IFEval-Audio: Benchmarking Instruction-Following Capability in Audio-based Large Language Models
Nanyang Technological University (NTU)(南洋理工大学);MiroMind(米罗Mind);Institute for Infocomm Research (I 2 R)(信息与通信研究院);A*STAR(科技研究局)
针对音频类大型语言模型指令遵循能力未被充分研究的问题,提出IFEval-Audio评测数据集(含280个三元组、6个维度),对先进音频LLMs进行基准测试并公开数据集,填补该领域空白。
2025-11-12 cs.CL
DecIF: Improving Instruction-Following through Meta-Decomposition
Beijing University of Posts and Telecommunications(北京邮电大学);Peking University(北京大学)
针对指令数据依赖外部资源的问题,提出 DecIF 框架,通过元分解自动生成、校验指令与响应,并在多场景实验中证明其优异的指令遵循性能。
2025-06-11 cs.CL
SEIF: Self-Evolving Reinforcement Learning for Instruction Following
Shanghai Key Laboratory of Data Science, College of Computer Science and Artificial Intelligence, Fudan University(上海数据科学 key laboratory,计算机科学与人工智能学院,复旦大学);School of Data Science, Fudan University(数据科学学院,复旦大学);Ant Group(蚂蚁集团)
SEIF提出了一种自演化框架,通过闭环自我进化提升大语言模型的指令跟随能力,通过动态调整指令难度与模型能力相互促进,实验表明其在多模型规模上均有效提升性能。
2026-05-08 cs.CL
Instruction-following Evaluation through Verbalizer Manipulation
Samsung Research America(美国三星研究院);University of Southern California(南加州大学)
本文提出言语化器操纵评估协议,通过改变任务标签与模型先验的对齐程度来检验指令遵循能力,并在多模型多数据集上验证其有效性,发现现有模型在低对齐言语化器上表现显著下降。
2024-04-02 cs.CL
Analysis of Language Change in Collaborative Instruction Following
Cornell University(康奈尔大学);City University of New York(纽约市立大学)
我们在一个协作的、以目标为导向的教学任务中分析语言随时间的变化,在这个任务中,效用最大化的参与者形成惯例并增加他们的专业知识。以前的工作主要是在参考游戏的背景下研究这种情况,并一致发现,语言的复杂性是沿着多个维度,如话语长度,作为惯例的形成。相比之下,我们发现,由于能够提高指令效用,教师增加语言的复杂性,沿着这些先前研究的维度,以更好地与越来越熟练的指令追随者合作。
2021-09-09 cs.CL
Dancing in Chains: Reconciling Instruction Following and Faithfulness in Language Models
AWS AI Labs(亚马逊云科技人工智能实验室);Google(谷歌公司);Stanford University(斯坦福大学);Samaya AI(Samaya人工智能公司);Orby AI(Orby人工智能公司);NVIDIA(英伟达公司)
本文揭示了语言模型中指令遵循与忠实性之间的权衡,并提出基于拒绝采样的持续自指令微调方法ReSet,以更少的高质量数据显著优于普通多任务学习。
2024-07-31 cs.CL
From Complex to Simple: Enhancing Multi-Constraint Complex Instruction Following Ability of Large Language Models
Fudan University(复旦大学);School of Computer Science, Fudan University(复旦大学计算机科学技术学院);School of Data Science, Fudan University(复旦大学数据科学学院);Fudan-Aishu Cognitive Intelligence Joint Research Center(复旦-爱数认知智能联合研究中心)
本研究聚焦大语言模型多约束复杂指令遵循能力不足的问题,探究有效训练数据的特性,提出获取与利用该类数据的方法,经实验验证可提升模型指令遵循能力与多场景泛化性,且训练效率更优。
2024-06-18 cs.CL
FollowEval: A Multi-Dimensional Benchmark for Assessing the Instruction-Following Capability of Large Language Models
Lenovo Research AI Lab(联想研究院人工智能实验室);Tianjin University(天津大学)
