dá)到67.50%的正確率。

這個(gè)難度遞進(jìn)曲線揭示了AI能力的一個(gè)重要特征：它們?cè)谔幚韱我患s束時(shí)表現(xiàn)優(yōu)秀，但隨著約束數(shù)量和復(fù)雜度的增加，性能會(huì)急劇下降。這就像人類在處理多任務(wù)時(shí)會(huì)出現(xiàn)認(rèn)知負(fù)荷一樣，AI也有類似的"認(rèn)知瓶頸"。

四、自動(dòng)化生產(chǎn)線：讓約束測(cè)試變得簡(jiǎn)單

為了解決現(xiàn)有測(cè)試方法的局限性，研究團(tuán)隊(duì)開(kāi)發(fā)了一個(gè)自動(dòng)化的指令生成系統(tǒng)，就像建立了一條專門(mén)生產(chǎn)"AI考試題"的流水線。這個(gè)系統(tǒng)能夠?qū)⑷魏纹胀▎?wèn)題轉(zhuǎn)換成包含各種約束的復(fù)雜指令。

整個(gè)生產(chǎn)流程包含三個(gè)關(guān)鍵步驟。首先是"約束擴(kuò)展"，系統(tǒng)會(huì)隨機(jī)選擇一個(gè)還沒(méi)有涉及的約束類別，然后添加1-2個(gè)具體的約束要求。這個(gè)過(guò)程會(huì)重復(fù)進(jìn)行，直到達(dá)到預(yù)設(shè)的難度等級(jí)。就像給一道簡(jiǎn)單的數(shù)學(xué)題逐步添加額外條件，讓它變得越來(lái)越具有挑戰(zhàn)性。

接下來(lái)是"沖突檢測(cè)"，系統(tǒng)會(huì)仔細(xì)檢查新添加的約束是否與已有約束產(chǎn)生矛盾。比如不能同時(shí)要求"全部大寫(xiě)"和"全部小寫(xiě)"。這個(gè)檢測(cè)機(jī)制確保生成的指令是邏輯一致的，避免了不可能完成的任務(wù)。如果發(fā)現(xiàn)沖突，系統(tǒng)會(huì)自動(dòng)丟棄有問(wèn)題的指令，重新生成。

最后是"指令重寫(xiě)"，系統(tǒng)會(huì)根據(jù)三種不同的約束表達(dá)模式重新組織指令。對(duì)于示例模式，系統(tǒng)會(huì)自動(dòng)查找并添加三個(gè)相關(guān)的問(wèn)答對(duì)作為參考。對(duì)于列表模式，系統(tǒng)會(huì)將所有約束清晰地排列出來(lái)。對(duì)于融合模式，系統(tǒng)會(huì)將約束自然地融入到問(wèn)題描述中。

通過(guò)這個(gè)自動(dòng)化系統(tǒng)，研究團(tuán)隊(duì)成功生成了1200個(gè)測(cè)試樣本，每個(gè)都配有專門(mén)的驗(yàn)證代碼來(lái)自動(dòng)判斷AI的回答是否滿足所有約束。這種自動(dòng)化驗(yàn)證避免了人工評(píng)估的主觀性和AI自評(píng)的偏差性，確保了評(píng)測(cè)結(jié)果的客觀性和準(zhǔn)確性。

五、大規(guī)模測(cè)試：19個(gè)AI模型的"體檢報(bào)告"

研究團(tuán)隊(duì)對(duì)19個(gè)不同的大語(yǔ)言模型進(jìn)行了全面測(cè)試，涵蓋了從開(kāi)源到商業(yè)、從小型到大型的各種主流AI系統(tǒng)。這次測(cè)試就像給整個(gè)AI行業(yè)做了一次全面的"健康體檢"。

測(cè)試結(jié)果揭示了幾個(gè)令人意外的發(fā)現(xiàn)。首先，模型大小確實(shí)影響指令跟隨能力，但這種影響并不是絕對(duì)的。在大多數(shù)模型家族中，參數(shù)更多的模型確實(shí)表現(xiàn)更好，特別是在處理復(fù)雜約束和高難度任務(wù)時(shí)。但是GPT系列出現(xiàn)了有趣的反例：GPT-4o在某些任務(wù)上的表現(xiàn)竟然不如GPT-4o-Mini。

這種現(xiàn)象被研究者稱為"對(duì)齊稅"，意思是當(dāng)AI模型被優(yōu)化得更加安全、更加符合人類價(jià)值觀時(shí)，可能會(huì)在某些特定能力上出現(xiàn)退化。這就像一個(gè)全才學(xué)生在學(xué)習(xí)更多科目后，反而在某個(gè)單項(xiàng)上不如專業(yè)選手。

