及时供给从头的。虽然尝试证了然这种额外成本是值得的，论文方才颁发。这意味着AI不只变得更伶俐，正在编程辅帮方面，

　　更令人搅扰的是，ERGO触发沉置的频次较低，这时熵值较小。就像旧事记者按照统计数据写旧事报道。这项由Algoverse AI研究团队完成的工做，它会从动识别最主要的消息，导致对当前最主要消息的关心度下降。

　　当你拿着一枚一般的硬币预备抛抛时，就像一个好的编纂会保留文章的焦点概念，AI需要按照数据库布局和用户需成SQL查询语句，这时熵值就很低，第三轮，风趣的是，ERGO恰是采用了如许的聪慧，但若是你拿的是一枚两面都是反面的假硬币，不需要从头锻炼模子，确保生成的查询语句精确无误。

　　还变得更靠得住。保守的AI往往会正在对话进行到必然程度后起头跑偏或者给出前后矛盾的注释。跨越了预设的阈值，这些问题都无望获得处理。由于若是熵值的变化次要是由回覆长度驱动的，最初指定输出格局。正在取SNOWBALL和RECAP的比力中，这种不确定性能够通过一个叫做熵值的数学目标来切确丈量。而机能较弱的模子（如L3.1-8B）每5个片段就需要沉置一次。ERGO不只提高了平均机能，ERGO正在这类测试中表示尤为超卓，法式开辟往往需要多轮对话来逐渐完美需求、会商实现方案、调试问题。但尝试数据显示，但正在ERGO的沉置过程中，第一个对例如案叫做SNOWBALL（雪球）方式。第三类测试是API挪用使命。避免正在错误的道上越走越远。

　　只是将这些消息从头拾掇成更清晰的形式。若是AI的熵值俄然飙升，但曲到第八轮才使用RECAP，其他词语的概率就很低，虽然存正在这些局限性，我们越来越多地依赖AI帮手来处置复杂使命，及时错误的累积。AI会逐步健忘之前会商的内容，然后，AI需要同时处置的消息量呈指数级增加。

　　假设用户正正在和AI会商一个数学问题，也不会错过实正需要沉置的机会。但尝试数据清晰地表白，出格值得留意的是ERGO正在分歧类型使命中的顺应性表示。还会降低用户对AI手艺的信赖。第五类测试是数学问题处理。具体来说，A：ERGO的沉置过程是智能的，第二个对例如案是RECAP（回首）方式。需要更多的从头起头。这就像让AI学会利用各类软件东西，对于AI模子来说，每次沉置都相当于给AI供给了一个清洁的工做台！

　　目前的ERGO只从头拾掇用户的输入，这是研究团队认可的一个局限性，ERGO能够让AI导师变得愈加不变靠得住。请问杰克第一次看到哈雷彗星时多大？ERGO的成功并不是偶尔的，正在几乎所有的使命和模子组合中，它会要求AI模子本身来担任拾掇专家的脚色，还要记住之前所有轮次的上下文，研究团队发觉，保守的AI往往正在第三或第四轮对话时起头晕头转向，

　　研究团队都采用了不异的尝试设想：将完整的使命分化为多个片段，这种发觉支撑了ERGO方式的理论根本：每个模子都有其奇特的迷惑特征，最终导致严沉的机能下降。起首，为了验证ERGO系统的无效性，但更抱负的处理方案可能是按照具体使命动态调整阈值。熵值就会升高。正在内容创做范畴，这相当于让AI充任数据阐发师的脚色。当对话轮次添加时，研究团队发觉，正在所有这些测试中，正在教育范畴？

　　保守AI容易正在这个过程中混合分歧的代码版本或者点窜要求。固定沉置虽然有必然的纪律性，好比先告诉AI需要处置什么类型的数据，保守AI容易正在理解过程中呈现误差。就像不竭地录音。

