IFBench：大模型指令跟随能力评测基准详解

IFBench 是一个针对大语言模型（LLM）指令跟随能力的评测基准。该基准聚焦于模型对新颖、复杂约束的泛化表现，通过 58 个可验证的单轮任务进行评估。发布于 2025 年 7 月，该基准旨在揭示模型在未见指令下的精确执行水平。目前，主流模型在该基准上的得分普遍低于 50%，显示出指令跟随的潜在局限。

现有指令跟随评测的局限

当前的大模型评测中，指令跟随能力评估面临若干挑战。首先，许多基准如 IFEval 依赖于有限的指令类型，导致模型在训练过程中容易过拟合特定模式。其次，现有的任务往往缺乏多样性和复杂性，无法覆盖真实场景中的多重约束，例如结合格式、逻辑和领域特定要求的指令。此外，评估方法多依赖人工判断，引入主观偏差，而可验证性不足使得结果难以复现。这些问题使得现有评测难以准确反映模型的泛化能力，尤其在处理出分布指令时。

IFBench 的背景与目标

IFBench 由 Allen Institute for AI（Allen AI）开发，于 2025 年 7 月 3 日通过 arXiv 论文《Generalizing Verifiable Instruction Following》正式发布。论文作者包括来自 Allen AI 的研究人员，如 Nat O. Lambert 等。该基准的开发源于对现有指令跟随评测的不足观察，旨在解决模型在面对新型、挑战性指令时的可靠性问题。具体而言，IFBench 针对以下核心问题：一是模型对未见约束的泛化不足；二是缺乏可自动验证的评估标准；三是现有基准任务的分布偏差，导致高分模型在实际应用中表现不稳。通过引入多样化的、可验证的任务，IFBench 提供了一个更严谨的框架，用于量化模型的指令执行精确度。