主流大语言模型曝会话迷失缺陷 多轮对话成功率骤降至65%

主流大语言模型曝会话迷失缺陷 多轮对话成功率骤降至65%

近日微软研究院与赛富时联合发布的一项研究，戳破了大语言模型“全能对话者”的神话。研究团队对GPT-4.1、Gemini 2.5 Pro等15款当前顶尖大模型展开测试后发现，这些模型在单轮对话中成功率可达90%，但进入多轮复杂对话后，成功率竟骤降至65%，普遍存在“迷失会话”的核心缺陷，为依赖AI构建复杂交互的行业敲响了警钟。

这项研究针对当前行业内最具代表性的15款大模型展开，涵盖了OpenAI、谷歌、Anthropic、DeepSeek等主流厂商的旗舰产品。测试场景全面模拟了企业客服、复杂任务协作、个性化咨询等需要连续交互的真实业务场景，每轮对话都设置了明确的任务目标，比如“根据用户历史咨询记录跟进售后问题”“逐步引导用户完成软件功能配置”等。测试结果显示，所有模型在单轮对话中都能稳定输出符合要求的答案，平均成功率高达90%，但当对话轮次超过5轮后，成功率便开始快速下滑，到第10轮时已普遍跌至65%左右，部分模型的表现甚至更差。

研究团队强调，这种性能下滑并非大模型“智力下降”，而是存在机制性的“会话迷失”缺陷。具体来看，问题根源在于大语言模型普遍采用的自回归生成逻辑：模型每一次输出都基于之前的对话上下文，但在多轮交互过程中，容易出现“过早生成”和“答案膨胀”两种典型错误。“过早生成”是指模型还未完全捕捉当前对话的核心需求，就提前输出内容，导致回答偏离用户预期；“答案膨胀”则是为了让回答显得更全面，主动添加与当前任务无关的信息，冗余内容会干扰后续对话的上下文理解。这两类错误会在后续对话中不断累积，形成“错误雪球效应”，最终导致模型彻底偏离原本的会话目标，输出完全无关的内容。

这一发现对依赖AI构建复杂对话系统的行业来说，无疑是一场及时的警示。当前，金融客服、在线教育、智能办公等领域正快速推进AI对话应用落地，比如银行的智能客服需要连续跟进用户的转账疑问、投诉处理全流程；在线教育机器人要根据学生的连续提问调整辅导内容，逐步解决知识难点。一旦模型出现“会话迷失”，不仅会导致用户体验崩盘，还可能引发直接的业务风险——比如客服机器人误引导用户操作造成资金损失，教育机器人输出错误知识点误导学生，给企业带来难以挽回的声誉和经济损失。