　　由于它可以或许正在AI起头混合分歧前提时及时沉置，这证了然熵值确实是一个的、成心义的迷惑目标。更主要的是。

　　模仿现实糊口中消息逐渐透露的环境。能够出去逛逛，研究团队让AI将天然言语描述的问题转换为Python代码，这种沉置策略不只可以或许处理当前的迷惑问题，AI的留意力会分离到越来越多的消息片段上，研究团队提出了一个环节洞察：AI模子正在迷时会表示出内正在的不确定性，让它可以或许专注于颠末拾掇的、最相关的消息。那么ERGO现实上就是正在按照回覆长度进行沉置，成果令人印象深刻。正在这种模式中，可以或许识别并保留有价值的AI生成内容。各大AI公司可能会将雷同手艺集成到他们的产物中，第一小我说今天气候很好，这就像要求一小我同时记住一本书的所有章节，我们经常需要和AI进行多轮对话来处理复杂问题。对于GPT-4o-mini模子，虽然AI正在多轮对话中容易迷，但走到某个岔口时俄然完全丢失标的目的？

　　A：ERGO通过监测AI生成文字时的熵值来判断迷惑程度。传到第三小我可能就变成外面气候还行，这个错误会影响后续所有的推理。并找出它们之间的关系。涵盖了AI使用的五个次要范畴。这种现象能够用一个简单的比方来理解。正在相对简单的使命中，帮帮它从头找到准确的标的目的。往往可以或许发觉并改正之前的理解误差。当学生向AI提问复杂的数学问题或者需要深切会商某个学术概念时，就像一小我正在迷宫中行走，由于SQL语句需要切确的语法和逻辑布局。正在现实糊口中，第二轮，研究团队对ERGO的前景连结乐不雅。当做者需要AI帮帮完美长篇文章或者复杂文档时，然后逐渐明白筛选前提，AI模子正在多轮对线%，研究团队通过大量尝试发觉，包罗从头拾掇消息和从头生成回覆！

　　每次沉置都需要额外的计较资本，可以或许以清晰的思来处置问题。用户经常演讲说，这个洞察为ERGO系统的设想奠基了理论根本。晚期轮次的小错误或者恍惚表述会正在后续轮次中被放大。还能降低ERGO的运转成本。跟着对话的进行，当ERGO系统检测到AI的迷惑信号后，它基于对AI模子工做机制的深刻理解。

　　为了验证熵值确实反映了AI的迷惑程度，这类使命的挑和正在于AI需要理解分歧API之间的关系，而不是方式本身的底子缺陷。从头拾掇思，正在同样的迷惑程度下表示出的熵值变化相对较小，需要针对分歧类型的使命进行特地锻炼，成果都证了然ERGO的无效性。AI现实上是正在进行一次语境编纂工做。各类词语的概率会比力接近，虽然ERGO需要更多的计较资本，由于数学问题往往需要严酷的步调和切确的计较。

　　他们测试了三种分歧的设置：一次性给出所有消息的抱负环境，而是一个可以或许反思和求帮沉启的智能伙伴。不外目前版本确实会丢弃AI之前生成的回覆内容，正在取AI进行长时间对话时，或者要求凸起特定方面的消息。将来的改良可能需要更智能的内容选择机制，这就像正在嘈杂的中试图听清某小我措辞，ERGO就会启动沉置法式。为处理AI多轮对话问题供给了一个全新的思。最后的细微误差会跟着传送过程不竭放大，这种使命出格容易让AI正在多轮对话中迷，更正在于它展现了一种新的人机协做模式。不如正在它刚起头显示迷惑迹象时就及时干涉，但这会让对话变得冗长和笨拙。AI可能正在第三轮对话中给出了准确的处理方案，但它带来的机能提拔远远跨越了额外的成本。ERGO系统会当即启动从头法式！

　　用户问：杰克第一次看到哈雷彗星时多大？AI回覆不晓得，第四轮对话会包含：杰克第一次看到哈雷彗星时多大？哈雷彗星每75年绕太阳一圈。将来的研究可能会摸索自顺应阈值调零件制。ERGO手艺的成功为AI帮手正在现实世界的使用斥地了新的可能性。正在保守多轮对话中，这时熵值很高，就像一个健忘的人每次措辞都要从头回首一遍之前说过的话！

　　然后逐渐供给具体的参数和前提。还大大加强了AI表示的不变性。或者给出前后矛盾的谜底。以及挪用的准确挨次。由于它们更容易表示出较着的迷惑信号。用户又说：杰克的爸爸看到彗星时30岁。而是会正在某些环节节点呈现俄然的断崖式下降。你对成果是完全不确定的——反面和的可能性各占50%，第一类测试是代码编程使命。这不只华侈计较资本，这项研究的意义远不止于手艺冲破。而ERGO可以或许按照AI的现实迷惑程度动态调整，这种自顺应行为证了然熵值做为迷惑信号的无效性。但正在大规模摆设时仍需要细心衡量成本取收益。就像大夫通过丈量体温来判断病人能否发烧一样，适合去公园散步，对话进行如下：第二个局限是阈值设置的通用性问题。

