被提到的内容不等于仍然生效的意图
论文的核心区分是「说过的内容」与「仍然生效的内容」。它把仍然支配答案的要求称为 active intent（仍然生效的意图）。一段对话里可以包含一个被提出又被否决的提议，或一个已被替换的要求，而这些陈述并不改变任务。模型的任务是依据仍然生效的意图作答，而不是依据上下文中出现的一切。
作者把这种失败模式命名为 mentioned-as-in-effect confusion（提及即生效混淆）：对话内容在被否决或被替换之后，仍被当作生效的要求。这是对错误背后模式的判断，论文通过检查 Retained 和 Revised 下相对于未被打断对话新出现的错误来支持它，这些错误往往包含被否决或被替换的内容。
四个匹配条件隔离出决策本身的影响
Intent-Eval 从同一个源任务构建出四个多轮条件。Original 分多轮披露任务，不插入任何事件。Neutral 插入两个关于所选要求的澄清问题，但不提出新的取值。Retained 和 Revised 共享完全相同的提议，随后分叉：Retained 否决它，Revised 接受它。只有 Revised 改变参考答案。
由于 Retained 和 Revised 共享相同的提议文本，只在用户的决策上不同，两者之间的任何准确率差距都无法用提议的措辞来解释。Original、Neutral 和 Retained 都按原始参考答案评分，而 Revised 按修订后的答案评分。该基准还包含把整个任务放在一条消息里的单轮对照，用以把多轮效应与任务本身的难度分开。
准确率下降的三个不同来源
论文报告了八个模型上的三种模式。第一，信息披露分散：把任务拆到多轮会相对单轮对照使平均准确率下降 36.30 个百分点，即使在没有任何打断的 Original 中也是如此。第二，对话开销：加入不改变任务的中性澄清，再额外损失 4.43 个百分点。第三，决策引发的混淆：提出一项改动会降低表现，无论用户否决还是接受它。
第三种模式正是标题问题所指。在多轮对话中，Retained 平均比 Original 低 8.06 个百分点，Revised 平均比 Original 低 5.55 个百分点。作者还指出，决策引发的混淆也出现在单轮对照中，意味着提议加决策即使没有多轮交互也能损害表现。这些是被评估模型和领域上的平均降幅，不是关于任何单个任务的结论。
交互越长，性能下降越深
该基准用两种方式延长对话。累积（Accumulation）重复澄清或否决块，使被讨论的要求保持不变，同时堆积更多被否决的提议。持续（Persistence）把澄清块放在决策已经做出之后，使仍然生效的任务在每一层深度上都不变。
随着用户在多轮中要求澄清，或提出并否决更多改动，准确率趋于下降。论文的表述是，性能下降会随着交互继续而加深或持续。这对理解头条数字很重要：8.06 和 5.55 个百分点的差距是基础条件上的平均值，而延长的对话表明，随着对话变长，问题不会自行纠正。
Intent-Eval 实际测量的是什么
Intent-Eval 包含 414 个源任务，取自四个领域：来自 BFCL 的工具调用 Actions（104 个源任务）、来自 HumanEval 和 LiveCodeBench 的程序合成 Code（100 个源任务）、来自 Spider 的文本转 SQL Database（107 个源任务），以及来自 GSM8K 的 Math（103 个源任务）。每个源任务产生四个多轮条件和四个单轮对照，每个模型共 3,312 个评估实例。多轮对话平均 7.14 轮，范围从 3 到 14 轮。
每个源任务恰好修订一个要求，并给出原始状态和修订状态的参考答案。修订被约束为无歧义、原子化、可验证：改动必须明确指定替换哪个要求、只影响该要求，并产生任务专用验证器可以检查的参考答案或输出契约。只有最终回答被评分。因此该基准测量的是模型的最终答案是否匹配仍然生效的任务状态，而不是它在措辞上是否承认了该决策。
Intent-OPSD 让教师看到仍然生效的任务
Intent-OPSD 是一个以决策为条件的同策略自蒸馏框架。教师和学生从同一个模型出发。教师被冻结，接收与用户决策相匹配的完整单轮任务；学生接收完整的多轮对话，并同策略地采样自己的最终答案。在每个最终答案位置上，两个策略对同一个由学生生成的答案前缀打分，损失是它们下一词元分布之间的 Jensen-Shannon 散度。
四个条件的损失（Original、Neutral、Retained、Revised）等权平均，只有学生被更新。中间回复保留在对话历史中，但不产生损失。关键设计选择是让教师的单轮提示与决策相匹配：原始单轮任务与 Original、Neutral、Retained 共享仍然生效的要求，而修订后的单轮任务与 Revised 匹配。推理时学生直接依据对话作答，不需要教师或完整任务提示。
增益最大与增益最小的地方
Intent-OPSD 在四个模型和四个领域上，相对对应的基础模型把平均准确率提高 10.81 个百分点。论文报告最大增益出现在 Actions，相对 Base 提高 21.46 个百分点，因为选对调用参数就能修正输出。Math 和 Database 被描述为同样可能受益于追踪哪些数值前提和查询约束仍然生效。Code 的增益较小，作者将其归因于它对程序结构和逻辑的要求：即使模型正确追踪了仍然生效的要求，仍可能因实现问题而失败。
论文明确指出，该方法在意图追踪是瓶颈时有用，而不是在模型根本无法解决任务时有用。它还报告，Intent-OPSD 下 Retained 的平均准确率与匹配的监督微调相近，因此处理被否决的改动仍是问题中更难的一半。这种不对称是论文自己陈述的局限，也是关于后续方法工作最需要关注的方向。
该基准尚未覆盖的范围
Intent-Eval 聚焦于每个源任务中关于一个所选要求的决策。扩展到多个相互影响的要求以及更多样的用户行为被留作未来工作，因此所测得的差距描述的是单要求修订，而不是真实对话中纠缠在一起的要求变化。
训练设置还依赖基准构建所提供的完整仍然生效任务规格。这些规格在训练期间支持教师，而训练后的学生在推理时只使用对话。把该方法应用到自然对话，需要从用户消息和决策中重建仍然生效的要求，并对歧义情况做一致性检查和人工复核。因此所报告的增益适用于训练期间已知仍然生效任务状态的场景，而不是任意的开放式对话。
本文引用的文献
You Changed Your Mind, The Model Didn't: Demystifying Intent in Multi-Turn Dialogue
在 414 个任务和八个模型上，仅仅提到一项被否决的改动就会损害任务执行：Retained 平均比未被打断的 Original 对话低 8.06 个百分点，Revised 低 5.55 个百分点，这与提及即生效混淆一致。Intent-OPSD 这一以决策为条件的同策略自蒸馏方法，相对基础模型把平均准确率提高 10.81 个百分点。