IT 之家 2 月 20 日消息，当用户与 AI 聊天机器人进行长对话时，可能会感觉它们变得越来越 " 笨 "，而这种感觉如今有了科学依据。
据 Windows Central 今日报道，微软研究院与赛富时（Salesforce）联合发表的一项研究证实，即使是目前最先进的大语言模型，在多轮对话中的可靠性也会急剧下降。
数据显示，这些模型在单次提示任务中的成功率可达 90%，但当同样的任务被拆解成多轮自然对话后，成功率骤降至约 65%。
研究指出，模型的 " 智力 " 本身并未显著下降 —— 其核心能力仅降低约 15% —— 但 " 不可靠性 " 却飙升 112%。也就是说，AI 大模型仍然具备解决问题的能力，但在多轮对话中变得高度不稳定，难以持续跟踪上下文。
报告指出，当前大多数模型主要在 " 单轮 " 基准测试下进行评估，即一次性接收全部指令的理想实验环境。但现实中的人类交流通常是渐进式的，信息在多轮互动中逐步补充。研究发现，一旦任务被 " 拆分 " 到多个回合中，即便是最先进的模型，也容易出现系统性失误。
研究人员进一步分析了造成性能下降的行为机制。
首先是 " 过早生成 "：模型往往在用户尚未完整说明需求前就尝试给出最终答案。一旦在早期回合中形成错误假设（IT 之家注：可能是指第一印象），模型后续便会在该错误的基础上继续推理，而不是随着新信息的加入进行修正，从而导致错误逐步放大。
其次是 " 答案膨胀 "。在多轮对话中，模型的回复长度比单轮对话增加了 20% 至 300%。更长的回答往往包含更多假设与 " 幻觉 "，这些内容随后被纳入对话的持续上下文，从而进一步影响后续推理的准确性。
令人意外的是，即使是配备了额外 " 思考词元 "（thinking tokens）的新一代推理模型，如 OpenAI o3 和 DeepSeek R1，也未能显著改善在多轮对话中的表现。研究还发现，将模型温度参数设置为 0 —— 这一常用于确保一致性的技巧 —— 对此类对话衰减几乎没有防护作用。
