我們都用錯了，微軟最新研究：大模型對話次數越多，性能越差

在大模型狂飆突進的時代，我們一直以爲，像deepseek、ChatGPT這樣的AI助手越聊越聰明，只要喂得夠多、聊得夠久，它們就能“越聊越懂你”。然而，一項由 Salesforce AI Research、卡內基梅隆大學（CMU）與微軟研究院聯合發佈的最新研究卻顛覆了這一常識。

他們在一篇題爲《LLMs Get Lost In Multi-Turn Conversation》的論文中揭示：大型語言模型在多輪對話中表現得更差，準確率甚至可能下降 39%。

該研究通過系統性實驗，模擬了人類與AI進行連續多輪交流的真實場景。結果發現：

• 在完成相同任務時，多輪對話中的模型表現明顯劣於單輪對話

• 隨着對話輪次增加，模型出現偏差、誤解和邏輯跳躍的概率急劇上升

• 一旦模型在前幾輪對話中產生“錯誤假設”，它很難自我糾偏，而是沿着錯誤軌道一路跑偏到底。

這種現象，被研究者戲稱爲，大模型在對話中“迷路"了。

論文進一步指出，當前主流大模型（如deepseek R1、GPT-4、Claude等）在對話初期會建立一種“隱性推理路徑”。如果最初對用戶意圖的判斷有誤，後續的對話往往不會質疑或修正這個判斷，反而會固化並放大它。

簡單來說：你越說，它越離譜。

例如，如果你早期的問題語義含糊，模型可能會作出錯誤理解。哪怕你在後續嘗試糾正，它也常常“聽不進去”，仍舊基於原始誤解繼續生成內容，甚至給出看似自洽卻南轅北轍的結論。

論文來源：https://arxiv.org/pdf/2505.06120