★ 3
arXiv 论文构建 WhoWins 基准，实测 LLM 智能体指令冲突
研究团队构建 WhoWins 基准，含 1080 个代码评分场景与七组控制实验，测试 14 个开放权重模型（0.6B 至 122B）共 188 万余条回复。结果显示同一消息内两条冲突指令中先出现者胜率 72%–95%，跨消息则降至 23%–63%；系统消息中的策略在 Qwen 系列上多数落败，而 …
arXiv NLP6 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究团队构建 WhoWins 基准，含 1080 个代码评分场景与七组控制实验，测试 14 个开放权重模型（0.6B 至 122B）共 188 万余条回复。结果显示同一消息内两条冲突指令中先出现者胜率 72%–95%，跨消息则降至 23%–63%；系统消息中的策略在 Qwen 系列上多数落败，而 …