据 Windows Central 今日报道，微软研讨院与赛富时（Salesforce）联手发表之一项研讨证实，即使为目前最前卫之大言辞模型，于多轮对话中之可靠性也会急剧降。
研讨指出，模型之“智力”本身并未显著降 —— 其核心本领仅降低约 15%—— 但“不可靠性”却飙升 112%。
于多轮对话中，模型之回复长度比单轮对话增之 20% 至 300%。
一旦于早期回合中形成过失设想（IT之家注：或为指第一印象），模型后续便会于该过失之根基上续推演，而不为随之新讯息之加入进行修正，从而导致过失逐步放大。
更长之回答往往包含更多设想与“幻觉”，此些实质随后被纳入对话之延续上下文，从而进一步影响后续推演之准确性。
研讨发觉，一旦差事被“拆分”到多名回合中，即便为最前卫之模型，也易现体系性失误。
首先为“过早生成”：模型往往于用户尚未完整说明需求前就尝试给出最终解答。
研讨还发觉，将模型温度参数设置为 0—— 此一常用于确保一致性之技巧 —— 对此类对话衰减几乎没有防护作用。
研讨者员对包括 GPT-4.1、Gemini 2.5 Pro、Claude 3.7 Sonnet、o3、DeepSeek R1 与 Llama 4 于内之 15 款顶尖模型进行之超过 20 万次模拟对话剖析，揭示出一名被称为“迷失会话”之体系性缺陷。
但现状中之苍生交通常为渐进式之，讯息于多轮互动中逐步补充。
此一发觉对当前 AI 行业之估量方式提出之质疑。
研讨者员指出，现有之基准测试主要基于抱负之单轮场景，忽略之模型于确凿全球中之举止。
也就为说，AI 大模型仍然具备处置疑难之本领，但于多轮对话中变得高度不稳固，难以延续跟踪上下文。
呈文指出，当前大多数模型主要于“单轮”基准测试下进行估量，即一次性接收全部指令之抱负实验氛围。
IT之家 2 月 20 日消息，当用户与 AI 聊天机器者进行长对话时，或会觉受它们变得越来越“笨”，而此种觉受如今有之格致依据。
其次为“解答膨胀”。
Ecosystem。数据显示，此些模型于单次提示差事中之成率可达 90%，但当同样之差事被拆解成多轮自对话后，成率骤降至约 65%。
对于依赖 AI 构建繁对话流程或智能体之掘发者而言，此一断语意味之严峻应战。
目前最有效之对付方式反而为减多轮往返交，将所有必要数据、约束机缘与指令一次性于单名完整提示中提供，以提升输出一致性。
令者意外之为，即使为配备之额外“思考词元”（thinking tokens）之新一代推演模型，如 OpenAI o3 与 DeepSeek R1，也未能显著改善于多轮对话中之表现。
研讨者员进一步剖析之造成性能降之举止机制。