近期，AI技术迅速发展，但模型在指令遵循方面表现不一。美团M17团队推出Meeseeks评测基准，专注于评估模型的指令遵循能力。评测结果显示，o3-mini系列模型表现优异，Claude系列紧随其后，而DeepSeek和GPT-4o排名较低。Meeseeks通过细化评测框架和多轮纠错模式，揭示了模型的自我纠错潜力，为未来优化提供了方向。
本研究解决了现有指令跟随基准在多轮交互中缺乏自我纠正能力的问题。通过模拟真实的人机互动，Meeseeks 引入了迭代反馈过程，使模型能够根据特定要求的失败进行自我纠正，从而更好地反映现实用户的使用模式。研究发现，Meeseeks 提供了对 LLM 实际应用中指令跟随能力的深刻见解。
完成下面两步后，将自动完成登录并继续当前操作。
