Multi-IF
多轮多语言指令跟随评测（扩展 IFEval）
基本信息
30 秒看懂
多轮多语言指令跟随（扩展 IFEval）：8 语种 4,501 组对话、每组 3 轮，准确率口径；论文实测 o1-preview 从第 1 轮 0.877 降到第 3 轮 0.707，读分看轮次衰减与非拉丁文字语言的额外落差。
采用格局：Qwen 引用；Meta 发布
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布（收录 2 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-04-29
Alibaba / Qwen·国内
本发布含 8 个变体，各变体规格见模型详情。
Qwen3 以「Think Deeper, Act Faster」发布，Qwen3-235B-A22B 为混合思考 MoE 旗舰。评测覆盖推理、编码与多语言，亮点如 ArenaHard 95.6%、AIME'24 85.7%。
开源权重混合思考推理多语言
查看模型变体与证据
Qwen3-235B-A22B · 8 languages 71.9Qwen3-30B-A3B · 8 languages 72.2
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。