问题：多轮对话场景下“越聊越不准”的现象已得到系统性验证。研究人员通过超过20万次模拟对话，对15款主流大模型不同对话结构中的表现进行对比分析，发现同一任务从“一次性完整指令”改为“信息逐步补充的多轮交流”后，模型完成任务的稳定性明显下降。部分模型在单轮条件下接近理想，但进入更贴近真实沟通的多轮互动后，更容易出现前后矛盾、遗漏约束、误解意图等问题，形成被称为“迷失会话”的系统性缺陷。 原因：一是过早生成带来“先入为主”。在用户需求尚未完全展开时，模型往往急于给出结论，并在早期建立隐含假设；一旦假设偏离事实，后续即使补充新信息，模型也可能沿着既有路径继续推理而未能及时纠偏，导致错误累积。二是答案膨胀放大不确定性。多轮互动中，模型回复通常变长，夹带更多推断、默认前提和无关细节，这些内容进入后续上下文后，反过来干扰判断。三是评测与真实使用存在错位。长期以来，行业和学术界多用单轮指令基准测试衡量能力，这更接近“条件一次说清”的理想状态；而现实沟通往往是逐步澄清、动态修订，模型在这种情境下更容易出现跟踪偏差。 影响：其一，对依赖连续对话的产品与业务流程带来风险。多轮对话常见于客服、办公协同、检索问答、代码辅助、流程代理等场景，一旦模型在关键环节“迷失”，可能导致错误建议、合规风险、用户体验下降，甚至误导决策链条。其二，对“推理增强”并非天然解法提出警示。研究发现，即便采用更强调推理过程的模型，或通过降低随机性来追求一致性，也未能从根本上消除多轮衰减，说明问题可能涉及对话记忆、上下文管理与纠错机制等更深层结构。其三，能力宣传与评测口径需要补上“真实对话”该关键维度。若仅以单轮成绩衡量系统可靠性，容易高估其在复杂交互中的可用程度，从而在部署与监管上产生认知偏差。 对策：在现有技术条件下，更务实的路径是减少不必要的往返，将关键数据、约束条件与目标尽量一次性结构化呈现，降低对话中信息漂移的概率。针对产品设计与工程实现，可从三上推进：第一，强化澄清机制，在信息不足时优先提问而不是过早下结论，并明确区分“已知事实”“需要确认”“推测内容”。第二，优化上下文治理，对长对话进行摘要与要点提取，建立可追溯的“需求清单”和“约束列表”，避免把未经核实的推断反复带入后续回合。第三，完善质量评测与上线策略，将多轮对话稳定性纳入必测项，围绕长链任务设置回归测试，提高对错误累积、前后矛盾、条件遗漏等问题的发现能力，同时在高风险业务中引入人工复核与可解释审计。 前景：随着对话式应用从“问答工具”走向“任务执行者”，可靠性将成为核心指标之一。未来评测体系可能从单轮准确率扩展到多轮一致性、纠错能力、上下文保持率等综合指标；模型能力提升也将更多聚焦于“在动态交互中持续保持正确”的系统工程。对研发机构与产业界而言，如何在效率与安全之间取得平衡，推动对话系统在复杂场景中可控、可验、可追责，将成为下一阶段竞争与治理的共同议题。
这项研究揭示了大语言模型从实验室走向实际应用时面临的关键挑战，也提示我们：评估体系的完善与场景适配同样重要。随着人工智能在更多领域落地，如何在保持能力的同时提升其在复杂交互中的稳定性与可靠性，已成为业界急需解决的问题。这不仅依赖算法层面的改进，也需要在评估标准、应用设计与用户预期管理等做出更系统的调整。