我们都用错了，微软最新研究：大模型对话次数越多，性能越差

在大模型狂飙突进的时代，我们一直以为，像deepseek、ChatGPT这样的AI助手越聊越聪明，只要喂得够多、聊得够久，它们就能“越聊越懂你”。然而，一项由 Salesforce AI Research、卡内基梅隆大学（CMU）与微软研究院联合发布的最新研究却颠覆了这一常识。

他们在一篇题为《LLMs Get Lost In Multi-Turn Conversation》的论文中揭示：大型语言模型在多轮对话中表现得更差，准确率甚至可能下降 39%。

该研究通过系统性实验，模拟了人类与AI进行连续多轮交流的真实场景。结果发现：

• 在完成相同任务时，多轮对话中的模型表现明显劣于单轮对话

• 随着对话轮次增加，模型出现偏差、误解和逻辑跳跃的概率急剧上升

• 一旦模型在前几轮对话中产生“错误假设”，它很难自我纠偏，而是沿着错误轨道一路跑偏到底。

这种现象，被研究者戏称为，大模型在对话中“迷路"了。

论文进一步指出，当前主流大模型（如deepseek R1、GPT-4、Claude等）在对话初期会建立一种“隐性推理路径”。如果最初对用户意图的判断有误，后续的对话往往不会质疑或修正这个判断，反而会固化并放大它。

简单来说：你越说，它越离谱。

例如，如果你早期的问题语义含糊，模型可能会作出错误理解。哪怕你在后续尝试纠正，它也常常“听不进去”，仍旧基于原始误解继续生成内容，甚至给出看似自洽却南辕北辙的结论。

论文来源：https://arxiv.org/pdf/2505.06120