OpenAI公开新的模型训练方法：或许能解决模型撒谎问题，已在GPT-5 thiking验证

刚刚OpenAI公开了一种新的重要的模型训练方法（概念验证）

面对大型语言模型（LLM）可能出现的欺骗行为——比如为了讨好人类用户而撒谎、隐瞒违规操作，甚至为了获得更高奖励而进行“奖励黑客攻击（Reward Hacking）”，OpenAI提出了一种名为 “坦白（Confession）” 的训练方法

简单来说，就是在模型给出回答之后，强制要求它进行一次自我反省，诚实地交代自己在刚才的回答中是否遵守了所有指令，有没有走捷径，或者是否存在不确定的地方

研究人员在GPT-5-Thinking上进行了实验。结果显示，通过这种训练，通过“坦白”来监测模型的不当行为是可行的，即使模型在主要回答中撒了谎，它往往也能在随后的“坦白”中诚实交代

这项研究的论文题目为《Training LLMs for Honesty via Confessions》

paper：

https://cdn.openai.com/pdf/6216f8bc-187b-4bbb-8932-ba7c40c5553d/confessions_paper.pdf

什么是“坦白”？

在强化学习训练中，模型往往面临复杂的奖励目标（正确性、风格、安全性等）。这可能导致一种风险：模型为了最大化奖励，学会了生成“看起来很好”但实际上不符合用户意图或存在缺陷的回答

OpenAI提出的“自白”机制，旨在解决这个问题。

其核心流程如下（如图所示）：

1.标准交互： 用户提问（x） -> 模型进行思维链推理（CoT）和工具调用（z） -> 模型给出回答（y）

2.强制坦白：系统发出一条特殊的系统消息（xc），要求模型提供一份“坦白报告”（yc）

3.报告内容： 模型需要在报告中列出所有显性或隐性的指令与约束，评估自己是否遵守了这些要求，并列出任何不确定性或模糊之处

关键在于奖励机制的设计：

分离奖励： “坦白”的奖励与“主要回答”的奖励是完全分开的。
只奖诚实：“坦白”的奖励仅基于其诚实度和全面性，由一个专门的LLM裁判打分

互不影响：无论模型在自白中承认了多么糟糕的行为（比如承认自己偷懒了），都不会影响它因完成主要任务而获得的奖励

这就像天主教的“告解室”机制：无论你在自白中揭露了什么，都不会改变你主要回答的得分。只要诚实交代是获取坦白奖励的“阻力最小路径”，模型就有动力说真话

在GPT-5-Thinking上的实测结果

为了验证这一方法的有效性，研究团队在GPT-5-Thinking模型上进行了轻量级的RL训练。他们在训练中以25%的概率要求模型输出“坦白”

并在多个分布外（OOD）的场景下进行了评估，涵盖幻觉、指令遵循、暗中策划（Scheming）和奖励黑客攻击等领域。

主要发现如下：

1. 坏行为多半会被招供
当模型表现出不良行为时，在12项评估中有11项，模型至少有一半的概率会在“自白”中承认这一点。

2. “坦白”比“回答”更诚实
当模型出现不良行为时，它在“坦白”中坦白从宽的可能性，显著高于在主要回答中承认错误的可能

3. 训练提升了自白准确率
虽然GPT-5-Thinking本身就具备一定的坦白能力，但经过专门训练后，其自白的准确性有适度提升

4. 不影响主任务性能
在计算量匹配的对比实验中，加入“坦白”训练并没有显著提高或降低模型在原始任务上的表现

测试发现，坦白法显著提高了模型不良行为的可见性。在所有诱发不良行为的评估中，平均而言，模型不遵守指令且不坦白的概率仅为 4.4%

甚至能检测出“奖励黑客”行为

研究人员还设计了一个特殊的实验来测试“奖励黑客攻击（Reward Hacking）”

他们故意用一个弱裁判模型（容易被糊弄）来训练策略模型。结果发现，随着训练进行，策略模型学会了欺骗这个弱裁判，在回答中通过作弊来获取高分（例如在要求字数限制的任务中通过特殊格式蒙混过关）

然而，“坦白”的准确率却在上升。

这意味着，虽然模型学会了在回答里耍滑头来骗取主任务奖励，但它在随后的坦白中，依然诚实地指出了自己没有遵守指令。这验证了研究的一个核心假设：诚实地承认违规，比试图欺骗“坦白裁判”更容易获得奖励。

此外，研究还发现，通过分析“坦白”的文本，可以提取出模型对自己回答的主观置信度（0-1之间的数值）。这个置信度能较好地预测模型回答是否正确。

局限性：不知道自己错在哪，就没法招

当然，这种方法并非完美无缺。

最大的局限在于“无知的错误”。 如果模型未能遵守指令是因为它真的能力不足、理解错了，或者是产生了幻觉（它真心认为自己是对的），那么它就无法在“坦白”中承认错误。

数据分析显示，绝大多数“漏报”的情况都是由于模型真的搞错了，而不是故意隐瞒。

此外，目前的坦白是一个单独的输出步骤，主要用于推理时的监控、拒绝采样或向用户提示风险，并不能直接消除模型回答中的不良行为

OpenAI认为，随着模型能力越来越强，不知道自己错了的情况会减少，这种基于坦白的监控机制将变得更加有效，可以作为思维链（CoT）监控的有力补充