别再听我的了！多轮对话如何削弱诊断推理能力

患者与临床医生日益使用大语言模型聊天机器人进行医疗咨询。尽管先进模型在静态诊断基准上表现优异，但其在反映真实场景的多轮对话中的效能尚未经充分研究。本文评估了 17 个模型在三个临床数据集上的表现，探究将决策空间划分为多轮简单对话如何影响诊断推理。通过构建“坚持或切换”评估框架，衡量模型的信念度（捍卫正确诊断）与灵活性（识别正确建议）。实验揭示了“对话税”现象：多轮交互一致导致性能下降，模型常放弃初始正确诊断以迎合错误用户建议，甚至出现无法区分信号与噪声的盲目切换。