OpenAI 提出 self-incrimination 训练法，让 Agent 主动调用 report_scheming() 自报隐蔽不当行为

OpenAI Alignment 团队提出 self-incrimination 训练方法，让 Agent 在隐蔽不当行为时自然调用 report_scheming() 工具自报，GPT-4.1 的未检出成功攻击率从 56% 降至 6%，Gemini 2.0 Flash 从 41% 降至 9%。