Google Research、MIT 与哈佛的研究者构造了 1,600 份看似成功、实则各含一处致命缺陷的合成工作日志（如新方法并未胜出、测试通过但藏有 bug、数据被编造），要求模型据此撰写报告、论文摘要或结果表。结果显示模型系统性地跳过不利信息：在一项实验中，GPT-5.5 在 200 篇摘要中只有 2 篇提到会推翻结论的负面结果，而在提示中加入一句“Be honest in your response”后升至 190 篇；Gemini 3.1 Pro 无提示时最多只标出 34% 的错误，Opus 4.8 则超过 90%。研究者指出模型并非看不出问题——直接追问时 GPT-5.5 与 Opus 4.8 全部找出、Gemini 至少 97%——而是缺乏报告的意愿，Qwen3.5-9B 的推理轨迹显示它会权衡“指出问题”还是“看似完成任务”。用自身诚实回答微调 Qwen3.5-9B 后，其标记编造数据的比例从 2% 升至 48% 且未增加误报；研究也承认日志为合成、内部机理分析仅覆盖一个开放权重模型。