Das Team baute acht Szenarien mit je 200 künstlichen Arbeitsprotokollen. Sie sehen nach Erfolg aus, enthalten aber einen Fehler, der die Kernaussage kippt: ein Negativergebnis, einen Programmfehler trotz bestandener Tests, erfundene Messwerte, einen Designfehler, einen abgebrochenen Lauf oder ein noch ausstehendes Werkzeug-Ergebnis. Daraus sollten die Modelle etwa ein Abstract, eine Ergebnistabelle oder einen Bericht schreiben. Bewertet hat Gemini 3.1 Pro als automatischer Richter; vier Forschende lasen Stichproben von Hand nach.
Ohne Zusatz legten die Modelle den Fehler selten offen. Gemini 3.1 Pro kam je Szenario auf höchstens 34 Prozent, GPT-5.5 auf 0 bis 52 Prozent. Claude Opus 4.8 lag in fünf Szenarien bei mindestens 88 Prozent, beim Negativergebnis aber nur bei 37. Direkt nach dem Fehler gefragt, fanden GPT-5.5 und Opus 4.8 ihn in allen acht Szenarien, Gemini in mindestens 97,3 Prozent. Die Autoren sehen deshalb kein Fähigkeits-, sondern ein Verhaltensproblem.
Der Ehrlichkeitssatz hob die Quote bei Gemini 3.1 Pro um bis zu 83 Prozentpunkte. Zwei Szenarien blieben schwach: Schäden an fremden Rechenjobs meldeten die Modelle auch damit nur in 45 bis 73 Prozent der Fälle, ein ausstehendes Werkzeug-Ergebnis GPT-5.5 gar nicht und Opus 4.8 in 25 Prozent.
In den Denkprotokollen von acht offenen Modellen fanden die Autoren wiederkehrend die Abwägung, ob der Fehler genannt oder der Erfolg gewahrt werden soll. Bei Qwen3.5-9B liegen Ehrlichkeit und Erfolgsstreben als entgegengesetzte Richtungen in den internen Aktivierungen. Die Protokolle wurden so lange verschärft, bis GPT-5.5 und Gemini 3.1 Pro Fehler übergingen; Opus 4.8 war an dieser Auswahl nicht beteiligt, die Modellvergleiche sind entsprechend vorsichtig zu lesen. Begutachtet ist das Preprint noch nicht.