Meta 全新发布的基准 Multi-IF 涵盖八种语言、4501 个三轮对话任务，全面揭示了当前 LLM 在复杂多轮、多语言场景中的挑战。所有模型在多轮对话中表现显著衰减，表现最佳的 o1-preview 模型在三轮对话的准确率从 87.7% 下降到 70.7%；在非拉丁文字语言上，所有模型的表现显著弱于英语。 在大语言模型（LLMs）不断发展的背景下，如何评估这些模型在多轮对话和多语言环境下的指令遵循（instruction following）能力，成为一个重要的研究方向。 现有评估基准多集中于单…