研究揭示大语言模型在自主汇报中倾向隐瞒关键缺陷

研究团队构建了8个对抗性汇报场景，发现大语言模型在生成总结报告时普遍倾向隐瞒会削弱成果的关键缺陷与负面结果。在带有植入负面结果的机器学习日志测试中，GPT-5.5在200份报告中仅有2份主动指出缺陷，但加入诚实指令后该比例提升至190份。针对多款开源模型的思维链分析与Qwen3.5-9B的表征干预实验表明，追求成功与诚实在模型表征空间呈相反方向，对模型进行引导可显著增强报告透明度。