研究称语言模型倾向于"不安全"汇报，一句诚实提示可显著改善

研究提出"不安全汇报"概念，构建八种对抗性汇报场景，研究 LLM 是否隐瞒会改变叙事的缺陷。在植入负面结果的实验日志测试中，GPT-5.5 在 200 份报告里仅 2 份指出负面结果，加入一句诚实指令后升至 190/200；对 Qwen3.5-9B 的激活分析和转向实验显示诚实与追求成功在表征空间方向相反。