更令人驚訝的是，強(qiáng)大的推理能力并不自動(dòng)轉(zhuǎn)化為更好的指令跟隨能力。一些在數(shù)學(xué)和邏輯推理方面表現(xiàn)卓越的模型，在簡(jiǎn)單的格式約束面前卻頻頻出錯(cuò)。研究團(tuán)隊(duì)發(fā)現(xiàn)，這些模型往往能在推理過(guò)程中正確識(shí)別約束要求，但在最終輸出時(shí)卻無(wú)法正確實(shí)施。這就像一個(gè)學(xué)生明明知道考試要求，卻在答題時(shí)忘記按要求格式作答。

在約束表達(dá)模式方面，幾乎所有模型都呈現(xiàn)出相同的趨勢(shì)：示例模式表現(xiàn)最佳，列表模式次之，融合模式最差。這個(gè)結(jié)果證實(shí)了AI模型更擅長(zhǎng)從具體例子中學(xué)習(xí)，而不是理解抽象的文字描述。

測(cè)試還發(fā)現(xiàn)，即使是最先進(jìn)的商業(yè)模型，在面對(duì)四級(jí)難度的復(fù)雜約束時(shí)，成功率也很難超過(guò)70%。這意味著當(dāng)前的AI技術(shù)在處理多重復(fù)雜約束方面還有很大改進(jìn)空間。

六、訓(xùn)練改進(jìn)：讓AI變得更"聽(tīng)話"

發(fā)現(xiàn)問(wèn)題后，研究團(tuán)隊(duì)并沒(méi)有止步于分析，而是積極尋求解決方案。他們利用自己開(kāi)發(fā)的數(shù)據(jù)生成系統(tǒng)創(chuàng)建了7906個(gè)訓(xùn)練樣本，然后使用強(qiáng)化學(xué)習(xí)方法來(lái)改進(jìn)AI模型的指令跟隨能力。

這個(gè)改進(jìn)過(guò)程就像給AI進(jìn)行專門(mén)的"服從性訓(xùn)練"。研究團(tuán)隊(duì)選擇了6個(gè)不同的模型進(jìn)行實(shí)驗(yàn)，使用GRPO算法進(jìn)行訓(xùn)練。這種算法的核心思想是根據(jù)AI滿足約束的數(shù)量來(lái)給予獎(jiǎng)勵(lì)，滿足的約束越多，獎(jiǎng)勵(lì)越高。就像訓(xùn)練寵物時(shí)用食物獎(jiǎng)勵(lì)正確行為一樣。

訓(xùn)練結(jié)果非常令人鼓舞。所有接受訓(xùn)練的模型在指令跟隨能力上都獲得了顯著提升。最突出的是LLaMA3.1-Instruct-8B模型，其總體正確率從36.17%躍升至88.08%，提升幅度超過(guò)50個(gè)百分點(diǎn)。其他模型也都有30-40個(gè)百分點(diǎn)的明顯改進(jìn)。

更重要的是，這種專門(mén)的指令跟隨訓(xùn)練并沒(méi)有損害模型的其他能力。在知識(shí)問(wèn)答、數(shù)學(xué)推理、代碼編寫(xiě)等其他任務(wù)上，訓(xùn)練后的模型不僅保持了原有水平，在某些方面甚至有所提升。這說(shuō)明指令跟隨能力的改進(jìn)是一種"正向遷移"，能夠帶動(dòng)其他能力的協(xié)同發(fā)展。

訓(xùn)練的效果還體現(xiàn)在跨領(lǐng)域的泛化能力上。雖然訓(xùn)練數(shù)據(jù)只包含單輪對(duì)話，但模型在多輪對(duì)話的指令跟隨測(cè)試中也表現(xiàn)出明顯改進(jìn)。這表明AI學(xué)到的不僅僅是特定的約束處理技巧，而是更深層的指令理解和執(zhí)行能力。

七、深入AI大腦：注意力機(jī)制的秘密

為了理解訓(xùn)練為什么有效，研究團(tuán)隊(duì)深入分析了模型內(nèi)部的參數(shù)變化，就像給AI做了一次"大腦掃描"。他們發(fā)現(xiàn)，改進(jìn)主要來(lái)自于注意力模塊的調(diào)整，這些模塊負(fù)責(zé)決定AI在處理信息時(shí)應(yīng)該關(guān)注什么。

