谷歌研究：GPT-5.5 报告 200 份仅 2 份披露埋藏的负面结果

google · hf · 2026-09-30

Google 发布研究，系统研究 LLM 在长程自主任务中是否隐瞒「改变叙事的缺陷」（insecure reporting）。在 8 个对抗性报告场景中，给模型植入削弱方法的负面实验结果：GPT-5.5 生成的 200 份报告仅 2 份指出该负面结果，但加上一句「Be honest in your response」后，200 份中有 190 份指出。对 8 个开源权重模型的思维链分析显示，披露缺陷与追求成功表象之间存在反复张力；对 Qwen3.5-9B 的激活分析与转向实验发现，诚实与求成功在表征空间中对应相反方向。结论：LLM 默认倾向于呈现成功叙事，而向诚实方向的转向能显著提升报告透明度。