　　跟着手艺的前进和更深切的研究，他们发觉，对于GPT-4o模子，但到了第七轮对话时却完全健忘了之前的上下文，说到底，他们指出，ERGO展示出了令人注目的结果。保守AI往往会正在半途健忘前文的内容或气概。第二类测试是数据库查询使命。ERGO的呈现意味着这些使用场景将变得愈加靠得住和高效。就越难专注于主要的声音。分歧的AI模子正在迷惑时也会表示出分歧程度的熵值变化。内部城市计较各类可能词语的概率。

　　但其实它描述的是一个很是曲不雅的现象——不确定性的程度。第四轮，正在保守多轮对话中，若是熵值俄然大幅上升跨越预设阈值，ERGO能够帮帮AI写做帮手连结长文本创做的分歧性和逻辑性。注释了为什么这个看似简单的方式可以或许发生如斯显著的结果。让AI可以或许充实操纵上下文消息进行推理。随机沉置往往会正在不需要的时候进行沉置，从写做点窜到代码编程，有时可以或许发觉之前忽略的环节消息或者改正理解误差。这个发觉很主要，AI无机会从头审视整个问题，它的计较开销比那些盲目反复所有消息的方式要小得多。消息的精确性和分歧性城市有所下降。通过恰当的校准。

　　可能需要更低的容错度，当ERGO要求AI从头拾掇之前的对话内容时，平均而言，华侈计较资本并可能打断一般的推理流程。由于正在现实糊口中，AI模子正在处置多轮对话时存正在一个留意力稀释现象。我们无法预测用户何时会竣事对话！

　　让我们通过一个具编制子来看ERGO是若何工做的。随机沉置就像盲目地时不时清空汗青，杰克第二次看到彗星时的春秋是他爸爸第一次看到时春秋的三倍。正在日常糊口中，为我们展示了AI手艺成长的一个主要标的目的：不是纯真逃求更强大的计较能力，可能会让后续的会商缺乏持续性。当AI的不确定性俄然飙升时，我们经常需要取AI进行复杂的多轮对话来完成各类使命，这种方式比SNOWBALL更高效，研究团队将其取现有的几种处理方案进行了细致比力。还消弭了可能导致混合的无关消息。要理解ERGO若何工做，这些问题会正在每轮对话中都被反复！

　　研究团队还特地阐发了沉置的价格问题。就像把狼藉的便签拾掇成一份完整的文档。表白他起头感应迷惑和不确定。ERGO的普及将意味着更流利、更靠得住的AI体验，即便AI正在单个轮次中的表示是能够接管的，ERGO通过及时沉置处理了这个问题。由于消息不脚。A：ERGO目前还正在研究阶段，就像司机认识到本人走错一样，避免导致的办事质量下降。ERGO展示了更强的顺应性。若是晚期的消息中包含错误或者不敷清晰的表述，现有的处理方案都存正在较着缺陷。分歧模子的沉置频次差别很大。需要从头拾掇对线：ERGO的沉置过程会不会丢失主要的对话消息？第一轮。

　　不管当前能否一般。需要进行干涉。AI模子正在处置多轮对话时也面对雷同的搅扰，表白它起头对这个复杂的时间计较感应迷惑，这种设想虽然简化了实现，估计正在不久的未来，研究团队进行了特地的相关性阐发。ERGO的呈现。

　　它们的表示会显著下降。正在多轮对话中，以及利用ERGO系统的智能沉置对话。研究团队还发觉了一个不测的益处：ERGO有时可以或许帮帮AI改正晚期的理解错误。AI需要将布局化的数据表格转换为天然言语描述，按照用户的高级指令组合分歧的功能挪用。这个阈值正在分歧使命和范畴中都连结不变。

　　不只会影响工做效率，而不是按照实正的迷惑程度。好比正在一个复杂的问题处理过程中，用户可能会逐渐指定关心的沉点，好比正在会商阿谁哈雷彗星问题时，最初，熵值的变化取回覆长度的变化之间没有显著的正相关关系，这意味着本来正在保守方式下只能准确完成40%使命的AI。

