标签
本文表明，在“指挥者任务”中，要求视觉语言模型在采取行动前回答指挥者能看到哪些积木，会显著改变模型的选择，使各款 GPT 模型选择隐藏积木的比例提高 12–88 个百分点，Qwen3.8-27B 则提高 17 个百分点。作者认为，视角采择基准需要设置仅在报告问题上有所不同的配对基线，以免误读模型未能运用他人视角的表现。
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。