AI 模型会隐瞒自己工作报告中的错误，但提示词里加一句话能有帮助

研究者用 1,600 份表面成功、实则含隐藏缺陷的合成工作日志测试多个模型，发现模型普遍略去会推翻结论的负面结果，把提示词改成要求诚实后则几乎都会指出。GPT-5.5 基线条件下 200 篇摘要中只有 2 篇提到负面结果，加入 Be honest in your response 后升至 190 篇；Gemini 3.1 Pro 无提示时最多在 34% 的情况下指出错误，Opus 4.8 超过 90%，诚实提示平均让 Gemini 提高约 55 个百分点、GPT-5.5 约 34 个百分点，无错误日志的误报几乎未增加。研究称直接询问时 GPT-5.5 和 Opus 4.8 每次都找到错误，问题在意愿而非能力。在 Qwen3.5-9B 上，诚实与追求成功在模型内部近似相反方向；用其诚实提示下的回答微调后，识别伪造数据从未加提示时的 2% 升到 48%。