待验证50% 置信基准精确时间

大语言模型在单轮场景下表现极高，但在将同一完整信息拆分为多轮逐步提供时性能会显著退化

1

来源数

50%

置信度

长期有效

时效性

2026/10/6

首次发现

来源

AI为何会在多轮对话中"迷失"？微软研究员揭秘失败背后的真相

涉及实体

大语言模型concept 微软研究院company

相关事实

待验证大语言模型多卡张量并行时，每一层前向传播都需要在卡间同步激活值，带宽瓶颈会直接拉低整体推理吞吐77% 相似待验证传统大语言模型跨越多个步骤、多个时间节点的复杂任务往往因上下文丢失、中间步骤出错或目标漂移而失败76% 相似待验证大型语言模型参数量越大，单次前向推理所需计算量越高，延迟也随之增加75% 相似待验证大型语言模型在处理需要长程上下文精确追踪的细节一致性问题时容易产生幻觉性漂移（Hallucination Drift）74% 相似待验证大语言模型在需要多步推导、空间想象或跳出训练数据分布进行创造性思考时会暴露短板74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/982134

API

curl https://kongchang.com/api/v1/knowledge/claims/982134

MCP

get_claim(id=982134)