苏州做企业网站公司建站为应用技术

今天工作偶然看到一篇微软的文章《LLMs Get Lost In Multi-Turn Conversation》觉得蛮有意思的，遂分享一下感悟。这篇文章主要讲的是，为什么许多大语言模型（LLMs）在测评的各种任务各种benchmark中表现优异，但是在面对用户的实际交流中（主要指多轮对话的形式），效果不尽人意。

这个原因呢，是因为目前的评估大多集中在明确完整的单轮对话，即在一次性的prompt中就详细确定地把任务描述完成；然而在实际使用中，用户通常需要多轮沟通才能明确需求（一部分是因为大语言模型的效果差，需要根据输出调整措辞，一部分是用户本身就需要慢慢理清楚脉络）。因此在两种对话模式的gap中，模型的效果就产生了dif。

当然这里插一句，为什么多轮对话的效果就一定差呢？有几个原因：1.LLM在前几轮的对话中（可能用户还在挤牙膏式表达完整需求）联想自行幻觉补充了一些信息，因此在输出时产生了幻觉（过早给出完整答案），质量也就变差了。2. 多轮对话的底层逻辑，是把前面对话的上下文全都输入给模型作为新的prompt，这样就导致之前的输出也输入了，放大了输出的噪声，并且增加了token长度，弱化了问题权重。

那么，这个现象的启示是什么呢？

• 对于模型开发者：建议不仅优化单轮对话能力，更要重视多轮对话中的可靠性，模型应具备更好地整合多轮信息、适时发起澄清、避免过早假设的能力。即在训练和评估中增加对多轮欠规格对话能力的关注，研发更具鲁棒性和可靠性的对话模型。
• 对于用户：提醒用户尽量在单个对话（prompt）中准确表达需求，或多用重启新对话的策略，避免持续局部纠正导致模型表现退化。

最后，感兴趣的可以看下原文：https://arxiv.org/pdf/2505.06120 感觉还是挺有意思的一篇文章。