Can Language Models Follow Multiple Turns of Entangled Instructions?
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California San Diego(加州大学圣地亚哥分校)
本文系统研究了大语言模型处理多轮纠缠指令的能力,构建了约1.1K多轮对话数据集MultiTurnInstruct,发现模型在记忆、推理与冲突解决能力之间存在权衡,并揭示了注意力机制在整合相关指令方面的不足。
2025-09-20 cs.AI cs.CL
Instruct-FD: Can Your Full-Duplex Speech System Follow Turn-Taking Instructions?
Boson AI(玻色子人工智能公司)
研究全双工语音系统在明确指令下的轮流发言行为,引入Instruct-FD基准,开发相关工具,通过对六个先进系统测试发现遵循指令的轮流管理有差距,为构建适应性全双工对话系统指明关键方向。
2026-07-24 cs.AI cs.CL
Multi-IF: Benchmarking LLMs on Multi-Turn and Multilingual Instructions Following
Meta GenAI(元宇宙生成式人工智能部门)
本文提出Multi-IF基准,通过结合LLM与人工标注构建包含4501个多语言多轮对话的数据集,评估14个先进模型,发现模型在多轮交互和非拉丁语种中指令遵循能力显著下降。
2024-11-13 cs.CL
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
StructFlowBench: A Structured Flow Benchmark for Multi-turn Instruction Following
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院);School of Information and Library Science, University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校信息与图书馆科学学院);Engineering Research Center of Knowledge-Driven Human-Machine Intelligence, MOE, China(知识驱动的人机智能工程研究中心,教育部,中国);International Center of Future Science, Jilin University(未来科学国际中心,吉林大学)
针对现有基准忽略多轮对话结构依赖的问题,提出多轮指令遵循基准 StructFlowBench,定义六种轮间关系构建结构化流框架,对13个主流LLM评估,揭示了模型在多轮结构理解上的缺陷。
2025-05-30 cs.CL
CESAR: Automatic Induction of Compositional Instructions for Multi-turn Dialogs
National University of Singapore(新加坡国立大学);Amazon Alexa AI(亚马逊Alexa人工智能部门)
本文提出CESAR框架,通过统一格式并自动归纳组合指令,构建了包含63个数据集、86个基础任务和68个复合任务的InstructDial++基准,使模型能遵循多约束组合提示。
2023-11-29 cs.CL
IHDec: Divergence-Steered Contrastive Decoding for Securing Multi-Turn Instruction Hierarchies
Chung-Ang University(Chung-Ang大学)
针对多轮对话中指令层级失效问题,提出基于Jensen-Shannon散度的无训练对比解码方法IHDec,自动检测并抑制越级指令,优于训练基线且保持响应质量。
2026-09-18 cs.CL
ConsistentChat: Building Skeleton-Guided Consistent Multi-Turn Dialogues for Large Language Models from Scratch
Chinese Information Processing Laboratory, Institute of Software, Chinese Academy of Sciences, Beijing, China(中国科学院软件研究所中文信息处理实验室);University of Chinese Academy of Sciences, Beijing, China(中国科学院大学)
提出骨架引导的多轮对话生成框架,构建ConsistentChat数据集,通过意图建模和骨架生成提升对话一致性20-30%和任务成功率15%。
2025-09-25 cs.CL
Robust Navigation with Language Pretraining and Stochastic Sampling
Microsoft Research AI(微软研究院AI);Peking University(北京大学);University of Washington(华盛顿大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
视觉和语言导航(VLN)挑战的核心是构建鲁棒的指令表示和动作解码方案,这些方案可以很好地推广到以前看不见的指令和环境。在本文中,我们报告了两种简单但非常有效的方法来解决这些挑战,并导致一个新的国家的最先进的性能。首先,我们调整大规模预训练的语言模型来学习文本表示,这些文本表示可以更好地概括以前看不见的指令。其次,我们提出了一个随机抽样方案,以减少训练中的专家行动和测试中的抽样行动之间的相当大的差距,使代理可以学习,以纠正自己的错误,在长期的序列动作解码。结合这两种技术,我们在房间到房间基准测试中实现了一个新的技术水平,在路径长度度量加权的成功率上比之前的最佳结果(47% -> 53%)有6%的绝对增益。
2019-09-05 cs.CL cs.CV cs.LG
