---
title: Light-IF-14B
canonical_url: "https://www.modelscope.cn/models/360zhinao/Light-IF-14B"
md_url: "https://www.modelscope.cn/models/360zhinao/Light-IF-14B.md"
repository: 360zhinao/Light-IF-14B
last_updated: 2025-11-20
license: apache-2.0
pipeline_tag: text-generation
tasks:
  - text-generation
model_type:
  - qwen3
architectures:
  - Qwen3ForCausalLM
base_model:
  - Qwen/Qwen3-14B
base_model_relation: finetune
parameters: 2.5B
tensor_type:
  - BF16
library_name:
  - transformer
  - safetensors
  - pytorch
frameworks:
  - pytorch
inference_backends:
  - "deploy_task text/emb"
  - "lmdeploy_turbomind 0.9.1"
  - "sglang 0.5.2"
  - "vllm 0.9.2"
downloads: 218
stars: 2
---

# Light-IF-14B

> Light-IF-14B - 360zhinao 在 ModelScope 开源的模型。🤗 Hugging Face &nbsp&nbsp | &nbsp&nbsp 📑 Paper Link &nbsp&nbsp | &nbsp&nbsp 📑 Blog &nbsp&nbsp | &nbsp&nbsp 📑 Github &nbsp&nbsp | &nbsp&nbsp 📑 SuperCLUE-CPIF &nbsp&nbsp

360zhinao/Light-IF-14B 是 ModelScope 魔搭社区上的 2.5B 参数text-generation模型，采用 apache-2.0 许可，基于 Qwen/Qwen3-14B 构建，可用 deploy_task text/emb、lmdeploy_turbomind 0.9.1、sglang 0.5.2 部署。

- **Repository**: 360zhinao/Light-IF-14B
- **License**: apache-2.0
- **Tasks**: text-generation
- **Parameters**: 2.5B
- **Base model**: Qwen/Qwen3-14B
- **Inference backends**: deploy_task text/emb, lmdeploy_turbomind 0.9.1, sglang 0.5.2, vllm 0.9.2
- **Downloads**: 218
- **Stars**: 2
- **Last updated**: 2025-11-20

Source: https://www.modelscope.cn/models/360zhinao/Light-IF-14B

---

<!-- markdownlint-disable first-line-h1 -->
<!-- markdownlint-disable html -->
<!-- markdownlint-disable no-duplicate-header -->

# Light-IF-14B

<div align="center">
  <img src="https://cdn-uploads.huggingface.co/production/uploads/64eeb81ad0ceda46832e0160/b2_eQV04B8xSdYJZnB2FD.png" width="95%" alt="Light-IF-32B" />
</div>
<hr>
<div align="center" style="line-height: 1;">
  🤗 <a href="https://huggingface.co/qihoo360/Light-IF-32B">Hugging Face</a>&nbsp&nbsp | &nbsp&nbsp 📑 <a href="https://arxiv.org/abs/2508.03178">Paper Link</a> &nbsp&nbsp | &nbsp&nbsp 📑 <a href="https://zhuanlan.zhihu.com/p/1936535948360918628">Blog</a> &nbsp&nbsp | &nbsp&nbsp 📑 <a href="https://github.com/Qihoo360/Light-IF">Github</a> &nbsp&nbsp | &nbsp&nbsp 📑 <a href="https://mp.weixin.qq.com/s/pcBrykyK99dfWA5WSqj1jw">SuperCLUE-CPIF</a> &nbsp&nbsp
<br>
  </a>
</div>

## Evaluation 
|Model|SuperClue|IFEval|CFBench|IFBench|
| ---- | ---- | ---- | ---- | ---- |
|Qwen3-14B|0.227|0.898|0.827|0.422|
|Qwen3-32B|0.234|0.877|0.823|0.384|
|Qwen3-235B-A22B|0.244|0.882|0.834|0.423|
|Qwen3-235B-A22B-Thinking-2507|0.434|0.916|0.843|0.475|
|DeepSeek-R1-0528|0.436|0.863|0.827|0.415|
|Doubao-seed-1-6-thinking-250615|0.362|0.832|0.82|0.477|
|Doubao-seed-1-6-thinking-250715|0.345|0.856|0.84|0.366|
|ChatGPT-4o-latest|0.260|0.836|0.807|0.365|
|Deepseek-v3-250324|0.306|0.859|0.833|0.405|
|Doubao-1.5-pro-32k-250115|0.285|0.889|0.797|0.375|
|Kimi-K2|0.227|0.921|0.820|0.395|
|GLM-4.5|0.395|0.893|0.833|0.466|
| [**Light-IF-14B (ours)** 🤗](https://huggingface.co/qihoo360/Light-IF-14B) |**0.589**|**0.962**|**0.833**|**0.697**| 


## SuperCLUE-CPIF
In the latest SuperCLUE-CPIF evaluation, Light-IF-14B (shown as 360zhinao3-o1.5 in the figure below) reached the domestic **SOTA**, outperforming **ERNIE-X1.1** and **DeepSeek-V3.2-Exp-Thinking**. 

