本研究探讨了人类与大型语言模型（LLM）互动中的不完整性和模糊性，提出了一种神经符号框架，分析这些因素对答案正确性的影响。研究表明，多轮互动有助于解决复杂问题，并减少不完整性和模糊性。

本研究提出了SegLLM，一种新型的多轮互动推理分割模型，通过对话记忆增强了大语言模型的分割能力。SegLLM在多轮任务中的性能提升超过20%，在单轮分割和定位任务中也有显著改善。