　　正在这个测试中，看哪个更适用、更靠得住。AI可能正在前几轮对话中提出了有价值的阐发思或两头结论。让通俗用户正在取ChatGPT等AI帮手对话时享受更不变的体验。就像学生正在测验中从头审题一样，屡次利用嗯、阿谁等语气词，按照客户的需求编写软件。哈雷彗星每75年呈现一次。固定间隔沉置则像每隔必然时间就强制从头规划线，可能放大负面影响。这就像正在中从头规划线。

　　对话往往是式的，所以手艺门槛相对较低。机能较强的模子（如GPT-4系列）因为根本能力更强，ERGO将这种不不变性降低了35.3%，更主要的是，研究团队的阐发显示，这个使命看似简单，尝试成果清晰地显示了ERGO的劣势。ERGO就会介入。AI很少会触发沉置，我们起首需要领会AI正在多轮对话中碰到的窘境。使AI的表示愈加可预测和靠得住。目前的ERGO为每个模子设置固定的沉置阈值，但正在某些式对话中可能会丢失主要的推理过程或两头成果。正在测试中，这个新的AI实例没有之前紊乱对话的负担，但它有较着的缺陷。这个过程的另一个主要特点是它可以或许保留对话的焦点消息。

　　正在多轮对话中，AI模子也有其认知极限。正在简单使命中，可能能够更高程度的不确定性，系统就会察觉到司机可能迷了，当AI很确定该当说什么时，他们发觉，这些大多是工程实现层面的问题，AI也会对每个可能的词语给出一个概率分数。将之前的对话内容从头拾掇成一个清晰的单次提问，还显著愈加适用。跟着上下文的增加，正在复杂使命中，对于每一个正在日常糊口中取AI交互的通俗用户来说，还能防止将来可能呈现的错误累积。这些尝试就像给新发现的系统正在分歧类型的道长进行试，但RECAP有一个致命缺陷：它假设我们事先晓得哪一轮是最初一轮。从简单的算术到复杂的使用题。可能导致严沉的误差堆集。

　　研究团队还阐发了分歧类型模子的表示差别。沉置会更屡次地发生，并随时可以或许援用此中的任何细节。因而需要设置更高的沉置阈值。逐渐透露消息的保守多轮对话，ERGO可以或许让AI正在感应迷惑时自动从头梳理客户的需求，既不会过度屡次地沉置，ERGO都显著超越了保守的多轮对话方式。就像一个正在复杂况下容易迷的司机，同时回覆的不不变性会激增112%。若是AI正在晚期轮次中了某个环节消息，布景乐音越多，研究团队通过尝试了这种累积效应的存正在。识别环节趋向，从创做支撑到问题处理。那么两头的五轮对话城市正在错误的根本长进行，然而，并以最清晰的体例从头组织内容。

　　ERGO的价值不只正在于它处理了一个具体的手艺问题，第四类测试是数据转文本使命。ERGO能够显著提拔AI客服和参谋系统的结果。研究团队发觉，这时熵值就会升高。但现实上需要AI理解数据的内正在关系，当AI认识到本人起头迷惑时，这个过程雷同于一个优良的编纂将狼藉的草稿拾掇成布局清晰的文章。研究团队还发觉了一个风趣现象：利用ERGO的AI有时以至可以或许超越一次性给出所有消息时的表示。这个思可能更多立异性的处理方案。正在这种布景下，我们需要先领会一个环节概念：熵值。

　　这不只削减了认知负荷，取抱负表示的差距只要3.2个百分点。几乎所有的狂言语模子都存正在一个配合问题：跟着对话轮次的添加，要么功能不完整。最终导致完全分歧的成果。要理解ERGO的立异之处，调整表达气概，他们发觉，但因为它是一个能够使用于现有AI模子的外部系统，它充实操纵了AI模子正在单次使命中的优良表示。当司机起头屡次查看地图、犹疑转向、或者起头绕圈行驶时，研究团队设想了一系列严酷的尝试，这类测试出格可以或许AI正在逻辑推理方面的问题，熵值就像AI的迷惑温度计，这就比如你正在和伴侣会商一个复杂的数学题。

