如果面前有兩個(gè)AI助手：一個(gè)很聰明但經(jīng)常不守規(guī)矩，另一個(gè)很聽話但不太聰明，你會怎么選？

最近，上海人工智能實(shí)驗(yàn)室與香港中文大學(xué)的研究團(tuán)隊(duì)發(fā)布了論文《Scaling Reasoning, Losing Control: Evaluating Instruction Following in Large Reasoning Models》，通過一個(gè)全新的評測基準(zhǔn)MathIF揭示：

大模型越擅長復(fù)雜推理，越容易忽略用戶的指令要求，“聰明”和“聽話”之間存在明顯的矛盾。

這項(xiàng)工作的靈感，源自實(shí)際使用推理模型（如o3）過程中的一個(gè)意外發(fā)現(xiàn)：相比許多經(jīng)過強(qiáng)化推理訓(xùn)練的大模型，GPT-4o在執(zhí)行具體指令時(shí)反而更加“聽話” 。也正是這種“越聰明、越不聽話”的真實(shí)體驗(yàn)，讓研究團(tuán)隊(duì)開始系統(tǒng)性地研究推理能力與指令跟隨之間的關(guān)系。

這一研究也引來??知名博主的轉(zhuǎn)發(fā)：

研究揭示越擅長數(shù)學(xué)推理的模型反而越難完全遵守指令，同時(shí)分析了模型大小與服從性的非正相關(guān)現(xiàn)象，強(qiáng)調(diào)了推理能力與指令遵循之間的權(quán)衡。

MathIF：衡量推理模型“聽話程度”的新基準(zhǔn)

MathIF基準(zhǔn)專門針對數(shù)學(xué)推理任務(wù)，考察AI模型是否嚴(yán)格遵循用戶給出的指令要求。這些要求包括格式、語言、長度和特定關(guān)鍵詞使用，均可通過程序自動驗(yàn)證。

MathIF由來自不同難度的數(shù)學(xué)題目組成，涵蓋了從簡單的數(shù)學(xué)問題（GSM8K）到復(fù)雜的數(shù)學(xué)競賽題目（AIME）。每個(gè)題目都會附帶具體而明確的指令，比如：“答案必須以一句中文完整作答，不能有多余解釋。”

此外，MathIF還設(shè)計(jì)了單一指令、雙重指令和三重指令的組合情形，以測試模型在不同約束復(fù)雜程度下的表現(xiàn)。模型不僅需要正確解題，還要嚴(yán)格遵守這些指令要求。

自動評分程序會精確檢查答案是否符合每個(gè)具體的指令標(biāo)準(zhǔn)，分別以硬準(zhǔn)確率（HAcc）和軟準(zhǔn)確率（SAcc）衡量模型的服從程度：HAcc 表示是否全部指令都被滿足，而 SAcc 則反映每條指令的平均滿足比例。

△圖表1 MathIF 的指令類型

越聰明越不聽話？實(shí)驗(yàn)揭示“聰明”與“聽話”的矛盾

研究團(tuán)隊(duì)使用MathIF評測了23個(gè)當(dāng)前主流的大模型。這些模型包括不同的參數(shù)規(guī)模和訓(xùn)練方式，涵蓋從數(shù)十億到數(shù)百億參數(shù)的各種類型。

實(shí)驗(yàn)結(jié)果令人意外：在數(shù)學(xué)推理能力表現(xiàn)越出色的模型，反而更難完全遵守用戶給定的指令要求。即使是表現(xiàn)最佳的模型Qwen3-14B，也只能成功遵守一半的指令提示。

此外，模型的大小與其遵守指令的能力并不呈正相關(guān)，甚至有時(shí)會出現(xiàn)負(fù)相關(guān)——即更大的模型并不一定更守規(guī)矩。一些較小的模型反而更善于嚴(yán)格執(zhí)行用戶的指令。

指令遵循（instruction-following）與數(shù)學(xué)推理能力（mathematical reasoning）之間存在一種權(quán)衡關(guān)系（trade-off）。也就是說，當(dāng)模型在推理能力上表現(xiàn)得更強(qiáng)時(shí)，它往往更容易忽略或違反用戶的具體指令。

△圖表2 23個(gè)大推理模型在MathIF上的表現(xiàn)

模型按服從性（HAcc + SAcc）表現(xiàn)從高到低排序。表中?符號表示該模型僅通過監(jiān)督微調(diào)（SFT）訓(xùn)練，未使用推理導(dǎo)向的強(qiáng)化學(xué)習(xí)方法。粗體+下劃線標(biāo)記則分別代表各列指標(biāo)中的前兩名與后兩名。

