什么是指令遵循评测？听不听话，一次讲明白

让大模型写一段不超过一百字的自我介绍，它写了一百六十字还带三个感叹号——听不听话，一测便知。这段听话程度，在 AI 评测体系里有专门的考卷，叫指令遵循评测。你在扣子上搭应用、让模型按格式输出时感受到的服不服管，就是这张考卷量出来的东西。

评什么：一条指令里的四层要求

拆开看，一条指令至少藏着四层要求：任务本身做什么、约束条件有哪些（字数、格式、语言）、范围边界（写什么不写什么）、风格要求（正式还是口语）。评测时把每层要求拆成可核对的点，答对了内容但超了字数，按规则扣分，像按图纸验收工程：菜对了只是一半分，分量、摆盘、温度也都算分。日常体验里出问题最多的恰恰是这一层——很多人觉得模型不听话，真相常常是要求没说成它能核对的样子。把「大概」「尽量」换成具体数字，执行率立刻上一个台阶。

判分方式：逐条核对加主观评审

出题时把要求逐条编号，答案生成后逐项打勾，缺一项扣一项。要求分两类，判分方式不同：「不超过一百字」机器一眼核对，误差接近零；「语气活泼一点」就得靠评审的主观判断，误差大得多。约束越具体越好判，所以靠谱的指令遵循基准里，可机器核对的约束占大头。评审若由模型来当，还要看评审自身的偏向，那是另一层误差来源。读一份评测报告时，先看约束是否可核对，再看评审是谁来当，两步就能筛掉一半水分。

坑题设计：故意埋的四类陷阱

光有直题测不出深浅，题库里常埋几类坑。矛盾指令：前面说列三点，后面又说别超过两点，看模型发现不发现；嵌套指令：主任务里夹带小要求，看它顾不顾得上；反向指令：要求「不要解释」，看它忍不忍得住；多步指令：一步套一步，漏一步扣一步。坑题的价值在于把表面服从和真理解分开，会硬凑的模型在坑里一跳一个准。分数里通常单列一项矛盾指令识别率，专门衡量这种发现能力。

分数怎么读：两个常见误读

误读一是把高分当成处处顺从。约束彼此冲突时，好的模型应该指出冲突而不是硬凑，见坑就跳的满分未必是好体验。误读二是把听话当成对：内容对错是另一张考卷，数学管对错，代码管跑通，两张分数分开看。另外，听话分和模型规模没有简单的正比关系，参数量大的版本未必更服管，参数量与能力的差别要单独理解；小尺寸版本在听话分上的表现，也常和人们对蒸馏版的想象不一致。自己选模型时，开源权重版本可以拿来直接测，比看榜单更贴你的场景，见 开源权重模型能不能用。

边界：这张考卷测不到什么

指令遵循评测只管照没照办，不管内容质量、事实对错和趣味，也不管真实场景里那种模糊到没法核对的指令——「帮我写得吸引人一点」这类要求，题库很少碰，因为它没有可核对的点。提示词写得再规范，也管不住模型编造事实，那是另一套机制的问题，见 提示词能不能治好幻觉。读分时还要留意题库构成：约束类题目偏简单的基准，分数容易虚高。

指令遵循速查

• 四层要求：任务、约束、边界、风格，逐层核对
• 可机器核对的约束越多，判分越可靠
• 坑题看发现力：矛盾、嵌套、反向、多步
• 读分：听话分与内容分分开看

换个角度再问三条

指令遵循分数高，写出来的文案会更好看吗？两回事。好看属于内容质量那张考卷，听话分只确保格式和字数照办，风格要求也只到形似为止。

同一个模型在两个产品里听话程度不一样，正常吗？正常。基座相同，产品端加的策略层和提示词包装不同，实际表现以你用的那个入口为准。

要求写在长消息末尾总是被漏掉，怎么改？把关键约束放开头或单独成段。长消息末尾的要求最容易被淹没，这是注意力分配上的通病。

下一份评测榜单，先把听话分单独拎出来看，它和日常体验的相关程度，可能比你以为的更高。