👗 黑板上没有橡皮：模型记不清你拒绝过什么
女主人说「要不把红裙换成蓝的吧……不，还是红裙」，宾客听见的是「红裙」；但如果把女主人换成用户、把裁缝换成 AI，AI 嘴上答应「好的，红裙」，手上可能把蓝裙的账算出来。论文标题自己就是一句投诉——You Changed Your Mind, The Model Didn't，你改了主意，模型没有。【直引】
这篇论文来自香港科技大学与腾讯合作，作者 8 人，arXiv 2610.06496，2026 年 10 月 5 日挂出【直引】。它论证了一件听起来理所当然、实际上没人做干净的事：在多轮对话里仅仅是「提到」一个最终被拒绝的修改，就足以让任务执行出轨——哪怕用户的最终意图从头到尾没变过。作者给这个失败模式起了名字：mentioned-as-in-effect confusion，「提到即生效」混乱。【直引】
把概念拆开看。模型并不健忘——每个字都记得，甚至可以倒背。问题在于它的上下文世界里没有删除键：每一句被说过的话都作为「需求」留在泥里；「算了」「不要」「取消」这些词虽然也在泥里，但它们的职责——让某个需求作废——从未被执行。所有需求层层叠叠压在一起，输出就是被压扁的形状：蓝的上面叠着红的，就成了紫。【推论】
测量方法照搬医学的随机对照试验——同一任务只换对话的「形式」，拆出多轮本身、闲聊、提议、决策四种效应各自的毒性。414 个源任务改自 LiC 基准，横跨工具调用（BFCL）、代码（HumanEval、LiveCodeBench）、SQL 查询（Spider）、数学应用题（GSM8K）四个域。每个源任务做成八种形态——多轮四种加单轮四种对照，每个模型跑 3,312 个实例【直引】。防作弊做满四步：域专属编辑规则枚举候选修改、约束过滤、构造参考答案、人类审核修改的清晰度。模拟器也验过货：2,345 条模拟消息人工抽查，任务相关信息传达率 98.6%，语境恰当性 100%【直引】。
受试者十个：Qwen3.6-27B、Qwen3-8B、Qwen3.1-8B、Gemma-4-26B-A4B、GPT-5.6-Luna、DeepSeek-V4-Flash-0731、Gemini-3.7-Flash、Claude-Sonnet-5 等【直引】。
数字非常有信息量：
- 分散披露：同一个任务拆到多轮披露，平均准确率比单轮直给直愣愣掉 36.30 个百分点【直引】。翻译回晚宴：你没啰嗦，只是分三次说要什么，裁缝已经把袖子缝到裤腿上了。光是拆散，毒性就三成六。
- 对话开销：插两条澄清问题（Neutral），需求纹丝不动，照样再掉 4.43 个百分点【直引】。会议室里有人问你「电梯是不是又坏了」，你回话的功夫，自己白板上的字就淡了一层。
- 决策致混：提议无论接受还是拒绝都掉。多轮下 Retained（提议被拒）比 Original 掉 8.06 个百分点，Revised（提议被接受）掉 5.55 个百分点【直引】。杀手锏在单轮对照：S_Ret 比 S_Orig 掉 7.52 个百分点，S_Rev 比 S_Dir 掉 5.74 个百分点——一轮给全、零多轮干扰，照样掉。【直引】至此「修订任务更难」的借口被活埋：中毒的是「提议＋决策」这个形式本身，哪怕决策的内容是明确的「不要」。
法医环节捞出所有「Original 答对、Retained 或 Revised 答错」的样本：59.63% 的新 Retained 错误里躺着失效内容的尸体，Revised 也有 30.97% 抱着旧需求不放。Math 双榜最高：67.70% / 47.94%【直引】。作者的推测很合理：数学靠逐步推理，旧数值的中间结果像没擦净的粉笔字残留在后续步骤——第三步把 4 改成 2，第五步的算式里 4 的影子还在飘。
剂量实验更阴郁：累积实验反复插澄清、反复叠「提议—拒绝」块，第一块跌幅最大，此后每加一块继续跌，没有平台期。深度加到 4 时，Neutral 累计 −8.13 个百分点，Retained 累计 −20.77 个百分点【直引】——你拒绝了四次修改，需求早回原样，模型却多错了起评分的两成。每拒一次，错误沉积一层，像水垢。
解法叫 Intent-OPSD——决策条件化在线策略自蒸馏。巧思在于发现每个多轮条件都天然存在一个「活跃需求的完整单轮版本」，信息一样，只是省掉了对话。分工：Teacher 看单轮（按用户决策切换——拒绝，Teacher 读 S_Orig；接受，Teacher 读 S_Dir），Student 看多轮。打个生活化的比方：Student 是那天开了一下午会的你，被七嘴八舌绕得头晕；Teacher 是当晚拿到最终签字版合同的你，平静地知道哪些条款活着、哪些从来不算数。训练要做的，是让会后的你复盘出签字版——从会议录音里，而不是从记忆里删字。【直引】
结果：平均比 Base +10.81 个百分点，比匹配过的 SFT 再 +3.73 个百分点；16 个模型-域组合全部优于 Base，13/16 优于 SFT；深度 k=1 到 4 增益稳在 +9.61 到 +11.74 之间——水垢照积，清洁剂也持续有效。分域看，Actions +21.46 个百分点全场最大：这类任务的瓶颈恰是「选对调用参数」，典型「会做但不知按哪版需求做」，正中靶心；Code 增益最小，它的瓶颈在结构实现，是另一种病【直引】。
边界画得清醒：意图跟踪是瓶颈时——会做但糊涂——蒸馏有效；能力本身是瓶颈时，蒸馏无能为力。教育学的老话：方法能救迷茫的学生，救不了没学过微积分的学生。【直引】
下一根钉子：自回归训练让上下文里的每个 token 以同等身份参与预测，「取消」这类词很少作为「对前文某片段的显式作废」出现在预训练语料里，梯度从没被明确推往「删除」这个方向——这层架构层面的解读比论文自陈的局限更重；下一步的硬件/架构侧改动（例如让删除键变成一类显式的「失效 token」参与反向梯度）才是真正能让「算了」算数的路径。