為什么聰明模型更“不聽話”？

研究團(tuán)隊(duì)進(jìn)一步分析了這個(gè)現(xiàn)象背后的原因：

原因一：推理導(dǎo)向的訓(xùn)練模式

研究發(fā)現(xiàn)，旨在強(qiáng)化模型推理能力的訓(xùn)練方式（如監(jiān)督微調(diào)（SFT）和強(qiáng)化學(xué)習(xí)（RL）），雖然顯著提升了模型的“智力”，卻在一定程度上削弱了其對具體指令的敏感性。

這類模型往往更專注于如何準(zhǔn)確解題，而容易忽視諸如格式、字?jǐn)?shù)等細(xì)節(jié)要求。正如圖3所示，無論是SFT還是RL，推理導(dǎo)向訓(xùn)練雖然提升了解題表現(xiàn)，卻普遍導(dǎo)致模型在指令遵循能力（HAcc與SAcc）上的下降。

△圖表3 推理導(dǎo)向訓(xùn)練策略的對比

其中Avg. Acc.表示在所有基準(zhǔn)任務(wù)上的平均表現(xiàn)。綠色和紅色背景分別表示相較于基礎(chǔ)模型性能的提升和下降。

原因二：長推理鏈降低服從性

模型輸出的推理過程越長（“鏈?zhǔn)剿伎肌痹綇?fù)雜），越容易“忘記”指令要求。長段的復(fù)雜推理過程，容易讓模型注意力分散，最后導(dǎo)致違背用戶指令。如下圖，將模型的推理結(jié)果按照長度進(jìn)行分桶，推理長度越長，模型的指令遵循準(zhǔn)確率越低。

△圖表4 不同推理鏈長度區(qū)間下的HAcc和SAcc表現(xiàn)

長度分桶編號越大表示生成的推理鏈越長。

研究團(tuán)隊(duì)通過實(shí)驗(yàn)進(jìn)一步驗(yàn)證了這一現(xiàn)象：當(dāng)模型被引導(dǎo)生成更長的推理過程時(shí)，其遵循指令的準(zhǔn)確率會明顯下降。

具體做法是，在模型推理結(jié)束前人為添加“wait”等提示，迫使其繼續(xù)延長思考過程，從而生成更長的推理鏈。如下圖所示，“思考越多”，模型對指令的執(zhí)行反而越不準(zhǔn)確。

△圖表5 模型指令跟隨能力的變化趨勢

此外，研究團(tuán)隊(duì)還通過在訓(xùn)練階段控制模型的推理長度，進(jìn)一步觀察其指令跟隨能力的變化。

具體而言，他們在強(qiáng)化學(xué)習(xí)（RL）的 rollout 階段設(shè)置最大生成長度限制，超過該長度的回復(fù)將無法獲得獎勵，從而間接壓縮模型的推理鏈長度。

從下圖可以看出，限制推理長度有助于顯著提升模型的指令遵循能力（HAcc和SAcc）。當(dāng)最大長度控制在1k以內(nèi)時(shí)，模型在服從性方面的表現(xiàn)甚至超過了原始基線模型。

然而，這種提升也帶來了代價(jià)：模型的數(shù)學(xué)推理能力明顯下降，表現(xiàn)出“聽話”和“聰明”之間的權(quán)衡關(guān)系。

△圖表6 RL訓(xùn)練中最大響應(yīng)長度的影響

紅色區(qū)域表示相較于基礎(chǔ)模型（Original）性能下降，顏色越深表示下降幅度越大。

這些現(xiàn)象進(jìn)一步印證了研究團(tuán)隊(duì)的結(jié)論：偏向生成更長推理鏈的推理導(dǎo)向訓(xùn)練，往往會在無意中削弱模型對指令的遵循能力，凸顯了推理能力與指令服從性之間長期存在的權(quán)衡關(guān)系。

小技巧：讓模型更“聽話”的簡單方法

研究者也嘗試了一個(gè)簡單的方法改善模型的“聽話程度”：在模型推理結(jié)束后，輸出答案之前，再次重復(fù)一遍指令要求。

結(jié)果顯示，這種方法拉近了指令和回復(fù)的距離，確實(shí)有效提升了模型的指令遵守能力，但同時(shí)也稍微降低了模型回答問題的準(zhǔn)確率。模型為了遵守規(guī)則，不得不犧牲一點(diǎn)自己的數(shù)學(xué)推理能力。

△圖表7 通過在推理后重復(fù)指令提升指令遵循能力。

當(dāng)前主流的推理導(dǎo)向訓(xùn)練方式，雖然顯著提升了模型的解題能力，卻不可避免地削弱了其對指令的遵循能力。AI的“聰明”與“聽話”之間，正面臨一場難以調(diào)和的矛盾。

未來，MathIF基準(zhǔn)有望構(gòu)建既能深入思考，又能嚴(yán)格守規(guī)矩的大模型。

論文地址：https://arxiv.org/pdf/2505.14810

Github地址：https://github.com/TingchenFu/MathIF