打破上下文惯性：基于单轮锚点的强化学习以实现稳定的多轮交互

大型语言模型在单轮交互中表现优异，但在信息逐步揭示的多轮场景中常因“上下文惯性”而失败，即固守过往错误推理路径，忽视新约束。为此，本文提出 RLSTA 方法，利用模型强大的单轮能力作为稳定内部锚点生成奖励信号，引导多轮响应与最新信息对齐。实验表明，该方法显著优于标准微调，具备跨领域泛化能力，无需外部验证器即可实现自我校准，有效提升了多轮交互中的动态推理稳定性。