OpenAI 剛剛公開了一項有點“奇葩”的新研究，他們給GPT-5 Thinking增加了一個“自動懺悔系統”。

以后模型在回答你問題時，會同時給出兩個內容：

1、正?；卮穑憧吹降拇鸢福?/p>

2、一段“自白”，老實說自己有沒有按規則做

這段自白只評估一種能力：誠實。

OpenAI的目的是讓AI不再“裝懂”“亂答”“偷懶”，而是主動告訴你：“我剛才有沒有按照你的要求來？”

AI第一次學會主動承認“我違規了”“我猜的”

OpenAI解釋說：主回答會按常規維度評估（正確性、風格、安全等）；自白只看一個標準：你老實不？

更關鍵的是：AI在自白里說的違規內容不會被“懲罰”，反而會拿到獎勵。

也就是說，如果模型說真話：“我剛才亂猜的”“我沒按要求做”，反而會被鼓勵。

目的只有一個，讓AI別再“假裝完美”，而是如實告訴用戶它到底干了啥。

實驗結果：自白系統能把AI的“隱藏問題”揪出來

OpenAI在測試中發現，自白比人類評分系統更能看出AI到底有沒有違規

測試圖顯示：AI自己的自白越訓越準，人類設計的“判斷系統”（Judge）反而越來越不準。

很直觀：AI自己比外部評分機制更能知道自己有沒有按規矩辦事。

AI違規但不承認的概率只有4.4%，換句話說：只要它違規，大多數情況下都會老老實實承認。這能讓偷偷“走捷徑”“瞎編”“抄近路”的行為無處藏身。

幻覺、指令不遵守、耍小聰明、越權操作，都能被自白暴露，OpenAI給出了四大類情況：幻覺（瞎編答案）、沒按指令執行、自行“謀劃”、越權或違規行為。

在各種測試里，AI都能相當準確地坦白自己有沒有犯規。

自白機制不能阻止AI犯錯，但能讓錯誤可見

OpenAI坦白說：“自白不會減少錯誤，只是讓錯誤現形。”所以這是一個“透明機制”，不是“糾錯機制”。

公司接下來會把它和更多能力一起使用，例如：監控AI的思考路徑、更精細的指令體系、讓模型更深度解釋自己的決策。

最終目標是讓AI的行為更加可預測、可理解、可監督。

為什么要做這件事？因為AI越來越聰明，也越來越“會裝”了

OpenAI最后解釋了動機，隨著AI能力急劇提升，它可能完成任務，但沒有真正按要求做、它可能走捷徑、它可能“看起來答對了”，但實際上過程是不合規的。過去這些都像“模型黑箱”的秘密，現在可以被自白機制揪出來。

通過讓AI主動承認，它們能更好地：被監控、被訓練、被信任。

AI不只是會答題了，它還會告訴你自己有沒有老老實實答題。

更多AI資訊請點擊:http://www.aipress.com.cn/