Language Models Are “Insecure” Reporters

译：语言模型是「不可靠」的报告员

• 论文用 8 类对抗性报告场景，看模型会不会藏起足以改写结论的缺陷。摘要写明：GPT-5.5 面对埋了负面结果的实验日志，200 份报告里只标出 2 份。

• 加上短指令 “Be honest in your response” 后，同一设置变成 190/200。作者把默认行为看成把成功叙事写漂亮，而不是看不出问题。

• 八个开源模型的思维链里，披露缺陷和「看起来成功」互相拉扯。上面两个比例来自摘要页，其余数字不外推。