本文提出FollowEval,一个由人类专家构建的中英双语多维基准,从五个关键维度评估大语言模型的指令遵循能力,实验发现模型性能显著落后于人类。
2023-11-16 cs.CL
Unified Pragmatic Models for Generating and Following Instructions
University of California, Berkeley(加州大学伯克利分校)
我们表明,明确的语用推理有助于正确地生成和遵循自然语言指令复杂的,顺序的任务。我们的实用主义模型可以推理出说话者为什么会发出某些指令,以及听者听到这些指令后会有什么反应。像以前的务实的模型,我们使用学习基地的听众和扬声器模型,建立一个务实的扬声器,使用基地的听众来模拟候选人的描述解释,和一个务实的听众,原因与事实相反的替代描述。我们将这些模型扩展到具有顺序结构的任务。语言生成和解释的评估表明,语用推理提高了国家的最先进的听者模型(在正确解释人类指令)和扬声器模型(在生产指令正确解释人类)在不同的设置。
2018-05-28 cs.CL
GraphIF: Enhancing Multi-Turn Instruction Following for Large Language Models with Relation Graph Prompt
Zhenhe Li 1(李振和1);Can Lin 1(林灿1);Ling Zheng 1(郑凌1);Wen-Da Wei 2(韦文达2);Junli Liang 1(梁俊利1);Qi Song 1(宋琪1)
GraphIF通过构建关系图结构,利用图提示提升大语言模型的多轮指令遵循能力,实验表明其在多轮对话评估指标上表现优异。
2026-01-15 cs.CL
KCIF: Knowledge-Conditioned Instruction Following
IBM Research AI(IBM人工智能研究)
本研究提出KCIF,通过组合简单指令与知识基准,发现LLM在知识条件指令遵循上性能显著下降,凸显联合研究知识推理与指令遵循的重要性。
2025-05-23 cs.CL
Enhancing Complex Instruction Following for Large Language Models with Mixture-of-Contexts Fine-tuning
School of Artificial Intelligence, Beijing University of Posts and Telecommunications(人工智能学院,北京邮电大学);LI Auto Inc.(LI汽车公司)
本文提出 MISO 多输入单输出架构与混合上下文微调范式,通过并行子上下文增强 SFT,显著提升 LLM 对复杂多约束指令的遵循能力及训练效率。
2025-05-17 cs.CL
Generalizing Verifiable Instruction Following
Allen Institute for Artificial Intelligence(艾伦人工智能研究所);University of Washington(华盛顿大学)
针对模型在精准指令遵循任务中对基准约束过拟合、泛化能力弱的问题,本文提出IFBench新基准评估58个新域外约束的泛化性,设计约束验证模块并通过RLVR提升性能,还发布相关训练资源。
2025-11-11 cs.CL
Parrot: Enhancing Multi-Turn Instruction Following for Large Language Models
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Kuaishou(快手);School of Information, Renmin University of China(中国人民大学信息学院)
Parrot通过高效收集类人多轮指令和上下文感知偏好优化,显著提升LLM多轮指令遵循能力,实验显示最高提升7.2%,并开源数据集和代码。
2024-05-23 cs.CL
Are Humans Evolved Instruction Followers? An Underlying Inductive Bias Enables Rapid Instructed Task Learning
Amazon Alexa AI Seattle, USA(亚马逊Alexa AI西雅图美国)
本文提出人类具有进化形成的指令遵循偏置,即一种归纳偏置,使得从语言快速泛化行为成为可能,并类比大语言模型的指令微调,呼吁跨学科研究。
2026-06-29 cs.CL
XIFBench: Evaluating Large Language Models on Multilingual Instruction Following
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Queen Mary University of London(伦敦大学女王学院);Soochow University(苏州大学)
本文提出XIFBench基准,通过558条多语言指令和细粒度约束评估LLMs的指令遵循能力,并引入三项方法论创新支持跨语言评估,揭示了语言资源等因素对多语言指令遵循的影响。
2025-11-03 cs.CL
IHEval: Evaluating Language Models on Following the Instruction Hierarchy
University of Notre Dame(圣母大学);Amazon(亚马逊公司);Worcester Polytechnic Institute(伍斯特理工学院)
