标签
作者分享了实际对比体验，显示 Gemma 4 在实用的指令遵循方面优于 Gemini 3.5 Flash 和 Claude Opus 5 等更大的模型，认为当前的 LLM 基准测试未能反映真实世界的可用性。
介绍了Instruct-FD，一个用于评估全双工语音系统能否遵循显式轮换指令的基准。结果显示最佳模型仅达到64.4%的遵从率，凸显了在遵循指令的轮换管理方面存在显著差距。
本文通过在合成语料库上进行受控实验，研究了格式、指令数量和上下文长度如何影响大型语言模型（LLM）的指令遵循与幻觉。研究发现，无论何种格式，当规则数量超过80条时，指令遵循会崩溃；而回忆准确率在64-128k token之后急剧下降，且受格式影响。本文还发布了VeyraBench工具包以支持复现。
作者讲述了使用Gemma模型翻译推理痕迹时遇到的问题，模型执行了文本中的指令而非进行翻译，突出了指令与有效负载之间的边界失效。
BLOOMZ 和 mT0 是在跨语言任务混合 xP3 上微调的多语言模型，能够在数十种语言中实现零样本指令遵循。
本文介绍了一个基于 SeamlessM4T-v2-large 和 Qwen3-4B-Instruct 的开源复现，用于 IWSLT 2026 指令跟随流水线，并使用 10 万个合成样本。
LLM-as-a-Tutor提出了一种框架，通过成对比较和添加约束动态调整提示难度，将LLM的角色从评判者扩展为导师，从而提升强化学习中的指令跟随性能。
MiniCPM5-1B-Claude-Opus-Fable5-Thinking 是一个紧凑的 10 亿参数思考型语言模型，基于 openbmb/MiniCPM5-1B 在 Fable 5 数据上微调而成，增强了编码和指令跟随能力，同时保留了原生的思考聊天模板和工具调用格式。它支持高达 128K 的上下文长度，适合本地部署。
本文提出SpeechCombine，一种无需任何指令微调的指令跟随语音语言模型，仅通过语音预训练和一种权重组合策略，将文本大语言模型的能力迁移到语音领域。
本文描述了 NAVER LABS Europe 参与 IWSLT 2026 指令跟随短轨道的提交方案。该方案改进了他们之前获胜的系统，使用了仅基于 ASR 数据训练的新语音投影器（SpeechMapper），并通过合成 SQA 数据集（fakACL）增强了训练。最终系统在使用较弱 LLM 骨干的情况下，在受约束轨道中并列第一。
IFStruct是由Liquid AI开发的结构化输出指令遵循基准，现在在Hugging Face上有了排行榜，旨在改进小模型以进行本地执行和正确的工具使用。
ifstruct 是 Liquid AI 推出的一个针对结构化输出的指令遵循基准测试，旨在推动该领域发展出更好的、可本地运行的小型模型。
介绍了Indi-RomCoM，这是一个用于评估LLM在四种印度语言罗马化代码混合（RCM）指令上的基准，发现LLM在RCM任务上表现不佳，且性能随代码混合密度增加而下降。
Seed2.0 是一个新的模型系列，通过增强长尾知识、指令遵循、推理、视觉理解和搜索能力，解决复杂的现实世界任务。它提出了一个基于用户需求的强大评估框架。
本文介绍了掩码语言流模型（MLFMs），该模型将掩码机制引入基于流的语言模型，从而实现连续流进行条件生成，并允许转换预训练的掩码扩散模型。作者提出了一种新型采样器，交替进行连续去噪和离散去掩码，首次证明了基于流的语言模型可以扩展至下游推理和指令遵循任务。
MIT CSAIL研究人员开发了掩码逆强化学习（Masked IRL），利用大型语言模型澄清机器人的模糊指令并聚焦环境关键细节，从而减少对大量演示数据的需求。
本文介绍了FBK在IWSLT 2026指令跟随共享任务中的提交，开发了用于短时和长时语音指令跟随的SpeechLLMs，探索了分割方法，并通过固定30秒分割实现了稳健的长时性能。
本文通过构建基准测试并提出一种方法，将进一步预训练与权重差异迁移相结合，以更低的成本创建专门的指令遵循模型，从而解决无资源编程语言的代码生成问题。
一个在550步内对两个指令遵循数据集进行微调的Pythia-6.9B模型，具备了13种语言的能力，相比基础模型有显著提升。