微软研究发现：AI越聊越笨，复杂对话可靠性骤降
你是否发现，当我们与AI聊天机器人进行长对话时，它们似乎会变得越来越“笨”？IT之家2月20日消息，如今这种感觉有了科学依据。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
Windows Central今日报道称，微软研究院与赛富时联合发布的一项研究证实，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。
研究人员对包括GPT-4.1、Gemini 2.5 Pro、Claude 3.7 Sonnet、o3、DeepSeek R1 和 Llama 4 在内的15款顶尖模型进行了超过20万次模拟对话分析，揭示出一种被称为“迷失会话”的系统性缺陷。
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“智能”本身并未显著下降——其核心能力仅降低约15%——但“不可靠性”却飙升了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。但现实世界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，即使是最先进的模型，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，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，即便是配备了额外“思考词元”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。
这一发现对当前AI行业的评估方式提出了质疑。研究人员指出，现有的基准测试主要基于理想的单轮场景，忽略了模型在真实世界中的行为。对于依赖AI构建复杂对话流程或智能体的开发者而言，这一结论意味着严峻挑战。
目前最有效的应对方式反而是减少多轮往返交流，将所有必要数据、约束条件和指令一次性在单个完整提示中提供，以提高输出一致性。
相关攻略
3月31日，苹果于今日凌晨开始分批推送国行Apple Intelligence Beta版，需升级至iOS 26 4及以上系统方可体验。彭博社记者马克·古尔曼今日发文称Apple Intellig
DeepSeek网页和App在连崩10多个小时后终于恢复了。这件事给梁文锋提了个醒，网上都说4月份就要发布DeepSeek-V4了，到时候DeepSeek面临的压力会比现在大得多。怎样让服务器在峰值
财联社3月29日讯2026年，一只“红色小龙虾”在科技圈引发广泛关注。OpenClaw的爆火，不仅是一次技术产品的出圈，也在中关村论坛期间掀起了关于AI开源生态与智能体未来的深层讨论，杨植麟、张鹏、
库克手持iPhone 17 Pro 北京时间3月30日，据彭博社报道，苹果准备开放Siri等AI战略大调整表明，该公司正在重新致力于其核心商业模式：销售硬件和服务，依靠硬件搭建起类似于App Sto
热门专题
热门推荐
金铲铲之战S17中，科加斯为1费卡，羁绊为暗星、斗士。技能是对当前目标造成魔法伤害并永久增加自身生命值，若击杀目标则叠加更多生命值，未完成击杀也可叠层数。金铲铲之战S17大虫子科加
在燕云十六声的滹沱版本中，食物相关成就不仅有趣，还能深度体验游戏的丰富元素。食材收集达人要解锁众多食物成就，首先得成为食材收集达人。在游戏世界里，仔细探索各个角落。村庄的农田是关键
IT之家 3 月 31 日消息，苹果今日向 Mac 电脑用户推送了 macOS 26 5 开发者预览版 Beta 更新（内部版本号：25F5042g），本次更新距离上次发布 Beta RC 间隔
【CNMO科技消息】3月31日，荣耀平板与IOT产品领域总经理“荣耀平板利用哥”发文称，恭喜所有提前半年购买荣耀平板MagicPad 3 Pro的小伙伴，早享受半年，还节省一大笔钱。现在下单还不
3月31日消息，近日，阿里千问上线了一项“引证”新功能，可对新闻时事、政策动态等需要引用外部信源的回答内容，进行二次事实核查，目前该功能处于测试阶段。实际测试中，引证按钮并非始终显示，仅当用户提问涉