大语言模型排行榜测单轮完美 prompt，多轮混乱对话才是真正短板

Reddit 讨论援引论文《LLMs Get Lost in Multi-Turn Conversation》，指出大语言模型在多轮对话中表现明显下降。排行榜成绩多来自信息完备的单轮 prompt，而日常交流往往需要逐步补充约束、纠正误解并上传文件；若模型早期形成错误假设，后续回答还会持续沿用这一前提。