TG:你永远叫不醒装睡的大模型！多轮对线%

　　简单来说，大模型通常在第一次回答问题的时候，就已经定下了基调，过早地尝试生成最终解决方案，并且在后续回答的时候也会依赖这个结论。

　　性能下降后，大模型的可靠性也显著降低，研究人员将这种现象称之为「对话迷失」，即LLMs在多轮对话中一旦走错了方向，在后续提示中添加信息也无法纠正，也就没办法恢复到正确的问答路径。

　　研究人员将现有的单轮基准测试任务重新设计为多种类型的多轮模拟对话场景，以评估大型语言模型（LLMs）在多轮、不明确对话中的表现。

　　所有分片合在一起，可以表达出与原始指令相同的信息，分片必须满足五个要素：信息保留、清晰的原始意图、顺序无关（除第一个分片外，其他分片彼此独立）、最大化分片（尽可能从原始指令中提取信息）、最小化转换（保持原始指令的风格，避免简化）。

　　除了用户消息外，助手在第一轮对话之前还会收到一个最小化的系统指令，提供完成任务所需的上下文，包括数据库架构或可用API工具列表等。

　　虽然额外的指令可能会改变模型的行为，但研究人员认为这种变化并不现实，因为在实际场景中，用户也不可能会考虑输入这些信息。

　　完全指定（fully-specified, Full），模拟单轮对话场景，即原始指令在第一轮就完整地提供给LLM，用于评估模型的基础性能。

　　从总体上看，每个模型在进行「完全指定」和「分片对话」时，在每项任务中的表现都有所下降，平均下降幅度为39%

　　研究人员将这种现象称为「对话迷失」，即在完全指定、单轮对话的实验室环境中表现出色（90%以上）的模型，在更接近现实的场景（对话不明确且为多轮）中，相同任务上表现不佳。

　　相比之下，在合并cocnat设置中，模型的表现大致相当，其平均表现达到了完全指定表现的95.1%，也就意味着分片对话中表现下降的原因并不是由于分片指令可能导致的信息丢失，否则合并对话的表现也会相应降低。