Raw Text is All you Need: Knowledge-intensive Multi-turn Instruction Tuning for Large Language Model
Computer School, Beijing Information Science & Technology University(北京信息科技大学计算机学院);Beihang University(北京航空航天大学)
本文提出 R2S 框架,通过对话逻辑链引导大语言模型从原始文档生成知识密集型多轮对话,构建 G I NSTRUCT 数据集并微调 GLLM,以增强跨领域指令微调效果。
2024-07-03 cs.AI cs.CL
Context-dependent Instruction Tuning for Dialogue Response Generation
KAIST(韩国科学技术院)
针对多轮对话中固定指令失效的问题,提出基于上下文的指令微调框架,动态生成指令引导响应,在基准上以更低计算成本取得相当或更优性能。
2023-11-13 cs.AI cs.CL
Facilitating Multi-turn Function Calling for LLMs via Compositional Instruction Tuning
Baichuan Inc.(百川智能);Peking University(北京大学)
本文提出BUTTON方法,通过自下而上构建组合任务和自上而下生成多智能体交互轨迹来创建合成指令微调数据,构建了包含8k数据点的BUTTONInstruct数据集,有效提升了LLMs的多轮函数调用能力。
2025-03-03 cs.CL
Analyzing Multilingual Competency of LLMs in Multi-Turn Instruction Following: A Case Study of Arabic
Qatar Computing Research Institute(卡塔尔计算研究院);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
本文利用定制的阿拉伯语版MT-Bench基准和GPT-4统一评估器,考察开源大语言模型在阿拉伯语多轮指令遵循中的表现,发现使用多语言和多轮数据集微调的基础模型及小型模型集成能媲美从头训练或专有模型。
2023-10-23 cs.CL
Data Selection for Multi-turn Dialogue Instruction Tuning
National Engineering Research Center for Software Engineering, Peking University(软件工程国家工程研究中心,北京大学);School of Computer Science, Peking University(北京大学计算机学院);PKU-CMCC(Hubei) Joint Research Lab for LLM Industrial Applications(北京大学-湖北CMCC大模型工业应用联合实验室)
本文提出MDS框架,通过全局覆盖和局部结构阶段选择多轮对话数据,提升指令微调效果,优于现有方法并在多个基准测试中表现最佳。
2026-04-19 cs.AI cs.CL
ContextualLVLM-Agent: A Holistic Framework for Multi-Turn Visually-Grounded Dialogue and Complex Instruction Following
Dongguk University(东国大学)
针对现有多模态模型在多轮视觉对话中上下文丢失和推理不足的问题,本文提出MMDR-Bench基准和CoLVLM Agent框架,通过记忆-感知-规划-执行迭代循环增强LVLMs,无需重训练即在人类评估中超越GPT-4o和Gemini 1.5 Pro。
2025-08-21 cs.CL
MUSIC: MUlti-Step Instruction Contrast for Multi-Turn Reward Models
Princeton University(普林斯顿大学);Google DeepMind(谷歌DeepMind)
MUSIC通过多步指令对比提升多轮奖励模型的性能,有效增强多轮对话的评估能力。
2025-12-31 cs.CL
One Battle After Another: Probing LLMs' Limits on Multi-Turn Instruction Following with a Benchmark Evolving Framework
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);Jilin University(吉林大学)
本文提出EvolIF演进框架,通过多轮对话测试LLMs的指令遵循能力,揭示失败恢复和细粒度指令遵循的不足,GPT-5在鲁棒性上表现最佳。
2026-01-08 cs.CL
MMDU: A Multi-Turn Multi-Image Dialog Understanding Benchmark and Instruction-Tuning Dataset for LVLMs
SJTU(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);MThreads, Inc.(MThreads公司);CUHK(香港中文大学);CPII under InnoHK(InnoHK下属CPII机构)
针对现有LVLM在多轮多图像真实对话场景表现不足、基准评估不充分的问题,提出MMDU基准与MMDU-45k指令微调数据集,验证了用其微调可提升开源LVLM的对话能力与多基准得分。
2024-10-29 cs.AI cs.CV cs.LG
CIFLEX: Contextual Instruction Flow for Sub-task Execution in Multi-Turn Interactions with a Single On-Device LLM
Qualcomm AI Research(高通人工智能研究院)
针对单设备端LLM多轮交互中子任务切换计算开销高的问题,提出CIFLEX系统,通过复用主任务KV缓存、侧路径注入指令及分层分类子任务选择策略,在不降低性能的前提下显著减少计算量,实现高效的设备端多任务对话。
2025-09-24 cs.CL
