Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：

When Thinking Fails: The Pitfalls of Reasoning for Instruction-Following in LLMs

Summary

这篇研究探讨了大型语言模型（LLMs）中一个令人惊讶的现象：显式推理，例如通过思维链（CoT）提示，反而会降低模型遵循指令的准确性。作者在两个不同的基准测试（IFEval和ComplexBench）上评估了15个模型，结果一致显示性能下降。通过案例研究和基于注意力的分析，研究人员发现推理有时会通过分散模型对指令关键部分的注意力来损害性能，尽管它在格式或词汇精度方面可能有所帮助。为了解决这个问题，研究提出了四种缓解策略，其中分类器选择性推理被证明能最有效地恢复丢失的性能。这项工作是首次系统地揭示了推理在指令遵循中可能导致的失败，并提供了实用的缓解方法。

原文链接：https://arxiv.org/abs/2505.11423