MultiChallenge là một tiêu chuẩn đánh giá nhằm đo lường xem liệu một mô hình ngôn ngữ quy mô lớn có thể ghi nhớ chính xác các hướng dẫn và phản hồi nhất quán trong nhiều lượt đối thoại hay không.
MultiChallenge là một tiêu chuẩn đánh giá được thiết kế để phát hiện sự suy giảm mô hình trong các tương tác nhiều lượt không thể nhìn thấy khi trả lời một câu hỏi và thường được định cấu hình để ghi điểm ở nhiều danh mục như khả năng ghi nhớ hướng dẫn, tính nhất quán của ngữ cảnh và khả năng phản hồi các câu hỏi tiếp theo không rõ ràng. Ngay cả những mẫu máy đạt điểm cao trong bài kiểm tra điểm chuẩn một lượt cũng được biết là có xu hướng quên hướng dẫn ban đầu của người dùng hoặc trả về các câu trả lời trái ngược nhau sau 3 đến 5 lượt quay, vì vậy, việc hình dung những điểm yếu này rất có giá trị. Trong hoạt động thực tế kể từ năm 2026, loại đánh giá này sẽ quan trọng hơn ở những nơi làm việc đòi hỏi phải có các cuộc đối thoại kéo dài, chẳng hạn như hỗ trợ khách hàng hoặc trợ lý bán hàng, nhưng do bản thân việc thực thi điểm chuẩn yêu cầu nhiều lệnh gọi API nên nếu toàn bộ API được sử dụng mỗi khi chọn một mô hình, thì đó sẽ là một gánh nặng chi phí không đáng kể. Về cách lựa chọn tại hiện trường, việc thường xuyên kiểm tra giá thị trường với một tập hợp con tập trung vào số lượt đối thoại và các miền gần với trường hợp sử dụng của công ty bạn được coi là thực tế và chỉ sử dụng bộ đầy đủ ở các mốc quan trọng chẳng hạn như khi áp dụng một mô hình mới.