该文综述多项研究，评估语言模型在指令遵循与可控文本概括上的表现。结果显示，指令可控概括仍是难题，存在多种错误与性能差异；模型在复杂指令、对抗性指令及细粒度约束下明显落后于人类，且易过拟合指令短语。代码任务中，指令模型零样本具竞争力，少样本示例常有益但不稳定，微调可进一步提升性能。研究还发布IntruSum、CELLO、IFEval、FollowEval、FollowBench等基准，推动后续研究。