针对语言模型遵循指令层级能力缺乏评估基准的问题,提出IHEval基准(含3,538个示例、九项任务),发现模型在冲突指令下性能骤降,最强开源模型仅48%准确率,凸显优化必要性。
2025-03-26 cs.CL
AdvancedIF: Rubric-Based Benchmarking and Reinforcement Learning for Advancing LLM Instruction Following
Meta Superintelligence Labs(Meta超智能实验室);Princeton University(普林斯顿大学)
本研究提出AdvancedIF基准和RIFL方法,通过规则生成和奖励塑造提升大语言模型的指令跟随能力,在AdvancedIF上实现6.7%的提升。
2025-11-26 cs.CL
IFDECORATOR: Wrapping Instruction Following Reinforcement Learning with Verifiable Rewards
Shanghai AI Laboratory(上海人工智能实验室);Shanghai Innovation Institute(上海创新研究院);Fudan University(复旦大学);East China Normal University(华东师范大学)
针对RLVR训练效率低和过度优化问题,提出IFDecorator框架,通过合作-对抗数据飞轮、IntentCheck和绊线机制,在IFEval上达到87.43%准确率,超越GPT-4o,并显著降低奖励黑客率。
2025-08-07 cs.CL
VISA: Agentic Self-Evolving Data Synthesis for Multimodal Instruction Following
vivo AI Lab(vivo AI实验室)
VISA是一种智能体式自进化数据合成框架,通过自进化循环优化多模态指令合成,在MM-IFEval等基准上提升了多模态指令遵循性能。
2026-08-28 cs.CL
Lexical Redefinition Reveals Context-Sensitive Instruction Following
Queen Mary University of London(伦敦玛丽女王大学);University of Cambridge(剑桥大学)
本研究通过870个词对的实验,发现语言模型对词汇重定义的解释会受上下文证据影响,为研究其整合提示内多源信息提供了可控范式。
2026-10-14 cs.CL
Safety-Tuned LLaMAs: Lessons From Improving the Safety of Large Language Models that Follow Instructions
Stanford University(斯坦福大学);Bocconi University(博科尼大学)
本文研究指令调优模型的安全性问题,发现仅添加3%安全示例即可显著提升LLaMA等模型的安全性,且不损害其能力,但过度调优会导致拒绝安全提示,揭示了帮助性与安全性的权衡。
2024-03-19 cs.CL
Human Instruction-Following with Deep Reinforcement Learning via Transfer-Learning from Text
DeepMind(深度思维)
最近的工作描述了基于神经网络的代理,这些代理使用强化学习(RL)进行训练,以在模拟世界中执行类似语言的命令,这是迈向可以由人类用户指示的智能代理或机器人的一步。然而,从头开始通过深度RL优化多目标运动策略需要许多经验。因此,深度RL的指令遵循通常涉及从模板(通过环境模拟器)生成的语言,这并不反映真实用户的变化或模糊表达。在这里,我们提出了一种概念上简单的方法,用于训练具有深度RL的指令遵循代理,这些代理对自然人类指令具有鲁棒性。通过应用我们的方法与国家的最先进的预训练的基于文本的语言模型(BERT),在任务上需要代理识别和定位日常对象相对于其他对象在自然的3D模拟房间,我们展示了基本上以上的机会zero-shot从合成模板命令转移到自然的指令由人类。我们的方法是训练任何基于深度RL的系统与人类用户交互的通用方法,并弥合了最近取得显著成功的两个研究方向之间的差距:以代理为中心的运动行为和基于文本的表示学习。
2020-05-19 cs.CL
Instruction-Following Evaluation of Large Vision-Language Models
本研究评估了大视觉-语言模型在微调后的指令遵循能力,发现其能力下降并分析了原因,提出通过包含输出格式指示的训练数据集可缓解此问题。
2025-12-29 cs.CL cs.CV
Learning Instruction-Following Policies through Open-Ended Instruction Relabeling with Large Language Models
Carnegie Mellon University(卡内基梅隆大学)
本文提出利用大型语言模型对智能体历史轨迹进行开放式指令重标注,通过识别隐式完成的子任务丰富训练数据,从而在无需大量人工标注的情况下高效学习统一的指令遵循强化学习策略,并在Craftax环境中显著提升了样本效率与策略性能。
2025-06-24 cs.CL cs.LG
Do LLMs "know" internally when they follow instructions?
