微软研究访谈：把AI评估放回真实的多轮任务

微软研究播客刊载了与研究经理Jennifer Neville的访谈。她指出，传统基准往往比实际使用场景简单，评估应先明确用户希望系统完成什么，再考察多轮行为、协作环境和长期任务；这些讨论属于受访研究人员对评估方法的说明。

Neville介绍，团队将已有单轮基准中的完整指令改为由模拟用户分多轮逐步澄清，观察模型处理任务的方式。她报告，在这种研究设置下，模型表现会随多轮交互明显下降；这是一项特定评估观察，不应外推为所有模型或所有对话都有相同降幅。

针对逐步澄清后模型失去方向的情况，她提出一种交互建议：重新开始对话，将已经明确的要求一次完整说明。访谈同时强调核对模型回答，并保留监督和验证；这类建议不等于保证每次有效，也不是已经可以把所有任务无条件交给AI处理的结论。