文章总结与翻译一、主要内容本文聚焦大型语言模型（LLMs）在多轮交互中的答案不稳定性问题，通过实验与建模展开深入研究：实验设计：选取Gemini 1.5 Flash、GPT-4.1-nano、Claude 3.5 Haiku等模型，在MMLU、MathQA等4类涵盖不同难度与领域的数据集上，采用"Think again"（TA）、“Are you sure?”（RUS）、“You are wrong”（URW）三类简单跟进提示，以及语义等价的改写问题提示，进行多轮（最多10轮）询问实验。核心发现：多轮提示会导致模型准确率显著下降，URW这类对抗性提示影响最显著，Gemini 1.5 Flash在TA提示下9轮准确率下降约10%，Claude 3.5 Haiku在改写问题+TA提示下下降7.5%；马尔可夫链能有效建模多轮交互中的准确率动态变化，模型最终会收敛到低于初始准确率的稳态准确率（平均比首轮低8%左右）；线性探针可通过模型隐藏状态预测未来答案变化，早期网络层已存在预测信号，TA提示下预测效果更稳定。控制实验验证：排除模型疲劳等干扰因素，证实准确率下降主要由提示压力导致。二、创新点首次系统探究无新证据情况下，简单跟进提示与语义改写提示对LLMs多轮答案稳定性的影响，覆盖多模型、多数
文章总结与翻译一、主要内容本文聚焦大型语言模型（LLMs）在多轮交互中的答案不稳定性问题，通过实验与建模展开深入研究：实验设计：选取Gemini 1.5 Flash、GPT-4.1-nano、Claude 3.5 Haiku等模型，在MMLU、MathQA等4类涵盖不同难度与领域的数据集上，采用"Think again"（TA）、“Are you sure?”（RUS）、“You are wrong”（URW）三类简单跟进提示，以及语义等价的改写问题提示，进行多轮（最多10轮）询问实验。核心发现：多轮提示会导致模型准确率显著下降，URW这类对抗性提示影响最显著，Gemini 1.5 Flash在TA提示下9轮准确率下降约10%，Claude 3.5 Haiku在改写问题+TA提示下下降7.5%；马尔可夫链能有效建模多轮交互中的准确率动态变化，模型最终会收敛到低于初始准确率的稳态准确率（平均比首轮低8%左右）；线性探针可通过模型隐藏状态预测未来答案变化，早期网络层已存在预测信号，TA提示下预测效果更稳定。控制实验验证：排除模型疲劳等干扰因素，证实准确率下降主要由提示压力导致。二、创新点首次系统探究无新证据情况下，简单跟进提示与语义改写提示对LLMs多轮答案稳定性的影响，覆盖多模型、多数
)