On the Multi-turn Instruction Following for Conversational Web Agents
National University of Singapore(新加坡国立大学);DAMO Academy, Alibaba Group(阿里巴巴达摩院);University of Copenhagen(哥本哈根大学)
本文提出对话式网页导航任务及MT-Mind2Web数据集,并设计自反思记忆增强规划框架Self-MAP,以解决多轮指令遵循中的上下文长度限制和依赖问题。
2024-02-23 cs.AI cs.CL
CAPITU: A Benchmark for Evaluating Instruction-Following in Brazilian Portuguese with Literary Context
Maritaca AI;Jusbrasil
CAPITU基准通过八部巴西文学经典作品背景,结合可验证指令约束与文化内容,评估LLM在巴西葡萄牙语中的指令遵循能力,测试18种前沿模型,揭示多轮对话中约束持久性差异及形态学约束等挑战。
2026-03-23 cs.CL
Instruction-Tuned Models Locally Produce More Syntactic Overlap -- But Not More Conditional Reuse -- Than Humans Do
University of Oxford(牛津大学)
研究大语言模型是否像人类一样句法趋同,通过替换范式数据在多个模型测量CFG规则复用。发现各模型与前一轮人类话语规则重叠多,指令微调模型有特点,还在词汇和语义相似度上有表现,揭示了模型在句法复用方面与人类的异同。
2026-11-03 cs.CL
On-Policy Self-Distillation for Multi-Turn Image Editing
KAUST(阿卜杜拉国王科技大学);Krea AI
针对多轮图像编辑中模型因条件分布不匹配而性能退化的问题,提出在线策略自蒸馏框架MT-OPSD,利用干净条件教师监督训练自生成状态,并引入LME-Bench基准,实验证明其显著提升长时程编辑成功率并减少崩溃。
2026-09-29 cs.CV cs.LG
Agentic Policy Optimization via Instruction-Policy Co-Evolution
Language Technology Lab, University of Cambridge(剑桥大学语言技术实验室);Machine Learning Research Group, University of Oxford(牛津大学机器学习研究组)
INSPO通过指令与策略的共演机制,动态优化指令以提升代理在多轮检索和推理任务中的性能,显著优于静态指令基线。
2026-01-31 cs.AI cs.CL cs.LG
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
Hierarchical Alignment: Enforcing Hierarchical Instruction-Following in LLMs through Logical Consistency
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);University of Liverpool(利物浦大学);University of Edinburgh(爱丁堡大学)
本文提出NSHA方法,通过显式建模和执行指令优先级,解决LLM在多指令环境下保持一致性与安全性的挑战,提升任务性能和实用性。
2026-04-10 cs.CL
Sparkles: Unlocking Chats Across Multiple Images for Multimodal Instruction-Following Models
University of Cambridge(剑桥大学);Sun Yat-sen University(中山大学);University of Glasgow(格拉斯哥大学)
针对现有多模态指令遵循模型多图像对话连贯性不足的问题,研究提出专用多图像对话数据集SparklesDialogue、评估基准SparklesEval及模型SparklesChat,验证了其提升多图像对话理解且不损害单图像能力的效果,相关资源已公开。
2024-09-17 cs.CL cs.CV
KIWI: A Dataset of Knowledge-Intensive Writing Instructions for Answering Research Questions
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Allen Institute for AI(艾伦人工智能研究所)
本研究构建了科学领域知识密集型写作指令数据集KIWI,通过与3个先进大语言模型的234次交互收集1260个轮次数据,发现现有模型在信息整合、精准修改及指令遵循判断上存在缺陷,该数据集可用于提升模型相关能力。
2024-03-06 cs.CL
DeltaVLM: Interactive Remote Sensing Image Change Analysis via Instruction-guided Difference Perception
School of Information Science and Technology, Beijing Foreign Studies University(信息科学与技术学院,北京外国语大学)
本研究提出遥感影像变化分析新范式,构建ChangeChat-105k数据集,推出DeltaVLM架构,通过差异感知与指令对齐实现交互式变化分析,性能达当前最优。
2025-07-30 cs.CV
PPTC Benchmark: Evaluating Large Language Models for PowerPoint Task Completion
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院)
针对大语言模型复杂多模态工具使用能力评估空白,研究提出PPTC基准与PPTX-Match评估系统,测试发现GPT-4单轮表现最优但多轮会话准确率仅6%,指出三大核心挑战并开源相关资源。