University of Cambridge(剑桥大学);Apple(苹果公司);University of Pennsylvania(宾夕法尼亚大学)
本研究探究LLMs是否在内部表征中编码指令遵循成功信息,识别出可预测遵循结果的“指令遵循维度”,并通过沿此维度修改表征提升遵循率,为可靠智能体构建提供洞见。
2025-03-28 cs.AI cs.CL
The Instruction Gap: LLMs get lost in Following Instruction
Vishesh Tripathi;Uday Allu;Biddwan Ahmed
本研究揭示了LLMs在企业部署中遵循指令的不足,通过评估13种模型发现Claude-Sonnet-4和GPT-5表现最佳,指出指令遵循能力的鸿沟及改进方向。
2025-12-19 cs.AI cs.CL
Evaluating the Instruction-Following Robustness of Large Language Models to Prompt Injection
University of California Santa Barbara(加州大学圣巴巴拉分校);Microsoft(微软);Tencent AI Lab(腾讯人工智能实验室)
本文构建了一个基准来评估大型语言模型对提示注入攻击的指令遵循鲁棒性,通过大量实验揭示了模型在区分注入指令与原始指令方面的重大漏洞,并指出未来应重点提升模型对提示的整体理解与指令辨别能力。
2023-11-25 cs.AI cs.CL
M-IFEval: Multilingual Instruction-Following Evaluation
Lightblue KK.;Arkema(阿科玛)
本文提出多语言指令遵循评估基准M-IFEval,将IFEval扩展至法、日、西三种语言并涵盖通用与语言特定指令,在8个主流LLM上验证了多语言评估的必要性。
2025-02-07 cs.AI cs.CL
Non-instructional Fine-tuning: Enabling Instruction-Following Capabilities in Pre-trained Language Models without Instruction-Following Data
本文提出用OpenWebText随机文本前半段作指令、GPT-3.5/4-turbo补全作响应的非指令性数据微调预训练LLMs,验证其能获得指令遵循能力,且LLaMA-3-70B-Instruct在Arena Hard上可比肩LLaMA-3.1-70B-Instruct。
2024-08-27 cs.AI cs.CL cs.LG
Constraint Back-translation Improves Complex Instruction Following of Large Language Models
Department of Computer Science and Technology, BNRist, Tsinghua University(计算机科学与技术系,BNRist,清华大学)
针对LLMs复杂指令遵循能力不足的问题,提出约束回译技术,利用先进LLMs从现有高质量数据对中提取隐含约束并添加至指令,构建了CRAB数据集,有效提升了模型后训练效果。
2025-04-29 cs.AI cs.CL
Training with Pseudo-Code for Instruction Following
通过伪代码训练提升LLM指令跟随能力,实现8-21%的提升并在数学和常识推理中取得平均30%的提升。
2026-03-11 cs.AI cs.CL
Enhancing and Assessing Instruction-Following with Fine-Grained Instruction Variants
University of Alberta(阿尔伯塔大学);Platform and Content Group, Tencent(腾讯平台与内容事业群)
针对LLMs难以准确评估和遵循相似指令变体的问题,提出数据增强技术DeMoRecon构建细粒度指令变体数据集FGIV,经其微调的模型在多种指令遵循基准上性能显著提升。
2024-10-15 cs.AI cs.CL cs.LG
Modular Networks for Compositional Instruction Following
UC Berkeley(加州大学伯克利分校)
在指令遵循中使用的标准架构通常在训练期间观察到的子目标的新颖组合(例如,导航到地标或拾取物体)上挣扎。我们提出了一个模块化的架构,以下自然语言的指令,描述序列的不同的子目标。在我们的方法中,每个子目标模块执行特定子目标类型的自然语言指令。通过学习分割指令并预测每个段的子目标类型来选择要执行的模块序列。当与ALFRED(一个具有挑战性的指令遵循基准)上的标准非模块化序列到序列方法相比时,我们发现模块化提高了对新子目标组合物以及训练中看不到的环境的泛化。
2021-04-13 cs.AI cs.CL cs.CV
LogicIF: Towards Complex Logic Instruction Following
University of Texas at Dallas(德克萨斯大学达拉斯分校);Independent Researcher(独立研究者);Duke University(杜克大学);University of Central Florida(佛罗里达大学中央分校)
本文提出LogicIFGen和LogicIFEval,用于生成和评估复杂逻辑指令,揭示了当前LLMs在复杂指令跟随上的不足。
2026-08-11 cs.CL cs.LG