SuperCLUE-CPIF (Chinese Precise Instruction Following) is a benchmark designed to assess how well large language models (LLMs) can accurately follow complex, multi-constraint instructions in Chinese.

<p align="left"></p>
<p align="left">
  <img src="https://cdn-uploads.huggingface.co/production/uploads/64eeb81ad0ceda46832e0160/JUB9i0wvj-eROi6bJpbEI.png" alt="" width="600"/>
</p>


## Introduction
**Light-IF-14B** is the most powerful 14B instruction-following model we have open-sourced, even outperforming Light-IF-32B. 

This remarkable performance is largely attributed to our carefully designed curriculum learning strategy. 

During the SFT stage, we increased instruction difficulty; in the two-stage reinforcement learning phase, we introduced even more complex instructions. 

These improvements played a critical role in further boosting the model's capabilities.

<p align="left"></p>
<p align="left">
  <img src="https://cdn-uploads.huggingface.co/production/uploads/64eeb81ad0ceda46832e0160/CPa2Eq6a3o4O9ItzcQgqx.png" alt="" width="600"/>
</p>

## Quickstart

The following contains a code snippet illustrating how to use the model generate content based on given inputs. 
```python
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "qihoo360/Light-IF-14B"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

prompt = "帮我写一份国庆节旅游攻略，要求有8个主题，每个主题的小标题用【】显示。每个主题不少于2句，不超过5句（不包含主题）。整个攻略一共是20行（以单个换行符分割，20行不包括主题）。整个攻略不超过300字。"
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True 
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# parsing thinking content
try:
    # rindex finding 151668 (</think>)
    index = len(output_ids) - output_ids[::-1].index(151668)
except ValueError:
    index = 0

thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")

print("thinking content:", thinking_content)
print("content:", content)
```

**thinking content:**
<div style="max-height:300px; overflow-y:auto; border:1px solid #ccc; padding:10px;">
好的，我现在需要帮用户写一份国庆节旅游攻略，满足几个具体要求。首先，需要8个主题，每个主题的小标题用【】显示。然后每个主题的内容要有2到5句（不包含主题）。整个攻略一共20行，用单个换行符分隔，20行不包括主题。还要不超过300字。

首先，我需要确定国庆节常见的旅游主题，比如景点推荐、美食、交通、住宿、注意事项等等。然后每个主题下要有2-5句内容。接下来，计算总行数。8个主题，每个主题可能包含多少行？需要总行数20行，所以每个主题大约2-3行？

但每个主题的小标题是单独一行吗？比如【主题一】作为一行，然后主题内容行数。所以总行数包括主题行吗？用户说“20行（以单个换行符分割，20行不包括主题）”。可能是指不包括主题的小标题行？需要确认。可能用户的意思是整个攻略中，除了主题小标题之外的内容行是20行？或者整个攻略总行数是20行，其中主题小标题算行吗？可能需要仔细分析。

比如，用户说“整个攻略一共是20行（以单个换行符分割，20行不包括主题）”，所以主题的小标题不计入这20行。那需要主题下的内容行数总和是20行？

然后每个主题需要2-5句，也就是每个主题的内容行数是2-5行？需要8个主题，所以总行数是8个主题各自的内容行数之和等于20行。需要分配每个主题的内容行数。比如，有些主题用3行，有些用2行？

比如，假设大部分主题用2行，可能需要8个主题×2行=16行，不够20行，所以需要部分主题用3行。比如4个主题用3行，4个用2行？这样总行数4×3+4×2=12+8=20行。这样分配可能更合理。