2023-11-07 cs.CL
Do as I Say, Not as I Do: Instruction-Induction Conflict in LLMs
Future Impact Group(未来影响组)
研究探讨了大型语言模型在面对指令与模式完成之间的冲突时的表现,发现指令遵循率在不同模型和指令下差异显著,输出多样性是预测鲁棒性的主要因素。
2026-09-02 cs.AI cs.CL
Show and Tell: Prompt Strategies for Style Control in Multi-Turn LLM Code Generation
针对多轮LLM代码生成中的风格控制问题,本研究对比三类提示策略在两轮代码生成-增强流程中的表现,发现指令与示例结合的提示可实现最稳定的风格控制效果。
2025-11-17 cs.CL cs.SE
Ask-to-Clarify: Resolving Instruction Ambiguity through Multi-turn Dialogue
College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China(复旦大学计算机科学与人工智能学院);Shanghai Innovation Institute, Shanghai, China(上海创新研究院);Mechanical Systems Control Lab, UC Berkeley, California, USA(伯克利机械系统控制实验室)
本文提出Ask-to-Clarify框架,通过多轮对话解决指令歧义问题,结合视觉语言模型和扩散模型,采用两阶段知识绝缘策略训练,实现多任务中更高效的协作式具身代理。
2026-07-07 cs.CV cs.RO
Chinese-Vicuna: A Chinese Instruction-following Llama-based Model
该研究通过LoRA微调LLaMA架构开发开源中文指令遵循模型Chinese-Vicuna,整合混合数据集与4位量化技术,实现消费级GPU部署,在多任务中表现优异,为中文大语言模型应用提供通用基础。
2025-04-17 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
RoleMRC: A Fine-Grained Composite Benchmark for Role-Playing and Instruction-Following
Tencent YouTu Lab(腾讯优图实验室);King’s College London(伦敦国王学院);University of Warwick(华威大学);The Alan Turing Institute(阿兰·图灵研究所)
本文提出 RoleMRC 复合基准,通过多轮对话、角色扮演式阅读理解及复杂嵌套指令,细粒度评估 LLM 的角色扮演与指令遵循能力。
2025-02-17 cs.CL
ReviewInstruct: A Review-Driven Multi-Turn Conversations Generation Method for Large Language Models
OPPO AI Center(OPPO人工智能中心)
本文提出Review-Instruct框架,通过候选者、多个评审者和主席的迭代“提问-回答-评审”过程生成高质量多轮对话数据,微调LLaMA2-13B后在MMLU-Pro和MT-Bench上分别提升2.9%和2%,验证了评审驱动多智能体框架的有效性。
2025-07-04 cs.AI cs.CL
Mitigating Lost in Multi-turn Conversation via Curriculum RL with Verifiable Accuracy and Abstention Rewards
University of Maryland(马里兰大学);Amazon(亚马逊)
本文提出RLAAR框架,通过可验证准确性和回避奖励的课程强化学习,减少多轮对话中因提前回答导致的性能下降,提升模型可靠性。
2026-04-29 cs.AI cs.CL cs.LG
ProcTag: Process Tagging for Assessing the Efficacy of Document Instruction Data
College of Computer Science, Zhejiang University(浙江大学计算机科学学院);Alibaba Group(阿里巴巴集团)
本文提出ProcTag方法,通过对指令执行过程而非文本进行标记来评估文档指令数据效用,并结合DocLayPrompt提示策略,实现高效采样,仅需30.5%指令即可达到完整数据集100%的效用。
2025-03-12 cs.CL cs.CV
Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding
UCSF(加利福尼亚大学旧金山分校);UC Berkeley(加利福尼亚大学伯克利分校);MSK Cancer Center(纪念斯隆-凯特琳癌症中心);CMU(卡内基梅隆大学);University of Virginia(弗吉尼亚大学)
针对视觉语言模型在医学领域多轮对话中的幻觉问题,提出一种基于临床推理符号化表示的对齐算法,利用 GPT-4 生成指令微调数据并构建自动奖励函数,无需人工参与即可训练出在多轮医学对话中表现优异的 Dr-LLaVA 模型。
2024-10-10 cs.AI cs.CL cs.CV
Lost in Contrast: Instruction-Preserving Decoding for Reliable Visual Question Answering
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院)
针对视觉对比解码会误将受支持弃权转为错误答案的问题,提出指令保留解码,在VizWiz、Food-101数据集上的9个模型中多数表现优于基线,可同时支持正确答案与受支持弃权。
2026-10-14 cs.CL cs.CV
Turning English-centric LLMs Into Polyglots: How Much Multilinguality Is Needed?
