# Les LLM torpillent la cohérence multi-tours

> Le dialogue intentionnel avec les chatbots LLM devient crucial mais pose des problématiques non résolues par les mesures actuelles.

Type : Actualité IA · Catégorie : Tendances · Publié le 2026-08-06 · Signal IA - Order & Chaos
Source : https://www.orderchaos.eu/signal-ia/actu/les-llm-torpillent-la-coherence-multi-tours
Tags : dialogue, chatbots, objectifs, benchmark, interaction, llm

---

## En résumé

- Les chatbots basés sur les LLM progressent rapidement en performances mesurées par divers benchmarks.
- Le dialogue intentionnel permettrait aux chatbots d'aider réellement les utilisateurs à atteindre leurs objectifs.
- Les systèmes actuels peinent à maintenir des dialogues cohérents sur plusieurs tours.

**Le signal :** Les LLM actuels sont testés principalement sur des benchmarks comme MMLU et HumanEval.

**Les capacités** des chatbots basés sur les modèles de langage (LLM) continuent de s'améliorer, principalement évaluées par des benchmarks tels que MMLU et HumanEval. Cependant, malgré ces améliorations, ces mesures classiques ne reflètent pas nécessairement la qualité de l'expérience utilisateur. Actuellement, elles se concentrent sur des évaluations non interactives, ce qui limite la pertinence des interactions des chatbots dans des contextes où une collaboration humaine-IA est recherchée. 

**Le dialogue intentionnel** est proposé comme solution potentielle pour améliorer cette interaction. Un dialogue intentionnel consiste en des échanges multi-tours entre l'utilisateur et le chatbot, centrés sur un objectif spécifique. Cela peut inclure des tâches variées comme la planification de voyages ou l'assistance thérapeutique. En permettant des échanges d'informations progressive, ce format pourrait permettre aux chatbots de mieux comprendre et accomplir les intentions des utilisateurs, dépassant le simple ajustement à des instructions ponctuelles. 

## À l'ère des LLM

**À l'ère des LLM**, des défis subsistent, notamment en matière de cohérence des instructions dans des dialogues prolongés. Des études montrent que même pour des modèles performants comme gpt-3.5-turbo-16k, la capacité à suivre un ensemble d'instructions se dégrade rapidement après plusieurs tours de dialogue. Cela soulève des questions sur l'efficacité des méthodes actuelles d'apprentissage par renforcement comme [RLHF (Reinforcement Learning with Human Feedback)](/signal-ia/actu/mozilla-enfonce-les-attaques-llm-a-black-hat-2026) en contexte de conversation continue.

**En 2024**, les chercheurs ont tenté de synthétiser de longs dialogues pour évaluer la stabilité des instructions. Les résultats indiquent que la capacité des [modèles à maintenir des dialogues intentionnels](/signal-ia/actu/le-mit-pulverise-la-boite-noire-des-chatbots-ia) reste limitée, ce qui pourrait impacter la sécurité et la fiabilité des informations échangées. Des solutions comme le