阿里发布的Qwen-Image-2.0模型支持1K token长文本输入，能准确理解复杂指令，中文渲染效果显著提升。该模型在图像生成和编辑方面表现优异，适合日常使用。

上海AI实验室发布新基准RISEBench，评测图像编辑模型的理解能力。GPT-4o-Image仅完成28.9%的任务，开源模型BAGEL仅5.8%。新基准考察时间、因果、空间和逻辑推理，显示当前模型在复杂指令理解上存在显著不足。

本研究提出了一种新颖的结构化推理方法ARQs，显著提升了大型语言模型在复杂指令下的表现，尤其在多轮对话中成功率达到90.2%。

本研究提出了AIR框架，以解决大语言模型在处理复杂指令时的挑战。通过自动迭代生成符合实际场景的指令，构建了包含10K复杂指令的AIR-10K数据集，显著提升了模型性能。

本研究提出了一种新技术——约束反向翻译，旨在提高大型语言模型（LLMs）对复杂指令的遵循能力。研究表明，在CRAB数据集上进行后训练显著提升了多个LLMs的表现。

研究多模式指令导航（MINT），旨在使智能代理能够理解自然语言和图像。提出的移动VLA策略结合视觉语言模型与低层导航，成功应对复杂指令，如“我应该把这个放在哪里？”，在真实环境中表现出高成功率。

本研究系统分析了复杂指令理解的现状，回顾了177篇论文，识别出趋势与挑战，提供背景知识，促进不同研究方向的联系，并强调未来研究机会。

文章介绍了一种数据增强技术，通过分解、修改和重构复杂指令，保持其上下文和复杂性，同时引入变化。利用该方法开发的DeMoRecon数据集用于微调和评估大型语言模型，结果显示模型在指令追踪和常用基准上性能显著提升。