研究：大模型从规则描述中学习比从示例中学习更可靠
arXiv论文通过五类任务对比发现，模型从规则中学习通常比单靠示例更可靠；在规则之上追加示例或单纯扩大示例数量，并未带来持续且显著的提升。
AI解读：这条新闻的核心是：论文通过五类任务（游戏、算术、语言推理）的系统对比发现，让大模型从规则描述中学习（即指令跟随）通常比给它一堆输入输出示例（即少样本提示）更可靠。这意味着提示工程可能被过度依赖了——很多场景下，与其费力收集大量示例，不如把任务规则写清楚。对普通用户，这提示你在用AI时，如果任务规则明确，优先描述规则；但要注意，论文也指出在需要分布敏感性或依赖模型参数知识的任务中，规则的相对优势会变小，所以示例并未失效。对开发者而言，指令微调能放大规则学习的优势，且不损伤示例学习能力，这为提示设计和模型训练提供了选择依据。不过这些结论基于特定任务和模型，实际效果还需在自己的场景中验证。
一项发表于arXiv的研究（编号arXiv:2609.03213）对比了两种上下文学习方式——从规则描述学习（指令跟随）与从输入输出示例学习（少样本提示）——的效果。论文作者为Xiang Fu、Seungmin Cho、Yukyung Lee和Najoung Kim，提交于 2026 年 9 月 2 日。研究发现，在涵盖游戏、算术和语言推理的五类任务中，模型从规则中学习通常比仅从示例中学习更可靠；在规则之上增加示例或单纯扩大示例数量，并未带来持续且显著的改进。
研究还发现：指令微调放大了基于规则学习的优势，同时保持了基于示例学习的能力；在基础模型中，示例学习并未表现出特殊优势，在代数任务中规则仍带来收益。整体上，当任务涉及代数抽象与计算时，规则相对示例的优势更大；当任务需要分布敏感性或依赖参数知识时，这种优势较小。