University of Zurich(苏黎世大学);Textshuttle;ETH Zurich(苏黎世联邦理工学院);University of Edinburgh(爱丁堡大学)
本文研究英语中心大语言模型实现跨语言泛化所需的最少多语言微调量,发现仅用两到三种语言进行多语言指令微调即可有效激发跨语言能力,且对生成式任务尤其有益。
2024-10-03 cs.CL
Epistemic Policy Divergence in Multi-Turn LLM Contamination: A Protocol-Gradient Investigation
Institut Teknologi Sumatera(苏门答腊理工学院)
本研究提出五种污染协议,揭示多轮LLM中错误前提采纳的机制差异,并发现不同模型在权威遵从与指令服从上存在显著分歧,强调对话历史需来源感知设计。
2026-10-12 cs.CL
LLMs Get Lost In Multi-Turn Conversation
Microsoft Research(微软研究院);Salesforce Research(Salesforce 研究)
本文通过大规模模拟评估发现,主流开放与封闭权重LLM在多轮任务中表现平均下降39%,主因是过早假设并锁定错误方案而难以恢复。
2025-05-09 cs.CL cs.HC
ImpRIF: Stronger Implicit Reasoning Leads to Better Complex Instruction Following
ByteDance China(字节跳动中国);School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院);State Key Laboratory of Virtual Reality Technology and Systems, Beihang University(北京航空航天大学虚拟现实技术与系统国家重点实验室)
本文提出ImpRIF方法,通过构建可验证推理图提升大语言模型对隐式推理指令的理解,从而增强复杂指令遵循能力,在五个基准测试中表现优异。
2026-04-20 cs.AI cs.CL
PosterHarness: Turning Scientific Poster Generation into an Auditable Instruction-Following Benchmark
School of Physics, Peking University(北京大学物理学院)
研究针对文本丰富图像模型,缺乏衡量其是否遵循科学传播规范的方法这一问题,提出PosterHarness,将海报生成变为可审计任务,介绍核心方法,展示了相关实验发现及与其他方法的对比结果。
2026-10-23 cs.AI cs.CV cs.SE
Instructions are all you need: Self-supervised 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,复旦大学计算机科学与人工智能学院);School of Data Science, Fudan University(复旦大学数据科学学院);Ant Group(蚂蚁集团)
本文提出一种无需外部监督的自监督强化学习框架,通过直接从指令中生成奖励信号和伪标签来解决多约束任务中稀疏奖励问题,实验表明其在多个领域数据集上表现优异。
2026-04-14 cs.AI cs.CL
BayLing: Bridging Cross-lingual Alignment and Instruction Following through Interactive Translation for Large Language Models
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
BayLing通过交互式翻译任务将英语的语言生成和指令跟随能力迁移至其他语言,基于LLaMA构建的130亿参数模型,性能接近GPT-3.5-turbo,并发布了测试集BayLing-80。
2023-06-21 cs.AI cs.CL
Multi-modal Preference Alignment Remedies Degradation of Visual Instruction Tuning on Language Models
TIFIN Inc(TIFIN公司);KAUST(阿卜杜拉国王科技大学);University of Massachusetts Boston(马萨诸塞大学波士顿分校)
针对VQA数据导致MLLM语言能力退化的问题,提出用细粒度标注的小型偏好数据集结合DPO进行多模态对齐,在MT-Bench、MM-Vet等基准上显著提升指令跟随与视觉性能。
2024-11-05 cs.AI cs.CL cs.CV
Fine-tuning Large Language Models with Sequential Instructions
School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
本文提出顺序指令微调方法,通过构建任务链并自动化生成顺序指令,提升大语言模型在编程、数学和开放式生成等复杂多步任务中的指令遵循能力,并推出 SeqEval 基准加以验证。
2024-07-03 cs.CL
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
When Attention Closes: How LLMs Lose the Thread in Multi-Turn Interaction
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Adobe Research(Adobe研究)
研究揭示LLMs在多轮对话中因注意力关闭导致任务目标丢失的现象,提出目标可访问性比率(GAR)及通道转换框架,分析不同架构下目标相关行为的生存机制及失败模式。
2026-10-07 cs.AI cs.CL
Instruction-Following Speech Recognition
Apple(苹果公司);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
本文提出指令跟随语音识别,训练 Listen-Attend-Spell 模型从零开始理解并执行自由形式文本指令,在 Librispeech 上无需 LLMs 或预训练模块即可完成转录操作、摘要及选择性转录等任务,并提升隐私安全性。
2023-09-18 cs.CL cs.LG cs.SD
The Effects of Incremental Instruction Delivery on Language-Model Creative Writing
SGT UNIVERSITY(SGT大学);University of Dhaka(达卡大学);NED University of Engineering and Technology(NED工程技术大学);Metea Valley High School(米蒂亚谷高中)
本研究通过160个创意写作任务和960个匹配对,发现增量指令交付降低约束遵循度并损害结构连贯性,提出创意完整性度量,表明交互式系统需评估要求的连贯整合。
2026-09-29 cs.CL