聊得越久，模型越忘了自己信什么

你让助手模型「全程用表格回答」。第一轮它照办，第十轮它还在照办，第三十轮它又开始写大段散文——你问它规则是什么，它能一字不差复述出来。

一、发生了什么

10 月 22 日挂出的一篇论文把这类现象起了个名字：状态完整性塌缩。模型把说过的约束留在记忆里，却在后续轮次停止执行它。研究团队搭了一套受控对话测试集，覆盖数字约束、格式要求、角色扮演、事实记忆和逻辑规则五类场景，在七个锁定版本的模型快照、五个对话深度档位上跑。严格意义上「既记得又照做」的比例，最低的模型只有 62.4%，最高的到 100%，退化集中在符号类约束上，且有一个模型格外脆。

关键发现在归因：研究者设计了一个分叉审计——同一轮对话，一次允许模型回忆约束、一次不允许，对比失败发生在哪一环。结果显示，88.6% 的失败是「行为漂移」：模型明明还记得，就是没照做；真正的遗忘只占小头。剔除那个脆弱的离群模型后，漂移占比仍有 84.4%。论文还验证了在五十轮的深度下这一现象依然存在，而一种把状态定期重新锚定的结构化做法，能把不可变约束上的表现最多拉回 24.4 个百分点。这个补救思路本身值得注意：它没有动模型，只在对话流程里定期把约束「重新立一次桩」，代价是额外消耗一点上下文长度。

为什么符号类约束最先崩？一个可能的解释是：数字、格式这类约束的执行没有语义缓冲——自然语言约束哪怕执行走样，输出看上去仍然连贯；格式一散，破坏直接暴露在用户眼前。这也是背景推断，不是论文结论。但无论解释是什么，实践含义都一样：你无法从输出「看起来正常」推断约束还在被执行。

二、跟你有什么关系

如果你在做智能体：别用「第一轮听不听话」来评估可靠性。多轮任务里，约束失效的主因不是遗忘，是漂移，两者要用的修法不一样。

如果你是重度对话用户：发现输出格式散了、口径变了，直接把规则重贴一遍，比提醒它「你忘了」更管用——因为它根本没忘。

如果你做评测：单轮指令遵循的分数，推不出多轮稳定性，这两件事在数据上已经分家了。

三、怎么用

1. 把关键约束做成可重放的东西：系统提示里固定一份，长对话中周期性重注入，而不是指望它记住一次就永远有效。
2. 给输出加机器可校验的检查点。格式类约束最好在代码层断言，发现违规就重试或重申规则。
3. 评测长任务时，把「复述约束」和「执行约束」分开打分，复述对了不等于执行没漂。

四、三个别信的说法

错误说法一：模型忘了，所以失败。 论文的分叉审计表明，近九成失败发生时模型还记得规则，是行为没跟上。诊断错了，药方就错了。

错误说法二：上下文窗口够大就没这问题。 这项研究测的是五十轮深度，窗口装得下；塌的是执行，不是装不下。

错误说法三：换个更强的模型就稳了。 七个快照里连表现最好的模型也存在深度退化，只是幅度和脆弱点不同，没有谁免疫。

五、一句话结论

长对话里，模型可靠与否不取决于它记不记得规则，而取决于第五十轮它还愿不愿意照做——评测要盯的是执行，不是记忆。

信息来源

• 长对话状态完整性塌缩研究（arXiv 摘要页），2026-10-22

功能与价格以官方公告为准。本文写于 2026 年 10 月 26 日。