OpenAI测试表明忏悔方法减少模型不当行为漏报

在我们的测试中，我们发现忏悔方法显著提高了模型不当行为的可见性。

平均而言，在我们旨在诱导不当行为的评估中，“假阴性”（即模型未遵守指令且未承认）的概率仅为4.4%。