当语言模型收到来自不同优先级层级的相互冲突指令时,它究竟会遵循哪一条?这一问题正是可靠部署大语言模型(LLM)的核心所在。现有基准测试仅能部分回答该问题:它们往往仅关注指令层级结构中的某一条边界(如系统与用户之间),或仅对公开数据集进行有限适配,且在工具调用场景下的覆盖范围十分不足。为此,我们提出 IH-Benchmark——一个以指令冲突为中心、专门用于评估指令层级鲁棒性的新型基准,涵盖两类典型冲突:一是系统与用户之间的直接冲突(S>U),二是经由工具中介的用户与工具输出之间的冲突(U>T)。IH-Benchmark 基于人工构建的分类体系,涵盖通用、医疗、金融、零售及编程五大领域,共归纳出 44 类约束类型;其评测采用统一的二元通过/失败判定协议,结合一种谓词式领域特定语言(Predicate DSL)与按类别划分的大语言模型评判器(category-scoped LLM judges)。在所评估的 37 个模型中,指令层级合规率跨度极大,从 98.2% 到 20.5% 不等。我们发现,系统-用户(S>U)层面的强合规性并不能可靠地预测用户-工具(U>T)层面的鲁棒性:若干模型虽能在用户直接挑战系统指令时有效维持系统约束,却在工具输出中出现冲突指令时性能急剧下降。进一步开展约束强化(constraint hardening)实验后,我们还观察到模型间存在明显分化:部分模型的失败可通过增强警告提示得到显著改善,而另一些模型的缺陷则在所有严格程度下均持续存在。最后,最具揭示性的失效案例往往并非显而易见的严重风险(如执行非法交易或批量关闭工单),而是更为隐蔽的偏差——例如,模型对擅自插入免责声明或细微事实性扭曲的抵抗能力,远弱于其对未经授权购买行为或批量工单关闭的抵制能力。上述结果表明,指令层级鲁棒性并非单一能力,而是一组需在多种冲突界面(conflict surfaces)、各类约束类型(constraint types)以及不同攻击呈现形式(attack presentations)下分别检验的复合行为。