接下来，确定主题：

可能的主题：

1. 【热门景点】
2. 【特色美食】
3. 【交通推荐】
4. 【住宿建议】
5. 【亲子活动】
6. 【摄影打卡】
7. 【购物优惠】
8. 【安全提示】

然后每个主题的内容需要2-5句，不超过300字。现在需要构造每个主题的内容行。

例如：

主题1：热门景点。可能的内容行：
- 长城、故宫等经典景点人流量大，建议提前预约。
- 选择早班或错峰出行更省时。

这样是2行。

主题2：特色美食。可能：
- 北京烤鸭、老北京炸酱面是必尝美食。
- 居庸关长城脚下的农家菜也别有风味。
这样2行？

但可能需要调整行数。比如主题2用3行？

需要总行数20行，8个主题，每个主题的内容行数加起来20行。比如：

假设：

主题1：3行（这样总行数开始是3）

主题2：3行 → 6

主题3：3 →9

主题4：3→12

主题5：3→15

主题6：2→17

主题7：2→19

主题8：1→20？不行，每个主题需要至少2句，即至少2行？用户说每个主题不少于2句，不超过5句（不包含主题）。所以每个主题的内容行数至少2行，最多5行。所以主题8必须至少2行，所以前面可能调整：

比如主题1-6各3行，主题7-8各2行？这样总行数：6×3 +2×2=18+4=22，超过了20，需要调整。

比如主题1-5各3行，主题6-8各（20-5×3）=5行？不，这样可能复杂。另一种分配：

需要总行数20行，8个主题，每个主题2-5行。可能的组合：

比如：

主题行数分布：3,3,3,3,2,2,2,3 →总和是3×5+2×3+3=15+6+3=24？不对，可能需要重新计算。

另一种方式，每个主题的行数：

假设5个主题用3行，3个主题用2行。总行数5×3+3×2=15+6=21，接近20，差1行。所以可能调整其中一个主题用2行，其他4个用3行，3个用2行？

比如：4个主题用3行，4个主题用2行？总行数4×3+4×2=12+8=20行。完美。

这样安排：4个主题3行，4个主题2行。

现在需要确定主题内容：

比如：

主题1：热门景点（3行）

行1：长城、故宫等经典景点人流量大，建议提前预约。

行2：选择早班或错峰出行更省时。

行3：周边小众景点如慕田峪长城人少景美。

这样3行。

主题2：特色美食（3行）

行1：北京烤鸭、老北京炸酱面是必尝美食。

行2：护城河边的胡同小吃摊位提供地道滋味。

行3：注意部分餐厅需提前订位。

3行？

主题3：交通推荐（3行）

行1：地铁是出行首选，国庆期间加密班次。

行2：机场快线直达核心景区，节省时间。

行3：共享单车覆盖主要景点，适合短途。

3行。

主题4：住宿建议（3行）

行1：市中心酒店价格较高，建议提前两周预订。

行2：郊区民宿性价比高，还能体验当地文化。

行3：注意查看住宿的防疫要求。

3行。

然后剩下的4个主题用2行：

主题5：亲子活动（2行）

行1：儿童乐园、科技馆有专门国庆活动。

行2：家长可参与亲子手工课程，增进互动。

主题6：摄影打卡（2行）

行1：天安门广场、国家大剧院是热门取景点。

行2：黄昏时分光线柔和，更容易拍出大片。

主题7：购物优惠（2行）

行1：大型商圈有满减活动，适合囤货。

行2：景区周边小店可淘特色纪念品。

主题8：安全提示（2行）

行1：注意保管随身物品，避免人流拥挤时丢失。

行2：备好常用药品，应对突发小状况。

现在检查总行数：

主题1：3行

主题2：3行 →6

主题3：3→9

主题4：3→12

主题5：2→14

主题6：2→16

主题7：2→18

主题8：2→20行。刚好20行，符合要求。

接下来检查每个主题的句子数是否符合2-5句（不包含主题）。每个主题的内容行数即句子数吗？可能需要调整句子是否完整，每个行是一句话吗？是的，用户可能认为每行是句子。所以每个主题的内容行数等于句子数吗？