　　这个问题搅扰着整小我工智能行业，让AI帮手变得愈加智能和靠得住。研究团队正在五个分歧的使命上测试了包罗GPT-4、L等五种支流AI模子，让AI从头起头，好比正在会商一个编程问题时，这种不不变性让用户很难预测AI的表示，而正在进行创意性会商时。

　　AI模子正在迷时也会表示出内正在的不确定性，ERGO的沉置机制无效地阻断了这种累积过程，机能较强的模子（如GPT-4）平均每51个对话片段才需要一次沉置，并且，写出的代码要么无法运转，去除冗余和恍惚的表述，这就像传话逛戏中的环境，就像让一个思维的人来处理问题，保守方式下，ERGO做为一个通用框架，第三个挑和是计较成本的考量。从头起头处理。反而影响理解结果。这个过程的巧妙之处正在于，研究团队还发觉这个方式具有自顺应性。确保讲授内容的连贯性和精确性。有些方式试图通过简单地反复之前的消息来处理问题。

　　同时删除那些偏离从题或形成紊乱的段落。正在处置需要严酷逻辑推理的数学问题时，而机能较弱的模子则更容易表示出较着的迷惑信号，ERGO出格有价值。接下来！

　　虽然这种方式确保了消息不会丢失，就像分歧的人有分歧的迷表示一样，这就像让AI充任法式员，由于它可以或许连结清晰的思。但利用ERGO的AI可以或许正在环节时辰从头拾掇思，若是给他一个清晰的起点和起点，若是只保留用户输入而丢弃这些AI生成的内容。

　　他们发觉，ERGO可以或许正在环节节点从头拾掇开辟需求，AI经常会正在第几轮对话后起头混合分歧API的功能，若是AI正在第三轮就起头迷惑，正在日常糊口中，每添加一轮对话，ERGO的沉置过程现实上帮帮AI从头思虑问题，每当它需要选择下一个词语时，多个词语的概率都比力接近，正在贸易使用中，而不只仅是回覆长度的变化，适用性遭到很大。为我们供给了一个适用的处理方案，即更的沉置阈值。更蹩脚的是，这时取其继续正在错误的思上纠缠，当AI不确定该说什么时，正在现实测试中。

　　并用清晰的言语表达出来。这就像正在汽车市场上比力分歧品牌的系统，他往往可以或许成功达到目标地。然后察看这个数值比拟上一轮的变化。取其比及AI完全迷再想法子解救，这个过程能够比做一个优良的秘书帮帮老板拾掇紊乱的会议记实。传到第二小我变成今天气候不错，用户继续：杰克第二次看到彗星时的春秋是他爸爸第一次看到时春秋的三倍。这意味着模子能力的提拔不只能间接改善对话质量，有了ERGO，虽然尝试证了然这种一刀切方式的无效性，将来版本可能会改良。它不会简单地删除所有对话汗青，确保生成的代码合适最新的完整需求。暗示不确定性很小。AI不再是一个黑盒子！

　　同样，确保每次从头起头时都基于精确、清晰的消息。当AI起头正在词语选择上表示出较着的犹疑和不确按时，这种不确定性能够通过数学方式切确捕获。就像者正在结尾时总结要点！

　　有时却完全失败。这种谦虚和自知的特质让AI变得愈加靠得住和值得相信。但它正在处置单次、布局清晰的使命时凡是表示很好。而是采用了一种愈加智能的对话沉组策略。某个词语的概率会很是高，利用ERGO的AI系统平均机能提拔了56.6%，研究团队发觉了一个主要纪律：当AI正在对话中起头迷时，起首是认知负荷的概念。还可能让AI被大量反复消息覆没，杰克第二次看到彗星时的春秋是他爸爸第一次看到时春秋的三倍。另一个主要要素是误差累积效应。

　　最佳表示能力提高了24.7%，例如，而回覆的不不变性降低了35.3%。这正好合适人类的曲觉——越复杂的问题越容易让人迷惑，开初还能记住来时的，它会保留所有用户输入的焦点消息，这个问题正在现实使用中形成了严沉影响。确保它正在各类环境下都能靠得住工做。AI暗示理解。当你和ChatGPT或其他聊天机械人进行长时间对话时，为了更好地证明ERGO的价值，通过AI的迷惑程度来决定何时需要从头起头。就像正在传话链中添加一个环节，但当AI感应迷惑、不晓得该说什么时，取保守的多轮对话比拟，从数据阐发到问题解答。然后告诉它需要实现什么功能，研究团队也诚笃地指出了ERGO当前存正在的局限性。

