排行榜测的是单轮完美 prompt，多轮混乱对话才是模型真正短板
Curious_Song_1456 · reddit · 2026-11-09
Reddit 讨论指出：排行榜成绩多来自一条干净、信息完备的 prompt，但日常对话要混乱得多——用户先说得很模糊，再不断补约束、纠正误解、贴文件，最后才问到真正的问题。
- 引用论文《LLMs Get Lost in Multi-Turn Conversation》：同一任务拆到多轮消息里，模型表现明显下降，且早期一旦做出错误假设，后续会一直基于它构建
- 作者认为这能解释不少「模型变笨了」的抱怨：部分是模型问题，但冗长混乱的多轮对话本身就是模型最弱的场景，而这恰恰是大多数人的使用方式
- 帖子末尾征询实用习惯：是重开对话并附上摘要更好，还是只能换模型？
「模型」频道最新
- 测试目录日报:OpenAI 侦察模型 Wyvern 现身 Devin,支持百万上下文 — testingcatalog · 2026-11-09
- Qwen 被训练成持续重拟合「幸福探针」 — Sauers_ · 2026-11-09
- SimpleHC 将 Hyper-Connections 训练开销从约 59–100% 降到 2.4% — SonglinYang4 · 2026-11-09
- 爆料称 Opus 5.5 仅 10B 激活参数，用户已用 handover.md 迁移到 Qwen-4-Flash — teortaxesTex · 2026-11-09
- 「基准像香水：能闻不能喝」——公开榜单该信多少？ — intellectronica · 2026-11-09
- 并发跑满 20 条线程仅用 17% 额度:$200 Claude 订阅性价比惊人 — cyrus_zei · 2026-11-09