2 月 20 日消息，當用戶與 AI 聊天機器人進行長對話時，可能會感覺它們變得越來越“笨”，而這種感覺如今有了科學依據。

據 Windows Central 今日報道，微軟研究院與賽富時（Salesforce）聯合發表的一項研究證實，即使是目前最先進的大語言模型，在多輪對話中的可靠性也會急劇下降。

研究人員對包括 GPT-4.1、Gemini 2.5 Pro、Claude 3.7 Sonnet、o3、DeepSeek R1 和 Llama 4 在內的 15 款頂尖模型進行了超過 20 萬次模擬對話分析，揭示出一個被稱為“迷失會話”的系統性缺陷。

數據顯示，這些模型在單次提示任務中的成功率可達 90%，但當同樣的任務被拆解成多輪自然對話后，成功率驟降至約 65%。

研究指出，模型的“智力”本身并未顯著下降 —— 其核心能力僅降低約 15%—— 但“不可靠性”卻飆升 112%。也就是說，AI 大模型仍然具備解決問題的能力，但在多輪對話中變得高度不穩定，難以持續跟蹤上下文。

報告指出，當前大多數模型主要在“單輪”基準測試下進行評估，即一次性接收全部指令的理想實驗環境。但現實中的人類交流通常是漸進式的，信息在多輪互動中逐步補充。研究發現，一旦任務被“拆分”到多個回合中，即便是最先進的模型，也容易出現系統性失誤。

研究人員進一步分析了造成性能下降的行為機制。

首先是“過早生成”：模型往往在用戶尚未完整說明需求前就嘗試給出最終答案。一旦在早期回合中形成錯誤假設（IT之家注：可能是指第一印象），模型后續便會在該錯誤的基礎上繼續推理，而不是隨著新信息的加入進行修正，從而導致錯誤逐步放大。

其次是“答案膨脹”。在多輪對話中，模型的回復長度比單輪對話增加了 20% 至 300%。更長的回答往往包含更多假設與“幻覺”，這些內容隨后被納入對話的持續上下文，從而進一步影響后續推理的準確性。

令人意外的是，即使是配備了額外“思考詞元”（thinking tokens）的新一代推理模型，如 OpenAI o3 和 DeepSeek R1，也未能顯著改善在多輪對話中的表現。研究還發現，將模型溫度參數設置為 0—— 這一常用于確保一致性的技巧 —— 對此類對話衰減幾乎沒有防護作用。

這一發現對當前 AI 行業的評估方式提出了質疑。研究人員指出，現有的基準測試主要基于理想的單輪場景，忽略了模型在真實世界中的行為。對于依賴 AI 構建復雜對話流程或智能體的開發者而言，這一結論意味著嚴峻挑戰。

目前最有效的應對方式反而是減少多輪往返交流，將所有必要數據、約束條件和指令一次性在單個完整提示中提供，以提高輸出一致性。