DeCLIP：面向开放词汇密集感知的解耦学习方法

指令遵循（Instruction Following）任务用于评估大语言模型（LLMs）在生成符合用户定义约束条件的输出方面的能力。然而，现有的评测基准往往依赖模板化的约束提示词，缺乏真实世界使用场景中的多样性，也限制了对模型表现的细粒度评估。为弥补这一差距，我们提出了一个多维度约束框架，涵盖三种约束模式，四类约束类别，四个难度等级。 在此框架基础上，我们构建了一条自动化指令生成流程，能够执行约束扩展、冲突检测与指令重写，最终生成了 1,200 条可通过代码验证的指令遵循测试样本。我们对来自 七大模型系列的 19 个 LLM 进行了评估，发现模型在不同类型约束下的表现存在显著差异。例如，平均准确率从难度等级 I 的 77.67% 降至等级 IV 的 32.96%。此外，我们进一步展示了该方法在强化学习数据生成中的实用性：利用生成的样本对模型进行训练，可以在不损害整体性能的前提下，显著提升其在指令遵循任务中的表现。深入分析表明，这一性能提升主要来源于模型注意力模块参数的优化，增强了其对约束的识别与遵守能力。