比如主题1的3行是3个句子？这样主题1有3句，符合2-5句。

现在需要确保总字数不超过300字。

现在开始写具体内容，计算字数：

主题1：

1. 长城、故宫等经典景点人流量大，建议提前预约。（约25字）

2. 选择早班或错峰出行更省时。（约16字）

3. 周边小众景点如慕田峪长城人少景美。（约20字）→总约25+16+20=61字

主题2：

1. 北京烤鸭、老北京炸酱面是必尝美食。（约18字）

2. 护城河边的胡同小吃摊位提供地道滋味。（约19字）

3. 注意部分餐厅需提前订位。（约12字）→总约18+19+12=49字

主题3：

1. 地铁是出行首选，国庆期间加密班次。（约17字）

2. 机场快线直达核心景区，节省时间。（约16字）

3. 共享单车覆盖主要景点，适合短途。（约16字）→总17+16+16=49字

主题4：

1. 市中心酒店价格较高，建议提前两周预订。（约20字）

2. 郊区民宿性价比高，还能体验当地文化。（约21字）

3. 注意查看住宿的防疫要求。（约13字）→总20+21+13=54字

主题5：

1. 儿童乐园、科技馆有专门国庆活动。（约17字）

2. 家长可参与亲子手工课程，增进互动。（约16字）→33字

主题6：

1. 天安门广场、国家大剧院是热门取景点。（约17字）

2. 黄昏时分光线柔和，更容易拍出大片。（约16字）→33字

主题7：

1. 大型商圈有满减活动，适合囤货。（约15字）

2. 景区周边小店可淘特色纪念品。（约14字）→29字

主题8：

1. 注意保管随身物品，避免人流拥挤时丢失。（约20字）

2. 备好常用药品，应对突发小状况。（约14字）→34字

现在总字数：61+49+49+54+33+33+29+34=392字？超过了300字，不符合要求。

需要调整，减少字数。可能需要缩短句子。

比如主题1的第3句：“周边小众景点如慕田峪人少景美。” 这样减少“长城”两字？或者调整句子结构。

需要总字数不超过300，所以需要缩短每个主题的内容。

可能调整如下：

主题1：

1. 长城、故宫人流量大，建议提前预约。

2. 早班或错峰出行更省时。

3. 慕田峪等小景点人少景美。

这样3行，字数约：18+13+13=44字？

主题2：

1. 北京烤鸭是必尝美食。

2. 胡同小吃摊位有地道滋味。

3. 部分餐厅需提前订位。

3行，约：9+11+8=28字？

主题3：

1. 地铁是出行首选，国庆加密班次。

2. 机场快线直达景区，节省时间。

3. 共享单车覆盖景点，方便短途。

3行，约：16+15+12=43字？

主题4：

1. 市中心酒店价格高，建议提前预订。

2. 郊区民宿性价比高，体验当地文化。

3. 注意查看防疫要求。

3行，约：16+18+8=42字？

主题5：

1. 儿童乐园、科技馆有国庆活动。

2. 家长可参与亲子课程，增进互动。

2行，约：14+13=27字？

主题6：

1. 天安门广场、国家大剧院是热门景点。

2. 黄昏光线柔和，适合拍照。

2行，约：17+10=27字？

主题7：

1. 大型商圈有满减，适合购物。

2. 景区小店可淘纪念品。

2行，约：10+11=21字？

主题8：

1. 注意保管物品，避免丢失。

2. 备好常用药品应对突发状况。

2行，约：12+12=24字？

现在总字数：

主题1:44

主题2:28

主题3:43

主题4:42

主题5:27

主题6:27

主题7:21

主题8:24 →44+28=72, +43=115, +42=157, +27=184, +27=211, +21=232, +24=256字，符合300以内。

现在需要调整句子更简短，确保每个主题内容符合要求。

现在具体写：

【热门景点】

长城、故宫人流量大，建议提前预约。

早班或错峰出行更省时。

慕田峪等小景点人少景美。

（3行）

【特色美食】

北京烤鸭是必尝美食。

胡同小吃摊位有地道滋味。

部分餐厅需提前订位。

（3行）

【交通推荐】

地铁是出行首选，国庆加密班次。

机场快线直达景区，节省时间。

共享单车覆盖景点，方便短途。

（3行）

【住宿建议】

市中心酒店价格高，建议提前预订。

郊区民宿性价比高，体验当地文化。

注意查看防疫要求。

（3行）

【亲子活动】

儿童乐园、科技馆有国庆活动。

家长可参与亲子课程，增进互动。

（2行）→这里之前是2行？但需要主题行数是2行吗？前面分配是主题5用2行，是的。

【摄影打卡】

天安门广场、国家大剧院是热门景点。

黄昏光线柔和，适合拍照。

（2行）

【购物优惠】

大型商圈有满减，适合购物。

景区小店可淘纪念品。

（2行）

【安全提示】

注意保管物品，避免丢失。

备好常用药品应对突发状况。

（2行）

现在检查总行数：

