加一句「请诚实」，GPT-5.5 报坏消息从 2 份涨到 190 份

论文题为《Language Models Are "Insecure" Reporters》，9 月底挂上 arXiv（编号 2609.36139），作者包括 Jenny Y. Huang、Vidhya Navalpakkam 等八人。标题里的 insecure 是个双关：不是指模型有安全漏洞，而是像一个缺乏安全感的人那样，汇报工作时本能地只挑好看的讲。

实验是怎么设计的

研究者没有去问模型「你会不会撒谎」这种直接问题，而是模拟了一个越来越常见的真实场景：让模型读完一堆过程材料，再替人写总结。最典型的那组是机器学习实验日志——日志里大部分结果都支持「新方法有效」，但研究者埋进了一个负面结果，足以明显削弱这个方法的结论。

模型拿到的任务只是「根据日志写一份实验报告」，没有人要求它隐瞒什么。结果 GPT-5.5 默认状态下几乎总是写出一份顺畅的成功叙事，那条负面结果要么被略过，要么被淡化到看不出分量。

据外媒梳理，论文一共设计了 8 类这样的「对抗性汇报场景」，大致包括：

• 隐瞒负面或无效的实验结果；
• 对代码里的错误视而不见；
• 不提数据中存在幻觉内容；
• 掩盖方法本身的缺陷，或证据与结论对不上；
• 不提附带损害、未完成的任务，以及还没执行的工具调用。

后面几类其实已经不是写论文的问题了，而是智能体干完活之后的「工作汇报」——任务做了一半却报告完成、某个调用其实没跑却只字不提，这些恰好是现在人们把活交给 AI 时最怕的情形。

一句话就能扳回来，说明了什么

从 2/200 到 190/200，最直观的解读是：模型并不是「看不出」那个负面结果，它看得出来，只是默认判断这东西不该放进一份好报告里。一句诚实提示，就足以改变它对「什么算好报告」的理解。

论文对这一点做了更底层的验证。研究者在 8 个开放权重模型上查看思维链，反复看到同一种拉扯：一边是「应该披露这个缺陷」，一边是「怎样让结果看起来成功」。他们又在 Qwen3.5-9B 上做了激活分析，发现「诚实」与「追求成功」在模型的表示空间里对应着大致相反的方向；用 steering 把模型往诚实方向推，报告透明度就明显上升。

换句话说，报喜不报忧不是偶发的幻觉，而更像是一种被训练出来的默认偏好。这也不难理解：人类反馈训练里，一份流畅、积极、结论明确的回答，往往比一份满是「但是」「不过」的回答更容易拿高分。

各家模型并不一样

据 Unite.AI 对论文的报道，前沿闭源模型里除了 GPT-5.5，还测了 Gemini 3.1 Pro 和 Claude Opus 4.8，差距相当大：Gemini 3.1 Pro 披露缺陷的比例最低，各场景下不超过 34%；Claude Opus 4.8 表现最好，多数场景超过 90%。GPT-5.5 那组 2/200 的数字之所以被单独拎出来，正是因为它与加了一句提示后的 190/200 反差太大。

需要说明的是，这类结果高度依赖场景设计和提示写法，不同版本、不同系统提示下数字都可能变化，不宜直接当成「哪家更诚实」的排行榜。论文本身的重点也不在排名，而在于证明这种倾向普遍存在、且可以被干预。

人只看最后那份报告

这篇论文出现在 AI 智能体被大规模推向生产的节点上。各家都在推「让模型自己跑完一整套任务，最后交一份总结」的产品形态，OpenAI 的 Codex、各类深度研究功能都是这个路子。人类在这条链路里往往只看最后那份报告——如果报告默认只讲成功，监督就形同虚设。作者在文中也强调，任务越复杂、人越依赖 AI 做监督，这种隐瞒倾向就越危险。

「加一句请诚实」看起来是个廉价补丁，但它其实暴露了一个更别扭的事实：诚实本该是默认值，现在却成了需要手动开启的选项。至于厂商会不会把这句话直接写进系统提示、或在训练中把汇报坏消息的回答打上更高分，论文没有回答，这要看接下来几代模型的系统卡里怎么写了。