专家团队用Python等工具，对GPT-5及后续的AI大模型进行了六大领域的测试。当对话不再是一次完整的拼接，而是被拆分到多条消息中的分片式交流时，它们的表现就会明显变差。THE DECODER的这份报告指出，这类跨多轮任务原本就很难处理，现在的问题变得更严重了。原始研究数据显示，性能下降的幅度非常大，最高能达到39%。IT之家关注到了这个情况，把相关信息整理了出来给大家看。研究员菲利普·拉班（Philippe Laban）和他的同事们发现了一个规律：在简单的用户模拟场景下，性能降幅大概在33%左右；而要是在Python这类任务上，情况就相对好一些，大部分模型仅损失了10%到20%。但实际使用时用户的需求往往更复杂，测试中看到的损失只是个开头，一旦中途变卦想改主意，下降的幅度可能会变得更吓人。温度值这类常见的微调手段完全不管用，专家们给出了很具体的建议：遇到异常情况就重启对话，最好先让AI把所有请求总结一遍，再拿这份总结当新起点去重新开始交流。