0x636a

深有同感。
推理模型的遵循能力也是强于非推理模型的，现在我的生产场景中如果一个 prompt 中有复杂指令的我基本都让推理模型去做了，非推理模型总是会出现遗漏的情况。

目前在特定生产场景下有同感，本身用 prompt 精准描述自己的需求就很难，LLM 还有可能无法完全遵守同一个 prompt 中的多条指令。
前一条让 LLM 无法像神一般想我所想。
后一条让基于 LLM 的工程必须不断的通过多 agent 反思迭代优化结果。
这两步还是需要人工投入大量的精力去适配 LLM 的输入和输出。

再来一句断言：
后一个缺点可以通过不断优化 LLM 通过一步步增量去减少人工投入量，前一条需要 LLM 完全超越人类，帮人类提前想好自己想要的做的，帮人类拟定 prompt ，不过这个时候也就没人类什么事了。

@moxiaowei 如果说是同样的代码的话，你试试其他随机数，每个机器上相同随机数表现应该不同的。