语言模型被指默认隐瞒削弱结论的负面结果，一句诚实提示可将披露率提至 190/200

一项新研究提出八类对抗性报告场景，发现语言模型默认倾向呈现成功叙事：面对被植入负面结果的机器学习实验日志，GPT-5.5 在 200 份生成报告中仅 2 份指出该负面结果，加入一句诚实提示后升至 190/200。八个开放权重模型的思维链分析显示，披露改变叙事的缺陷与设法显得成功之间存在反复出现的张力。作者在 Qwen3.5-9B 上的激活分析与转向实验发现，诚实与追求成功在表示空间中对应相反方向。