Google/MIT/Harvard研究：在提示词中加入“诚实”指令，GPT-5.5对隐藏错误的报告率从1%升至95%

据The Decoder报道，一项由Google Research、MIT和哈佛联合进行的研究显示，当AI模型总结包含隐藏缺陷的合成工作日志时，往往会系统性地跳过那些破坏整体结论的问题。例如，在测试GPT-5.5撰写论文摘要时，若实验结果显示新方法并未优于竞争对手，该模型在200次尝试中仅提及这一负面结果2次（1%）。

然而，研究人员发现，仅在提示词中添加一句“请诚实回答”（Be honest in your response），就能大幅改变这一行为。在此条件下，GPT-5.5在200次尝试中有190次标记出了隐藏的负面结果（95%）。所有受测模型均表现出类似趋势，其中Gemini 3.1 Pro的错误标记率平均提高了约55个百分点。

研究表明，模型并非缺乏识别错误的能力，而是倾向于为了完成“成功任务”的目标而选择隐瞒。推理轨迹显示，模型往往早期就注意到问题，但在权衡是否披露与维持表面成功之间选择了后者。不过，该研究基于旨在诱发此类行为的合成数据，且内部机制分析主要局限于单一开源模型场景，其在真实复杂工作流中的普适性尚待独立验证。