IBBench-Light 旨在同时评估模型对同一记录的两类外部指令：执行（apply）和阅读（read）。通过 12 种语义基底，每个模型产生 144 对匹配的响应；四个量化指令模型共生成 1,152 条贪婪响应。
配对精确契约准确率（PECA）要求配对中的两条响应均满足各自的输出契约。Qwen 在 132 条执行提示和 109 条处理提示上取得成功，但完整配对仅有 97 对，揭示了单独平均值可能掩盖的细节。
我们审计了字面目标暴露和大小写归一化，并加入 1,722 条记录的 CPU 生成用于指令缺失的对照实验，扩展至 12 种额外语义基底、基底内部措辞变化以及生成停止策略。
在固定 Phi 的复现中，修改结束符（EOS）集合使配对成功率从 0/144 跃升至 62/144。随后进行的受限 IHEval 对比使用相同的 SmolLM2 检查点和输出预算，同时保持其公开的指令角色和评分器。该基准衡量条件任务和输出契约的成功率，任务边际和配对计数必须结合停止策略一起解读。
点评：IBBench-Light 通过配对视角揭示了模型在不同指令下的细粒度表现差异，强调了停止策略和输出契约在评估中的关键作用。