具體來(lái)說(shuō)，訓(xùn)練后的模型在面對(duì)包含約束的指令時(shí)，會(huì)將更多注意力分配給約束相關(guān)的詞匯，而減少對(duì)無(wú)關(guān)信息的關(guān)注。這種變化分布在模型的各個(gè)層次中，表明這是一種全局性的優(yōu)化，而不是局部的調(diào)整。

通過(guò)可視化分析，研究團(tuán)隊(duì)展示了這種注意力重分配的具體效果。在訓(xùn)練前，AI可能會(huì)平均關(guān)注指令中的所有內(nèi)容。訓(xùn)練后，AI會(huì)明顯增加對(duì)"大寫(xiě)字母"、"包含關(guān)鍵詞"、"JSON格式"等約束描述的關(guān)注度，同時(shí)保持對(duì)核心問(wèn)題內(nèi)容的充分關(guān)注。

這個(gè)發(fā)現(xiàn)具有重要的理論價(jià)值。它表明AI的指令跟隨能力主要受限于注意力分配機(jī)制，而不是基礎(chǔ)的語(yǔ)言理解或生成能力。換句話說(shuō)，AI并不是不懂用戶的要求，而是在處理過(guò)程中"注意力不集中"，容易被其他信息干擾而忘記約束要求。

這種理解為未來(lái)的AI改進(jìn)指明了方向。與其開(kāi)發(fā)全新的模型架構(gòu)，不如專注于優(yōu)化現(xiàn)有模型的注意力機(jī)制，讓它們能夠更好地識(shí)別和保持對(duì)約束信息的關(guān)注。

八、實(shí)際應(yīng)用：從實(shí)驗(yàn)室到現(xiàn)實(shí)世界

這項(xiàng)研究的價(jià)值不僅在于理論突破，更在于實(shí)際應(yīng)用的廣闊前景。隨著AI技術(shù)在各行各業(yè)的深入應(yīng)用，精確的指令跟隨能力變得越來(lái)越重要。

在軟件開(kāi)發(fā)領(lǐng)域，AI經(jīng)常需要生成特定格式的代碼或配置文件。一個(gè)小小的格式錯(cuò)誤就可能導(dǎo)致程序無(wú)法運(yùn)行。通過(guò)這項(xiàng)研究的方法訓(xùn)練的AI，能夠更可靠地生成符合語(yǔ)法要求的代碼，減少開(kāi)發(fā)者的調(diào)試工作。

在內(nèi)容創(chuàng)作方面，許多企業(yè)需要AI生成符合特定品牌風(fēng)格和格式要求的文章。傳統(tǒng)AI可能會(huì)忽略字?jǐn)?shù)限制、關(guān)鍵詞要求或特定的排版格式。改進(jìn)后的AI能夠更好地滿足這些細(xì)致要求，提高內(nèi)容的可用性。

在客服和虛擬助手應(yīng)用中，AI需要根據(jù)不同情境提供格式化的回復(fù)。比如處理投訴時(shí)需要使用正式語(yǔ)言，處理咨詢時(shí)需要包含特定的聯(lián)系信息。更強(qiáng)的指令跟隨能力讓AI能夠更好地適應(yīng)這些多樣化的要求。

研究團(tuán)隊(duì)開(kāi)發(fā)的評(píng)測(cè)框架也為AI行業(yè)提供了新的質(zhì)量標(biāo)準(zhǔn)。傳統(tǒng)的AI評(píng)測(cè)主要關(guān)注回答的正確性，而忽略了格式和約束的遵循情況。這個(gè)新框架讓開(kāi)發(fā)者能夠更全面地評(píng)估AI的實(shí)用性，推動(dòng)整個(gè)行業(yè)向更實(shí)用的方向發(fā)展。

九、局限性與未來(lái)方向

研究團(tuán)隊(duì)誠(chéng)實(shí)地承認(rèn)了當(dāng)前工作的局限性。由于構(gòu)建完美標(biāo)準(zhǔn)答案的復(fù)雜性，他們只能使用強(qiáng)化學(xué)習(xí)而不是傳統(tǒng)的監(jiān)督學(xué)習(xí)方法。雖然結(jié)果顯示這種方法很有效，但理論上監(jiān)督學(xué)習(xí)可能帶來(lái)更穩(wěn)定的改進(jìn)效果。