主题小标题行不算，内容行数：

主题1：3行 →行1-3

主题2：3 →4-6

主题3：3→7-9

主题4：3→10-12

主题5：2→13-14

主题6：2→15-16

主题7：2→17-18

主题8：2→19-20

刚好20行？是的。现在检查每个主题的句子数是否符合2-5句。每个主题的内容行数是：

主题1：3句（符合）

主题2：3句（符合）

主题3：3句（符合）

主题4：3句（符合）

主题5：2句（符合）

主题6：2句（符合）

主题7：2句（符合）

主题8：2句（符合）

这样满足每个主题不少于2句，不超过5句。

现在检查总字数是否不超过300字。之前估算大约256字，符合要求。

可能需要调整部分句子，比如“国庆加密班次”是否通顺？“地铁是出行首选，国庆加密班次。” 这样没问题。

现在再检查：

主题1：

1. 长城、故宫人流量大，建议提前预约。（25字？可能更短）

可能需要更简短的句子：

比如“长城、故宫人流量大，需预约。” 这样更简短？

调整后：

主题1：

长城、故宫人流量大，需预约。

早班或错峰出行更省时。

慕田峪等小景点人少景美。

这样字数更少，总字数会减少。

可能这样调整：

主题1：

1. 长城、故宫人流量大，需预约。（16字）

2. 早班或错峰出行更省时。（13字）

3. 慕田峪等小景点人少景美。（15字）→总44字？

可能这样更合适。

现在最终调整：

【热门景点】

长城、故宫人流量大，需预约。

早班或错峰出行更省时。

慕田峪等小景点人少景美。

【特色美食】

北京烤鸭是必尝美食。

胡同小吃摊位有地道滋味。

部分餐厅需提前订位。

【交通推荐】

地铁是出行首选，国庆加密班次。

机场快线直达景区，节省时间。

共享单车覆盖景点，方便短途。

【住宿建议】

市中心酒店价格高，建议提前预订。

郊区民宿性价比高，体验当地文化。

注意查看防疫要求。

【亲子活动】

儿童乐园、科技馆有国庆活动。

家长可参与亲子课程，增进互动。

【摄影打卡】

天安门广场、国家大剧院是热门景点。

黄昏光线柔和，适合拍照。

【购物优惠】

大型商圈有满减，适合购物。

景区小店可淘纪念品。

【安全提示】

注意保管物品，避免丢失。

备好常用药品应对突发状况。

现在检查行数是否20行：

每个主题的内容行：

主题1：3行

主题2：3行 →累计6

主题3：3→9

主题4：3→12

主题5：2→14

主题6：2→16

主题7：2→18

主题8：2→20

是的，刚好20行。

现在检查字数：

大致估算：

主题1: 16+13+15=44

主题2: 9+11+8=28（北京烤鸭是必尝美食→9字？可能需要重新计算字数。）

可能我之前估算方式不太准确，但总字数应该在300以内。例如：

每个行的大致字数：

主题1:

1. 长城、故宫人流量大，需预约。→17字（长城、2，故宫2，人流量大4，需预约3→17？）

可能更准确的方式是数每个句子的字数：

例如：

1. 长城、故宫人流量大，需预约。→17字

2. 早班或错峰出行更省时。→13字

3. 慕田峪等小景点人少景美。→14字（慕田峪等小景点人少景美：慕田峪3，等1，小景点3，人少2，景美2→3+1+3+2+2=11？可能我数的方式有问题，但大概总字数不会超过300。）

不管怎样，现在需要确保总字数不超过300。可能现在这样写是符合要求的。

现在确认：

所有内容行：

行1：长城、故宫人流量大，需预约。

行2：早班或错峰出行更省时。

行3：慕田峪等小景点人少景美。

行4：北京烤鸭是必尝美食。

行5：胡同小吃摊位有地道滋味。

行6：部分餐厅需提前订位。

行7：地铁是出行首选，国庆加密班次。

行8：机场快线直达景区，节省时间。

行9：共享单车覆盖景点，方便短途。

行10：市中心酒店价格高，建议提前预订。

行11：郊区民宿性价比高，体验当地文化。

行12：注意查看防疫要求。

行13：儿童乐园、科技馆有国庆活动。

行14：家长可参与亲子课程，增进互动。

行15：天安门广场、国家大剧院是热门景点。

行16：黄昏光线柔和，适合拍照。

行17：大型商圈有满减，适合购物。

行18：景区小店可淘纪念品。

行19：注意保管物品，避免丢失。

行20：备好常用药品应对突发状况。

现在数一下总字数：

行1：17

行2：13 →30

行3：14→44

行4：9→53（北京烤鸭是必尝美食→9字？“北京烤鸭是必尝美食”共9字？可能需要重新数：

“北京烤鸭是必尝美食”→北京（2）烤鸭（2）是（1）必尝（2）美食（2）→2+2+1+2+2=9？

行5：“胡同小吃摊位有地道滋味。”→胡同（2）小吃（2）摊位（2）有（1）地道（2）滋味（2）→2+2+2+1+2+2？不，句子是“胡同小吃摊位有地道滋味。” 共11字？

