微软研究院（Microsoft Research）和 Salesforce 共同发布了一篇题为《LLMs Get Lost In Multi-Turn Conversation》（大模型在多轮对话中迷失）的重磅论文，该研究揭示了一个令开发者不安的现状：即便是当前最顶尖的 LLM，在应对真实世界的多轮对话时，可靠性会出现“断崖式”下跌。 该研究的主要发现包括： 性能下降：在单轮提示词下表现接近 90% 的模型，在经过多轮对话模拟后，平均性能大幅下降约 39%，跌至 65% 左右。 不可靠性增加：性能下降的主要原因并非模型“智力”（能力仅下降 15%），而是不可靠性增加了 112%。 “路径依赖”：模型往往在对话初期就做出错误假设，并将其锁定。一旦在对话中“走错一步”，模型会倾向于固守错误而非自我修正，最终导致彻底迷失。 测试模型：研究测试了包括 GPT-4.1、Gemini 2.5 Pro、Claude 3.7 Sonnet、o3、DeepSeek R1 和 Llama 4 在内的 15 款模型。具备强大推理能力的 o3 和 DeepSeek R1 在多轮可靠性上也未能幸免，单纯增加思考时间或降低随机性（Temperature=0）并不能解决问题。 对开发者的建议： 改进提示策略：尝试在首条消息中提供更完整的上下文和所有约束条件，而不是依赖多轮往返。 强制重置机制：在对话陷入僵局时，引导用户启动新会话，或通过自动摘要功能将关键信息带入新对话，而不是在旧会话中持续纠错。 多轮基准测试：建立针对多轮对话的可靠性评估流程，不要被单轮 Benchmark 迷惑。
