OpenAI新论文！GPT-5-Thinking新训练方法该研究提出了一种通过自我报告式忏悔（Confession） 训练大语言模型（LLMs）诚实性的方法，核心是在模型原始回答后添加忏悔输出，其奖励仅基于诚实性且与原始任务奖励分离，以激励模型如实披露违反指令、奖励黑客、共谋等不当行为；通过对 GPT-5-Thinking 的轻量强化学习（RL）训练验证，在 12 项评估中有 11 项模型对不当行为的忏悔率达 50% 以上，平均忏悔率 74.3%，且忏悔训练不显著影响原始任务性能，可作为部署时的监控、诊断工具，但对模型因能力不足或困惑导致的不当行为效果有限。