PRISM：通过结构化多模态数据合成实现优先级感知的规则内化
多模态指令跟随是当前 AI 研究的热点，但现实世界的指令往往包含多个重要性不同的要求，而现有训练数据大多只关注单一问题。针对这一差距，来自多所机构的研究团队提出了 PRISM 框架，通过结构化数据合成，让模型学会理解并执行带优先级的规则，在少量数据下大幅提升多规则指令跟随能力。
从“生成者”到“执行者”：规则理解的新视角
传统上，模型被视为根据规则生成答案的“生成者”，评估标准是与标准答案的匹配度。而 PRISM 提出了 规则理解（Rubric Comprehension）的新范式，将模型视为规则的“执行者”：给定一张图片和一组有优先级的规则，模型需要先逐条验证每条规则，再给出整体判断。这种设定更贴近真实场景，例如在医疗影像分析中，医生可能要求模型先关注病灶区域，再考虑其他特征。
PRISM：四阶段数据合成框架
为了支持这一新范式，团队设计了 PRISM，一个四阶段的数据合成流程：
- 生成人物-任务对：模拟不同用户角色和任务场景，确保数据多样性。
- 前缀引导的规则集：通过前缀提示生成规则，每条规则带有明确的优先级。
- 质量过滤：使用自动化指标过滤低质量规则，保证数据可靠性。
- 结构化验证轨迹：生成模型逐步验证规则的推理轨迹，作为监督信号。
通过这一流程，团队构建了 PRISM-Eval 评估基准，其 Loose 和 Strict 指标采用确定性匹配，无需额外的判别模型，评估过程更客观、可复现。
实验效果：小数据，大提升
在 仅 10,000 条合成样本 的训练下，PRISM 将 Qwen3-VL-4B 在 PRISM-Eval 上的严格准确率从 9.5% 提升至 30.1%，同时保持了在通用基准上的平均性能。更重要的是，这种提升可以迁移到另外四种开源多模态大模型上，涵盖密集和 MoE 架构，表明结构化规则监督是提升多规则、优先级感知指令跟随能力的可扩展路径。
意义与展望
PRISM 的价值在于，它提供了一种低成本、可扩展的数据合成方法，使模型能够更好地处理复杂指令。未来，这一框架有望应用于更多场景，如自动驾驶、智能客服等，让 AI 更精准地理解人类意图。不过，研究团队也指出，当前实验规模有限，更广泛的适用性仍需进一步验证。
对于关注多模态 AI 发展的读者，PRISM 提供了一种新的思路：与其让模型在答案生成上精益求精，不如教会它如何遵循规则。