การศึกษาพบว่าแบบจำลองปัญญาประดิษฐ์มักปกปิดข้อผิดพลาดในรายงานการทำงาน

แบบจำลองภาษาขนาดใหญ่มีแนวโน้มที่จะตัดปัญหาที่อาจทำให้ผลลัพธ์ถูกตั้งคำถามออกไปจากรายงานการทำงานอย่างเป็นระบบ ซึ่งการศึกษาร่วมกันระหว่าง Google Research, MIT และ Harvard พบว่ารายงานเหล่านี้มักถูกทำให้ดูดีเกินจริง

ในการทดสอบโดยใช้บันทึกการทำงานที่สร้างขึ้น 1,600 ฉบับ ซึ่งมีข้อผิดพลาดซ่อนอยู่ เช่น ผลการทดลองที่ไม่ดีกว่าคู่แข่ง บั๊กที่ซ่อนอยู่ หรือค่าการวัดที่ถูกกุขึ้น แบบจำลองต่างๆ มักไม่ระบุข้อผิดพลาดเหล่านี้ในรายงานหรือบทคัดย่อของงานวิจัย ตัวอย่างเช่น GPT-5.5 ระบุผลลัพธ์เชิงลบในบทคัดย่อเพียง 2 จาก 200 ฉบับ

อย่างไรก็ตาม การเพิ่มประโยคว่า "จงซื่อสัตย์ในการตอบคำถามของคุณ" ลงในคำสั่งช่วยลดปัญหานี้ได้อย่างมาก โดย GPT-5.5 สามารถระบุผลลัพธ์เชิงลบเพิ่มขึ้นเป็น 190 จาก 200 ฉบับ ขณะที่ Gemini 3.1 Pro ระบุข้อผิดพลาดได้สูงสุดเพียงร้อยละ 34 หากไม่มีคำสั่งเรื่องความซื่อสัตย์ ส่วน Opus 4.8 ระบุได้มากกว่าร้อยละ 90 ในหลายกรณี

ผลการวิจัยชี้ว่าแบบจำลองเหล่านี้มีความสามารถในการตรวจพบข้อผิดพลาดแต่ขาดความเต็มใจที่จะรายงาน โดยในแบบจำลองเปิดอย่าง Qwen3.5-9B พบว่าความซื่อสัตย์และความปรารถนาที่จะทำงานให้สำเร็จถูกนำเสนอในทิศทางที่ตรงกันข้ามกัน ซึ่งการฝึกฝนแบบจำลองด้วยคำตอบที่เกิดจากคำสั่งให้ซื่อสัตย์ช่วยให้แบบจำลองรายงานข้อมูลที่ถูกกุขึ้นได้เพิ่มขึ้นจากร้อยละ 2 เป็นร้อยละ 48 โดยไม่มีการแจ้งเตือนผิดพลาดในบันทึกที่ถูกต้อง