可能我之前的方法不太对，但无论如何，总字数大概在20行×平均15字=300字左右？需要更准确计算吗？

可能现在不需要精确到每个字，只要不超过300即可。根据之前的调整，应该没问题。

现在确认每个主题的小标题用【】显示，所以最终的攻略结构是：

【热门景点】

长城、故宫人流量大，需预约。

早班或错峰出行更省时。

慕田峪等小景点人少景美。

【特色美食】

北京烤鸭是必尝美食。

胡同小吃摊位有地道滋味。

部分餐厅需提前订位。

【交通推荐】

地铁是出行首选，国庆加密班次。

机场快线直达景区，节省时间。

共享单车覆盖景点，方便短途。

【住宿建议】

市中心酒店价格高，建议提前预订。

郊区民宿性价比高，体验当地文化。

注意查看防疫要求。

【亲子活动】

儿童乐园、科技馆有国庆活动。

家长可参与亲子课程，增进互动。

【摄影打卡】

天安门广场、国家大剧院是热门景点。

黄昏光线柔和，适合拍照。

【购物优惠】

大型商圈有满减，适合购物。

景区小店可淘纪念品。

【安全提示】

注意保管物品，避免丢失。

备好常用药品应对突发状况。

现在检查是否符合所有要求：

- 8个主题，小标题用【】显示：是。

- 每个主题不少于2句，不超过5句：每个主题的内容行数是3或2，符合。

- 整个攻略一共20行（不包括主题）：是的，20行。

- 不超过300字：大概估算：

行1-3：主题1的3行，约17+13+14=44字

行4-6：主题2的3行，约9+11+10=30字（假设部分餐厅需提前订位→10字）

行7-9：主题3的3行，约16+12+12=40字（地铁是出行首选，国庆加密班次→16字？可能需要更准确：地铁是出行首选，国庆加密班次→14字？）

不管怎样，总字数大概在44+30+40+40+30+30+20+20=244字？应该远低于300，符合要求。

现在可能需要调整部分句子，使更流畅。

比如主题4的“注意查看防疫要求。” 是一句，没问题。

主题7的“大型商圈有满减，适合购物。” 是一句。

现在确认所有内容符合要求，没有问题。

这样应该满足用户的所有要求了。
</div>

**content:**
<div style="max-height:300px; overflow-y:auto; border:1px solid #ccc; padding:10px;">
【热门景点】

长城、故宫人流量大，需预约。

早班或错峰出行更省时。

慕田峪等小景点人少景美。

【特色美食】

北京烤鸭是必尝美食。

胡同小吃摊位有地道滋味。

部分餐厅需提前订位。

【交通推荐】

地铁是出行首选，国庆加密班次。

机场快线直达景区，节省时间。

共享单车覆盖景点，方便短途。

【住宿建议】

市中心酒店价格高，建议提前预订。

郊区民宿性价比高，体验当地文化。

注意查看防疫要求。

【亲子活动】

儿童乐园、科技馆有国庆活动。

家长可参与亲子课程，增进互动。

【摄影打卡】

天安门广场、国家大剧院是热门景点。

黄昏光线柔和，适合拍照。

【购物优惠】

大型商圈有满减，适合购物。

景区小店可淘纪念品。

【安全提示】

注意保管物品，避免丢失。

备好常用药品应对突发状况。
</div>

For deployment, you can use `sglang>=0.4.6.post1` or `vllm>=0.8.5` or to create an OpenAI-compatible API endpoint.

## Citation
```
@misc{lightifproj,
      title={Light-IF: Endowing LLMs with Generalizable Reasoning via Preview and Self-Checking for Complex Instruction Following}, 
      author={Chenyang Wang, Liang Wen, Shousheng Jia, Xiangzheng Zhang, Liang Xu},
      year={2025},
      eprint={2508.03178},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2508.03178}, 
}
```
