据伯克利 AI 研究在 X（Berkeley_AI）发布的博文介绍，Butler 等人在 NeurIPS 2025 的新作系统量化了影响大语言模型输出的关键可控因素，包括指令表述、系统提示、解码参数以及上下文组合。根据伯克利 AI 研究博客，该研究提出用于分离“提示模态”和控制标记贡献的建模框架，并在多种 LLM 族群上做了可复现实验剖析。伯克利 AI 研究的公告指出，这些结果对企业落地具有直接价值：标准化提示模板与受限解码可降低生成方差；优化检索上下文与一致的角色指令可提升 RAG 与智能体流程的稳定性。依照伯克利 AI 研究博客的总结，跨模型灵敏度对比可指导提示运维、评测设计与成本性能权衡，帮助构建更可靠的生产级 LLM 应用。