当前人工智能领域面临一个隐而未显的困境。
用户在与AI聊天机器人进行长对话时常感觉其表现逐渐下降，这种主观感受如今获得了科学验证。
微软研究院与赛富时近日联合发表的研究成果表明，即便是业界最先进的大语言模型，在多轮对话场景中的可靠性也会出现急剧衰退。
研究团队对包括GPT-4.1、Gemini 2.5 Pro、Claude 3.7 Sonnet、o3、DeepSeek R1和Llama 4等15款顶尖模型进行了超过20万次模拟对话分析。
数据呈现出一个令人担忧的趋势：这些模型在接收完整单次指令时的成功率可达90%，但当相同任务被分解为多个回合的自然对话后，成功率急剧下滑至约65%。
更值得关注的是，模型的不可靠性指标增长了112%，远超其核心能力15%的下降幅度。
这意味着问题的根源并非模型本身的智能水平退化，而是在多轮交互中的稳定性和一致性出现了系统性崩解。
对于这一现象的成因，研究人员进行了深入分析。
首先是"过早生成"问题。
模型倾向于在用户完整表述需求之前就仓促给出答案。
一旦在早期回合中形成错误认知，模型随后的推理过程便会基于这一错误基础继续展开，而非根据新增信息进行动态修正。
这种路径依赖导致错误不断累积放大，最终严重影响最终输出质量。
其次是"答案膨胀"现象。
在多轮对话中，模型的回复长度相比单轮场景增加了20%至300%。
更冗长的回答往往包含更多推测性内容和模型幻觉，这些不准确的信息被纳入后续对话的上下文，进而污染了模型的推理链条，导致精准度进一步下降。
令人瞩目的是，即使采用了最新的推理机制，如OpenAI o3和DeepSeek R1配备的额外思考词元，也未能显著改善多轮对话中的表现衰减。
同样，将模型温度参数设置为零这一常见的稳定性优化手段，对此类对话衰减问题也几乎无能为力。
这些发现表明问题的深层性和复杂性超出了现有技术的应对范围。
研究结果对当前人工智能行业的评估体系提出了深刻质疑。
现有的基准测试主要基于理想化的单轮交互场景，这与真实世界中用户与AI系统的互动方式存在本质差异。
现实中的人类交流往往是渐进式的，信息在多轮互动中逐步补充和修正。
这种评估方式与实际应用场景的脱节，导致模型的真实可靠性被严重高估。
对于依赖AI构建复杂对话流程或智能体系统的开发者而言，这一研究结论带来了严峻挑战。
目前最为有效的应对策略是改变交互设计思路，将所有必要的数据、约束条件和指令在单个完整提示中一次性提供，而非采用多轮渐进式的对话方式。
这种做法虽然在某种程度上限制了交互的自然性，但能够显著提升输出的一致性和可靠性。
当人工智能技术从实验室走向现实应用，理论与实践的鸿沟愈发显现。
这项研究不仅揭示了技术演进必须跨越的"对话持续性"障碍，更深刻警示：任何脱离场景真实性的评估，都可能成为误导发展的海市蜃景。
在追求参数突破的同时，或许行业更需要回归人机交互的本质思考——真正的智能，不在于知晓多少答案，而在于如何持续理解问题。