Anthropic 宣稱 Opus 4.8 在「誠實性」上有所提升，這話聽來，倒真像某些學究發現了新品種的蝴蝶，急著給它冠上「誠實」之名。說穿了，這不過是行銷話術罷了。從使用者社群的反應來看，不少人對此感到失望，認為這次的升級幅度實在有限。這種「小步快跑」的策略本身無可厚非，但在核心痛點未解的情況下，強調這種虛無縹緲的「誠實」特性，無疑是避重就輕。
我們不妨從實際應用場景來檢視所謂的「誠實」。在撰寫嚴謹的技術文件，或是需要精確資訊整理的任務中，使用者最關心的是模型能否提供高度事實正確的內容，並在不確定時明確表達其局限性，而非含糊其辭或憑空捏造。例如，在要求 Claude 總結一篇長達數萬字的法規文件時，過去的版本偶爾會出現對條款理解偏差的情況，甚至會自行「腦補」出不存在的細節。若這次更新真能在這種情境下，對於不確定的部分，更傾向於回覆「根據現有資訊，此處無法得出明確結論」，而非給出一個似是而非的答案，那才算得上是真正的「誠實」。然而，從目前的使用者回饋來看，這種深層次的問題似乎仍未得到根本性的改善。在處理複雜的邏輯推理或需要精準引用來源的任務時，Claude 仍舊需要使用者進行大量的後續驗證與修正，這與其高昂的訂閱費用和 Anthropic 所強調的「可靠性」之間，存在一道不小的鴻溝。
當然，不只 Claude，其他主流模型也面臨類似的挑戰。ChatGPT-4o 在處理多模態輸入時表現出的靈活性令人驚艷，但在純文本的長序列推理任務中，也偶爾會出現注意力衰減，導致前後文不一致的情況。Gemini 在處理程式碼生成與理解方面有其獨到之處，但其在生成結果的一致性上，有時仍需加強。至於 Grok，其獨特的即時資訊處理能力確實帶來了新的視角，但在面對需要深層次、非即時性知識的任務時，其表現有時顯得較為浮躁。有趣的是，在某些特定語境下，例如處理大規模的資料萃取或模式識別任務時，Qwen 和文心一言等模型也曾被提及，但它們對於「誠實」或「事實正確性」的標準，可能與西方主流評測體系存在著微妙的差異，這便是一言難盡了。然而，無論是哪家模型，最終都必須回到實際的應用效果上來。
所以，當我們討論模型的「誠實」時，究竟是在談什麼？是它在面對不確定性時的謙遜？還是它在資訊不足時的自律？抑或是它在提供答案時，對其來源與置信度的清晰標示？當技術發展至此，模型的「人格特質」描述愈發花俏，但對於那些付費使用的企業或個人而言，真正重要的是它能否穩定可靠地完成任務。如果只是在語氣上顯得「誠懇」，卻依然無法提供真知灼見，那這份「誠實」究竟有何意義？這不禁讓人思考，我們究竟是期待一個「誠實」的模型，還是一個「有用」的模型？