一、文章主要内容总结该研究针对现有大语言模型（LLMs）评估过度依赖单一指令模板、忽视模型对指令风格敏感性的问题，提出了多维度评估框架RCScore，核心围绕“指令风格如何影响模型响应一致性与任务准确性”展开系统研究：研究背景：现有LLM评估多依赖准确率、F1分数等传统指标，或采用LLM自评估范式，存在评估片面、客观性不足、未考虑指令风格影响等缺陷。而已有研究表明，指令的表述方式（如句式、措辞）会显著影响模型性能，单一模板评估无法反映模型真实鲁棒性。实验设计：选取4个推理类基准数据集（AIME 2024、GSM8K、MATH-500、GPQA-Diamond），覆盖数学、科学等不同复杂度任务；纳入10个开源指令微调LLM（含Gemma 3、Qwen 2.5、Llama 3三大系列，参数规模3B-72B）；设计4种语义一致但风格不同的指令模板（陈述式、疑问式、感叹式、祈使式），控制词汇复杂度确保无语义偏移；采用束搜索（temperature=1.0）和贪心搜索（temperature=0.0）两种解码策略。核心框架RCScore：从三个维度量化模型响应一致性：结构性（Structurality）：通过依存句法分析衡量句法模式相似度；
