对13个模型的测试量化了历史示例与当前指令冲突时的服从失效。
推荐理由：实验用最多50轮相反示例挑战16类明确指令，隔离出模式续写与指令服从的竞争；结果可解释长对话中模型为何逐步偏离系统预期。
阅读原文