问题——长对话中“越聊越不靠谱”的系统性缺陷逐渐显现。研究人员通过大量模拟对话对多款主流大模型进行测评发现，当任务从一次性给出完整指令变为多轮逐步补充信息时，模型完成任务的稳定性明显下降。复杂对话里，模型更容易偏离目标、答非所问，或在错误前提下持续推理。研究将该现象概括为“迷失会话”，并指出这并非个别模型的偶发情况，而是多轮交互场景中更常见的行为模式。 原因——信息渐进式输入触发“过早生成”和“错误放大”。从机制看，首要原因在于模型常在需求尚未完整呈现时就给出“最终答案”，对未明确部分自行补全假设。一旦早期形成错误前提，后续回合新增信息往往难以及时拉回正确方向，模型反而会在既有假设上继续推导，导致偏差累积。其次，多轮对话中回复内容容易“膨胀”，即输出更长、细节更多、假设更多。输出越长，越可能夹带未经核实的推断，并被写入上下文影响后续判断，形成“越说越多、越说越错”的连锁效应。研究还提示，单纯通过参数设置追求输出一致性并不能有效阻断这种衰减，说明问题核心不在随机性，而在长上下文管理与动态纠错能力不足。 影响——对行业评测体系与产品设计带来现实挑战。长期以来，行业对模型能力的衡量更多依赖单轮基准测试：一次性提供完整信息并要求给出结果。这种方式便于横向对比，但与真实使用场景存在差距——现实交流往往是分步澄清、不断补充约束条件的过程。若模型在多轮中更不稳定，就意味着在客服、办公协同、代码协作、复杂检索与“智能体”流程编排等场景中，早期错误可能牵引任务整体走向，抬高返工成本并增加结果的不确定性。对依赖大模型构建长链路业务流程的机构而言，可靠性衰减不仅是技术问题，也直接关系合规、风控与用户体验。 对策——用工程化方法减少歧义与回合成本，提升可控性。研究建议，较为有效的做法之一是尽量减少多轮往返，把关键数据、目标、边界条件、格式要求与限制条款尽可能在一次性指令中说明清楚，让模型在信息更完整的条件下生成答案。此外，业界可从三上加强防护：其一，在交互设计中引入“先澄清后作答”机制，信息不足时要求模型先提出问题并列出待确认项，避免过早下结论；其二，在流程上增加关键节点校验，例如在给出结论前复述已知条件、标注假设来源，并核对可能冲突的信息；其三，将长任务拆解为可验证的子任务，通过结构化输入输出、外部检索与规则约束降低“幻觉”扩散概率。对开发者而言，与其拉长对话，不如让目标更明确、路径更短且可验证。 前景——多轮可靠性或将成为下一阶段竞争焦点。随着大模型从“能回答”走向“能办事”，衡量指标势必从单轮正确率扩展到多轮一致性、可解释的自我纠错能力，以及跨回合的任务跟踪能力。未来评测体系需要更贴近真实交互：既要考察模型在信息逐步补齐时能否修正先前判断，也要检验其在长对话中能否保持目标不漂移、约束不走样。可以预期，围绕上下文管理、记忆与纠错机制、对话安全边界以及工具调用规范化的技术与标准将加速演进，并影响行业应用落地节奏。
这项研究的发布具有现实价值。它揭示了当前大语言模型在实际应用中的关键短板，也反映出人工智能技术进展与评估体系之间仍存在差距。随着大语言模型在各领域持续深入应用，如何在真实场景中保证系统的可靠性与稳定性，已成为业界必须直面的课题。这既需要研究人员在模型架构、训练方法与评估标准等继续推进，也提醒应用开发者在系统设计与部署中更重视边界条件、校验机制与风险控制。只有将技术改进与工程实践结合起来，才能推动大语言模型走向更成熟、更可靠的应用阶段。