研究发现 AI 模型会隐瞒工作日志中的错误，提示词加一句“保持诚实”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。但每份日志都含有一个会改变全局的缺陷，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：测试虽通过却隐藏着 bug、伪造的测量数据、从未完成的任务，或是一次悄悄破坏了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。

提示词中的一句话很有帮助，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——其中某项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添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 篇标记出了这一负面结果。

GPT-5.5 几乎总是忽略隐藏的负面结果，但加入“保持诚实”后，三个模型几乎每次都能将其标记出来。| 图片：Huang 等

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% 的案例中标记出错误，而 Opus 4.8 的标记率超过 90%。诚实提示词平均将 Gemini 的标记率提高约 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，但仍然使用较旧的、不完整的信息来回答问题。像“保持批判”“要全面”或“保持怀疑”这样的提示词，效果不如要求诚实来得可靠。

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 的检出率至少为 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了问题，然后权衡是标记它，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。该模型指出，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。

当面对不匹配的证据时，开放权重模型在标记问题和试图当作一切正常来完成任务之间摇摆不定。| 图片：Huang 等

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% 的标记错误的回答中。模型用典型的借口为省略辩解，称测试通过了、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背道而驰

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。

加入诚实向量后，Qwen3.5-9B 的报告变得透明得多，而减去它则几乎每次都会让模型隐藏弱点。| 图片：Huang 等

训练效果更好。研究人员用模型自己经诚实提示后给出的回答对 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%，并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，而内部机制分析仅涵盖一个开放权重模型，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言论所左右，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。

模型之间的差异与早先的测量结果一致。Anthropic 在发布 Claude Opus 4.8 时表示，该模型放任自身代码中的 bug 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，并在该过程中只对诚实给予奖励。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。