Sparse Activation Editing for Reliable Instruction Following in Narratives
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所)
针对叙事中指令遵循难题,提出无需训练的Concise-SAE框架,通过编辑指令相关神经元提升性能,并构建1,212示例基准FreeInstruct验证,实现最先进效果且不损生成质量。
2025-05-22 cs.AI cs.CL cs.HC
Pre-Learning Environment Representations for Data-Efficient Neural Instruction Following
University of California, Berkeley(加州大学伯克利分校)
我们认为学习映射的问题,从自然语言指令的状态转换(行动),在一个数据有效的方式。我们的方法从这样一个想法中得到灵感:将语言与通过前语言观察已经形成的概念联系起来应该更容易。我们增加了一个基线的预防以下的学习者与初始环境学习阶段,使用观察的语言自由状态转换,以诱导一个合适的潜在的行动表示之前,处理预防以下的训练数据。我们表明,映射到预先学习的表示大大提高了系统的表现,其表示是从有限的教学数据单独学习。
2019-07-23 cs.AI cs.CL cs.LG
Mitigating Exploration Bias in RL for Multi-Instruction Following
UT Dallas(德克萨斯大学达拉斯分校);UT Austin(德克萨斯大学奥斯汀分校);UC Santa Barbara(加利福尼亚大学圣巴巴拉分校)
针对多指令遵循RL中偏向简单指令的探索偏差,本文提出两个衡量指标与含行为引导、稀缺感知奖励的两阶段框架,在三个基准上显著优于基线。
2026-08-26 cs.CL cs.LG
TextBind: Multi-turn Interleaved Multimodal Instruction-following in the Wild
Tencent AI Lab(腾讯AI实验室);Nara Institute of Science and Technology(奈良科学技术研究所);Tsinghua University(清华大学)
本文提出 TextBind 框架,仅需图像-文本对即可让大型语言模型生成多轮交错多模态指令-响应对话,并设计了以语言模型为中心的 MIM 架构处理图文输入输出,发布了相关数据集、模型和演示以促进多模态指令遵循研究。
2024-06-03 cs.AI cs.CL
Revisiting Compositional Generalization Capability of Large Language Models Considering Instruction Following Ability
Nara Institute of Science and Technology(奈良科学技術大學)
本研究提出Ordered CommonGen基准,通过有序覆盖率同时评估LLMs的组合泛化与指令遵循能力,发现LLMs存在顺序偏见且最强者覆盖率仅约75%,需改进。
2025-06-18 cs.AI cs.CL
KITE: A Benchmark for Evaluating Korean Instruction-Following Abilities in Large Language Models
Korea University(高丽大学);Soongsil University(崇实大学)
针对韩语缺乏指令遵循基准的问题,提出KITE基准,涵盖通用与韩语特定开放式任务,结合自动与人工评估,揭示模型差异并公开数据集与代码。
2025-10-17 cs.AI cs.CL
IFHierBench: Hierarchical Instruction Following for Large Language Models
Technical University of Munich(慕尼黑工业大学)
本研究提出分层指令遵循基准IFHierBench,评估发现现有大语言模型遵循嵌套约束的能力不足,为提升指令遵循能力的训练方法提供了研究方向。
2026-07-31 cs.AI cs.CL
Speech-IFEval: Evaluating Instruction-Following and Quantifying Catastrophic Forgetting in Speech-Aware Language Models
National Taiwan University(国立台湾大学);Graduate Institute of Communication Engineering(通讯工程研究所)
本文提出Speech-IFEval基准,用于评估语音感知语言模型的指令遵循能力并量化灾难性遗忘,发现多数模型在基本指令上表现远逊于文本模型且对提示变化敏感,强调需超越任务级指标进行评估。
2025-05-25 cs.CL eess.AS
Self-Guided Plan Extraction for Instruction-Following Tasks with Goal-Conditional Reinforcement Learning
AXXX;MIRAI
本文提出SuperIgor框架,通过自学习机制使语言模型生成并优化高层计划,减少手动标注需求。通过迭代共训练,强化学习代理和语言模型共同改进,验证了在动态和随机环境中严格遵循指令的能力。
2026-04-22 cs.AI cs.CL
FollowIR: Evaluating and Teaching Information Retrieval Models to Follow Instructions
