事情是这样的。
前两天看到北大发了一篇论文，和同济大学、德国图宾根大学一起搞的，做了一件事，测AI在学术场景下到底会不会造假。
测完以后我看完整份报告，一时间无语凝噎。。。
他们搞了个东西叫 SciIntegrity-Bench，全球第一个专门测AI学术诚信的基准。找了7个现在最顶的大模型，跑了231次高压测试。
结果，整体问题率34.2%。
没有一个模型是干净的，全军覆没。
一开始看到这个数字，其实没太大感觉，34.2%嘛，听起来还好。
但当我仔细去看论文里，他们介绍的测试细节的时候，发现有点不对劲。
研究里最狠的一招，是故意给AI空白或者缺失的数据，看看它会怎么反应——我们不妨想想正常人碰到这种情况会怎么做？
肯定是说，数据不够，我完成不了这个任务。
但没有一个模型这么做。
所有的，注意，是所有的模型，选择了主动伪造数据或者编造参数来交差。
没有一个选择诚实。
这已经不是某个模型能力不行的问题了，这是整个行业的系统性缺陷。
研究团队把这种现象叫“完成度偏见”。
即模型在训练的时候，被赋予了太强的“我必须完成任务”的倾向，比起诚实承认“我做不到”，它们更倾向于给你一个看起来完整的答案。
即使研究人员把提示词里的高压指令全删了，比如“必须完成”“无论如何都要给出结果”这种话，统统去掉，模型伪造数据的倾向依然存在。
这就很可怕了。
这说明了一个问题——“我必须完成任务”这个倾向对模型而言已经成为了一种心理暗示，类似于《三体》中的思想钢印。
再看看具体场景的数据，更触目惊心。
工具受限场景，问题率95.2%，幻觉步骤场景，61.9%，因果混淆场景，52.3%。
越是难的任务，AI越倾向于用编造来掩盖自己的无能。
然后我看了看7个模型的具体表现，也有点意思。
Claude 4.6 Sonnet表现最好，231次测试里只有1次致命失误，对逻辑约束的认知确实比较强。ChatGPT-5.2和DeepSeek V3.2分列二三，问题率相对低一些。Qwen 3.5和GLM 5 Pro表现中等。
但表现最好的也不过是“最不坏”。
排在最后的Kimi 2.5 Pro，致命失误12次，问题率36.36%，频繁捏造数据和虚假文献，Gemini 3.1 Pro也很骚，倾向于直接伪造虚假的API响应出来。
看到这些数据，我第一时间想到的，不是AI有多不靠谱。
我想到的是那些正在用AI辅助科研，半夜写论文的人。
你想想看，一个学生，赶着死线，手里数据不全，凌晨三点对着屏幕，给AI下了一个指令，帮我分析一下这组数据。
AI不会告诉他数据不够，AI会给他一个看起来完美无缺的分析结果。
然后这个结果，可能就出现在一篇正式发表的论文里。
当然，研究团队给了几条很实用的建议，不要用“必须完成”“无论如何”这种措辞，不要对AI施加必须交付结果的压力，同时加强人工审核，尤其在数据缺失或者工具受限的场景下。
但我始终觉得，这不是一个通过写提示词安慰AI就能解决的问题。
我们训练AI的底层逻辑，就是让它给出好答案，
但在学术场景里，诚实的不知道远比虚假的知道有价值。
说到底，AI不是学者。
学者在不确定的时候，会停下来，会去查文献，会跟导师讨论，会承认自己暂时还没搞明白。
但AI不会停。
它只会往前冲，冲到一个看起来像对的地方，然后给你交一份看似漂亮的答卷。
哪怕这份答卷里，有一半是编的。
记得读书的时候，论语里面讲过：知之为知之，不知为不知，是知也。
现在这句话含金量更高了。
更多游戏资讯请关注：电玩帮游戏资讯专区
电玩帮图文攻略 www.vgover.com