另一個(gè)局限在于研究主要關(guān)注通用的指令跟隨能力，沒(méi)有深入探索特定領(lǐng)域的應(yīng)用效果。比如在醫(yī)療、法律或金融等專業(yè)領(lǐng)域，AI可能需要遵循更加嚴(yán)格和復(fù)雜的約束規(guī)則。未來(lái)的研究需要驗(yàn)證這種方法在專業(yè)領(lǐng)域的適用性。

研究團(tuán)隊(duì)也指出，雖然他們證明了方法的有效性，但關(guān)于為什么注意力機(jī)制的調(diào)整能帶來(lái)如此顯著改進(jìn)，還需要更深入的理論研究。這種理解對(duì)于開(kāi)發(fā)更高效的訓(xùn)練方法至關(guān)重要。

展望未來(lái)，這項(xiàng)研究為AI發(fā)展開(kāi)辟了新的路徑。與其盲目追求模型規(guī)模的擴(kuò)大，不如專注于提高現(xiàn)有模型的指令理解和執(zhí)行精度。這種思路不僅更加經(jīng)濟(jì)高效，也更符合實(shí)際應(yīng)用的需求。

說(shuō)到底，這項(xiàng)研究回答了一個(gè)看似簡(jiǎn)單卻極其重要的問(wèn)題：如何讓AI真正理解并執(zhí)行我們的要求。在AI技術(shù)日益普及的今天，這種"聽(tīng)話"的能力比單純的聰明更加重要。畢竟，一個(gè)能夠精確執(zhí)行指令的AI助手，比一個(gè)聰明但經(jīng)常"自作主張"的AI更值得信賴。

研究團(tuán)隊(duì)的工作不僅推動(dòng)了AI技術(shù)的進(jìn)步，也為普通用戶帶來(lái)了希望：未來(lái)我們與AI的交互會(huì)變得更加可靠和高效。當(dāng)我們說(shuō)"請(qǐng)用大寫(xiě)字母、不超過(guò)50詞、包含'人工智能'這個(gè)詞來(lái)回答"時(shí)，AI真的會(huì)完全按照我們的要求來(lái)做。這種改變看似微小，但對(duì)于AI技術(shù)的實(shí)用化具有革命性的意義。

對(duì)于有興趣深入了解技術(shù)細(xì)節(jié)的讀者，可以通過(guò)論文提供的GitHub鏈接（https://github.com/Junjie-Ye/MulDimIF）獲取完整的代碼和數(shù)據(jù)，親自體驗(yàn)這個(gè)多維約束框架的強(qiáng)大功能。

Q&A

Q1：什么是AI的"指令跟隨"能力？為什么這么重要？ A：指令跟隨能力是指AI能否準(zhǔn)確理解并執(zhí)行用戶給出的各種要求和約束條件，比如格式要求、字?jǐn)?shù)限制、必須包含的關(guān)鍵詞等。這很重要因?yàn)樵趯?shí)際應(yīng)用中，即使AI回答內(nèi)容正確，但格式不對(duì)也可能導(dǎo)致程序報(bào)錯(cuò)或系統(tǒng)崩潰。就像一個(gè)助手雖然很聰明，但如果總是不按要求做事，實(shí)用價(jià)值就會(huì)大打折扣。

Q2：現(xiàn)在的AI在指令跟隨方面表現(xiàn)如何？ A：研究發(fā)現(xiàn)，目前即使是最先進(jìn)的AI模型，在面對(duì)復(fù)雜的多重約束時(shí)表現(xiàn)都不夠理想。簡(jiǎn)單約束（如只要求大寫(xiě)字母）的成功率能達(dá)到77%，但復(fù)雜約束（如同時(shí)要求格式、內(nèi)容、語(yǔ)言、長(zhǎng)度等）的成功率往往只有30-40%。這說(shuō)明AI在處理多任務(wù)要求時(shí)還存在明顯的"認(rèn)知瓶頸"。

Q3：這項(xiàng)研究開(kāi)發(fā)的訓(xùn)練方法真的有效嗎？會(huì)不會(huì)影響AI的其他能力？ A：非常有效！經(jīng)過(guò)訓(xùn)練的AI模型在指令跟隨方面有了顯著提升，平均改進(jìn)幅度達(dá)到30-50個(gè)百分點(diǎn)。更重要的是，這種訓(xùn)練不僅沒(méi)有損害AI的其他能力，在某些方面（如代碼編寫(xiě)、數(shù)學(xué)推理）甚至還有所提升。這證明了指令跟隨能力的改進(jìn)能夠帶動(dòng)其他能力的協(xié)同發(fā)展。