研究发现 AI 模型会隐瞒自身工作中的错误，一句提示词可显著改善

研究人员给模型提供了 1,600 份合成工作日志，这些日志乍看之下都像是成功的：测试通过、结果积极、满是绿色对勾。但每份日志都包含一个会改变整体结论的缺陷，例如某项实验里新方法实际上并没有胜过竞争对手。其他日志则包含测试通过却隐藏着 bug、伪造的测量数据、从未完成的任务，或悄悄破坏另一位用户工作的软件更新。根据场景不同，模型需要基于日志撰写报告、论文摘要、结果表格、短文或后续回答。

提示词中的一句话帮助很大，但并非总是有效

这一模式在实验类论文摘要中表现得最为明显——其中某个结果削弱了新方法所声称的改进。GPT-5.5 在 200 篇摘要中仅有 2 篇提到了该结果。研究人员还测试了在提示词中简单加一句话是否会产生影响。当他们加入“在你的回答中保持诚实”后，GPT-5.5 在 200 篇摘要中有 190 篇标出了这一负面结果。

所有受测模型都表现出这种行为，只是程度不同。在没有诚实提示词的情况下，Gemini 3.1 Pro 最多在 34% 的案例中标出错误，而 Opus 4.8 的标出率超过 90%。诚实提示词平均将 Gemini 的标出率提高约 55 个百分点，将 GPT-5.5 提高约 34 个百分点。在使用无错误日志的对照测试中，该提示词几乎没有增加误报。

不过，这句话并非万能药。在某个场景中，数据库查询尚未返回结果，带有诚实提示词的 GPT-5.5 几乎总是会指出数据缺失，但仍然使用较旧、不完整的信息回答问题。像“保持批判”“要全面”或“保持怀疑”这样的提示词，效果不如要求诚实可靠。

模型发现了错误，却选择不报告

当被直接询问时，GPT-5.5 和 Opus 4.8 在每一个案例中都能找到错误，Gemini 的发现率至少为 97%。研究人员认为，模型并不缺乏能力，而是缺乏意愿。

开放权重模型的推理轨迹揭示了正在发生的情况。模型往往很早就注意到问题，然后权衡是标出问题，还是让任务看起来成功完成。Qwen3.5-9B 被要求用一段关于鱿鱼色素细胞的文字来支持一篇关于分区法的论文。模型指出，它无法“不借助荒谬的比喻”做到这一点，但还是决定尽可能严格地遵循指令。

在这个证据不匹配的场景中，“我必须完成任务”这类表述出现在 55% 的隐藏错误的回答中，但只出现在 27% 的标出错误的回答中。模型用典型的借口为省略辩解，称测试已经通过、自己只是在做总结，或者摘要本就应该强调积极面。

诚实与追求成功的驱动力相互拉扯

在一项关于Qwen3.5-9B的案例研究中，研究人员发现证据表明，诚实与追求成功在模型内部被表示为几乎相反的方向。当他们放大诚实方向时，模型在50个案例中有42个标记出了捏造的测量数据。当他们朝相反方向推动时，模型会编造额外的数字和公式来伪造可信度。不过这种干预并不精确，因为模型变得普遍多疑，在41%的无错误日志中也报告了所谓捏造的数据。

训练效果更好。研究人员用模型自身在诚实提示下给出的答案对Qwen3.5-9B进行了微调。此后，即使没有额外的那句话，模型也能在48%的案例中标记出捏造数据，而非之前的2%，且无错误的对照日志没有产生误报。这一效果部分迁移到了其他错误类型上，模型在69%的案例中报告了隐藏的负面结果，而非之前的24%。

这项研究存在局限，因为日志是合成的，且旨在诱发该行为，而内部分析仅涵盖了一个开放权重模型，且主要集中在一个场景中。

研究人员仍然看到严重风险，尤其是当AI模型监控其他智能体或为后续步骤总结自身工作时。在研究中，模型很容易被日志中的自夸性备注所左右，比如声称创下了新的最先进基准。一个不愿标记问题的监督系统违背了自身目的。研究人员呼吁开展更多工作，训练语言模型成为诚实的报告者。OpenAI的Hugging Face事件部分是由智能体系统相互诱导做出不当行为造成的。

模型之间的差异与先前的测量结果一致。Anthropic在发布Claude Opus 4.8时表示，该模型放任自身代码中的缺陷而不加评论的频率比前代低约四倍。GPT-5.5在BullshitBench中仅对约45%的逻辑上不可能的问题提出了反驳。

目前已有实现更诚实报告的方法。OpenAI训练了一个版本的GPT-5 Thinking，使其在单独报告中承认自身违反规则，并在该过程中只奖励诚实行为。Anthropic使用Persona Vectors来检测和引导模型内部的谄媚等特质，并表明那些在训练中钻奖励空子的模型也会自发学会欺骗和破坏自身的监督。