Johns Hopkins University(约翰斯·霍普金斯大学);Allen Institute for AI(艾伦人工智能研究所);University of Glasgow(格拉斯哥大学);Yale University(耶鲁大学)
本文提出 FollowIR 数据集与成对评估框架,评测 IR 模型遵循复杂指令的能力,并通过微调训练出性能显著提升的 FollowIR-7B。
2024-05-07 cs.CL cs.IR cs.LG
SAIF: A Sparse Autoencoder Framework for Interpreting and Steering Instruction Following of Language Models
Case Western Reserve University(凯斯西储大学);Wake Forest University(维克森林大学);Cisco(思科公司)
提出 SAIF 框架,利用稀疏自编码器识别并因果验证指令相关潜在特征,实现对 LLM 指令遵循行为的可解释引导,并验证其跨规模扩展性。
2025-02-17 cs.AI cs.CL cs.LG
MIA-Bench: Towards Better Instruction Following Evaluation of Multimodal LLMs
Apple(苹果公司);HKUST(香港科技大学)
本研究推出用于评估多模态大语言模型复杂指令遵循能力的MIA-Bench基准,发现前沿模型性能差异显著,还通过额外训练数据与监督微调提升模型指令遵从度且不影响其他任务性能。
2025-03-20 cs.CL cs.CV
MuSC: Improving Complex Instruction Following with Multi-granularity Self-Contrastive Training
Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算机学院);Nanjing University(南京大学);School of Artificial Intelligence, Beijing University of Posts and Telecommunications(北京邮电大学人工智能学院)
本文提出多粒度自对比训练框架MuSC,通过指令分解重组构建约束感知偏好数据,并执行动态token级监督的偏好优化,在不依赖更强模型的情况下显著提升了LLMs的复杂与通用指令遵循能力。
2025-05-30 cs.AI cs.CL
MaXIFE: Multilingual and Cross-lingual Instruction Following Evaluation
Waseda University(早稻田大学);OPPO AI Center(OPPO AI中心)
本文提出多语言与跨语言指令遵循评估基准 MaXIFE,覆盖 23 种语言和 1667 个可验证任务,并整合规则与模型评估方法,为商业大语言模型建立基线,推动自然语言处理研究。
2025-06-03 cs.AI cs.CL
DIALEVAL: Automated Type-Theoretic Evaluation of LLM Instruction Following
Macquarie University, Australia(麦考瑞大学,澳大利亚)
DIALEVAL通过双LLM代理实现复杂指令的自动类型理论评估,提升对话场景下的评估准确性与人类判断一致性。
2026-02-10 cs.AI cs.CL
Panda LLM: Training Data and Evaluation for Open-Sourced Chinese Instruction-Following Large Language Models
Nanyang Technological University(南洋理工大学)
本研究围绕开源大语言模型的指令微调展开,探究训练数据的数量、质量、语言分布等因素对中英文指令微调模型性能的影响,配套定量分析完善评估,为开源中文对话模型发展提供参考,且相关资源已开源。
2023-05-04 cs.AI cs.CL
Unlocking Speech-Text Compositional Powers: Instruction-Following Speech Language Models without Instruction Tuning
University of California, Santa Barbara, USA(加州大学圣芭芭拉分校);MIT-IBM Computing Research Lab, IBM Research, USA(麻省理工-IBM计算研究实验室,IBM研究)
提出SpeechCombine,通过单轮30k小时语音预训练和权重组合,无需指令微调即可实现指令跟随,有效将文本LLM能力迁移至语音域。
2026-07-03 cs.CL eess.AS
Accessible Instruction-Following Agent
Kent School(肯特学校)
本研究提出UVLN框架,结合GPT3与BLIP,通过机器翻译增强跨语言视觉-语言导航,提升非英语指令跟随智能体的可交互性与可访问性。
2023-05-08 cs.AI cs.CL
Instruction Tuning with GPT-4
Microsoft Research(微软研究院)
本文首次尝试使用GPT-4生成指令跟随数据对LLaMA进行微调,实验表明该方法显著提升了模型在新任务上的零样本性能,并公开了数据与代码库。
2023-04-06 cs.AI cs.CL