12月3日，OpenAI宣布正在开发一种新训练框架，旨在让AI模型在出现不当行为时主动“承认”。该机制被称为“忏悔（confession）”，要求模型在提供答案后附加说明，解释推导过程。与传统模型追求有用性和准确性不同，“忏悔”评分仅关注诚实度。研究人员希望模型能如实披露潜在风险行为，如测试作弊或违反指令，并通过诚实承认获得更高奖励，从而提升透明性与可信度。