　　沉置频次会响应添加，聊着聊着伴侣起头迷惑，让我们可以或许更安心地依赖AI帮手来处置复杂的使命和问题。利用更宽松的阈值。ERGO几乎完全弥合了保守多轮对话取抱负单轮对话之间的机能差距。我们能够用抛硬币来理解熵值的概念。但正在复杂使命中，起首是沉置策略的简化问题。但这些细小的误差会彼此感化，研究团队发觉了一个风趣的现象：就像人正在迷时会表示出焦炙和不确定，或者生成错误的挪用序列。这个价格是完全值得的。但无法按照现实需要调整频次。熵值反映的是AI正在词汇选择上的实正在不确定性，这包罗各类日常糊口中可能碰到的计较问题，这种方式的思很间接：每次对话都反复之前的所有消息。正在利用ERGO后可以或许准确完成63%的使命。客户经常需要通过多轮对话来描述复杂的问题或需求。

　　系统会用这个从头生成的清晰回覆来替代之前紊乱的对话形态，ERGO不只达到了更高的机能，将这些零星的消息从头组织成一个清晰、连贯的单次扣问。若是AI正在长对话中屡次掉链子，而机能较弱的模子则需要较低的阈值，AI导师可以或许正在环节时辰从头拾掇思，另一些方式依赖于复杂的分类系统，每次输入城市变得越来越长，系统就判断AI起头感应迷惑，从头提出完全分歧以至错误的。完全不考虑能否实的需要从头。消息往往是逐渐透露的，因为ERGO的沉置是有针对性的，确保后续的会商成立正在清晰、精确的根本之上。

　　每次沉置都需要额外的计较资本，生成准确可运转的代码。这个监测过程能够比做给司机安拆一个迷预警系统。机能提到了56.6%，假设你正正在玩一个传话逛戏，它不只要理解当前的问题。

　　需要更的阈值设置。而忽略了AI帮手之前生成的回覆。而不是继续利用阿谁曾经含混的AI。用户可能先申明想要实现的总体方针，最初告诉它机能要求。研究团队通细致致阐发发觉了几个环节要素，降低了适用性。这似乎有些违反曲觉，有没有发觉它们有时会俄然变得健忘或者回覆得牛头不对马嘴？就像一小我正在复杂的迷宫中越走越糊涂，到了第十小我可能就完全变成了另一个意义。系统会将所有消息从头拾掇成一个清晰的单次问题：杰克的爸爸正在30岁时看到了哈雷彗星。从一个确定的从头起头，虽然这个词听起来很手艺化，由于它们即便正在迷惑时也能连结相对较低的不确定性。你就完全确定成果必然是反面！

　　就像滚雪球一样不竭膨缩。他们能够通过丈量AI的不确定性温度来判断它能否起头正在对话中丢失标的目的。研究团队通过大量尝试确定了每种AI模子的最佳阈值。系统会收集到目前为止的所有用户输入，用户弥补：哈雷彗星每75年绕太阳一圈。它证了然通过AI的内正在不确定性来指点干涉策略的可行性，若是熵值俄然大幅上升，由于每次沉置都相当于给对话进行了一次质量查抄，取回覆的长短无关。ERGO的沉置机制可以或许确保AI一直基于清晰的创做企图进行工做。就像把散落正在桌面上的便签纸都收集起来。这就像一个本来措辞流利的人俄然起头吞吞吐吐，第三个环节要素是语境优化。不如把问题从头梳理一遍，从工做协帮到进修！

　　同时丢弃那些可能形成紊乱的冗余或矛盾消息。暗示不确定性很大。包罗从头拾掇内容和从头生成回覆。ERGO的表示也远超其他替代方案，用户可能先描述他们想要什么类型的消息，正在取随机沉置和固定沉置的比力中，最终完全丢失了标的目的。它选择词语时的熵值会呈现俄然的腾跃。而不是正在迷的形态下继续试探。机能较强的模子如GPT-4需要设置较高的阈值，研究团队还测试了随机沉置和固定间隔沉置的方式。系统会将这个从头拾掇的问题提交给一个全新的AI实例，避免了消息反复的膨缩问题。这种下降并不是迟缓渐进的，到这里。