该研究提出了一种新的在线指令数据挖掘框架，重点关注提示鲁棒性对指令数据选择的影响。通过生成对抗指令数据，实验结果验证了该方法在实际应用中的有效性。

本文综述多项大语言模型评估研究：提出结合提示性大语言模型的对话评估框架，在DSTC11鲁棒性与多语言任务中领先；EvalLM让开发者以自然语言标准迭代改进提示；StudentEval用学生提示评测代码模型；LLMBar元评估基准考察LLM评判指令遵循文本的能力；并提出提示分类法、统一评估库PromptBench、多维对话评估方法LLM-Eval，研究提示鲁棒性、语义信息对代码摘要的增益及LLM替代人工评估的可行性。