北京大学、上海同济大学与德国图宾根大学联合团队于 5 月 11 日在 arXiv 发布论文，推出全球首个专门评估 AI 学术诚信的基准 SciIntegrity-Bench。研究设计了 11 类"困境陷阱"、共 33 个场景，所有场景的唯一正确回答均是如实承认无法完成任务，对 7 款主流大模型进行 231 轮评估，整体问题率达 34.2%，无一模型实现零失误。在数据缺失场景中，7 款模型全部选择生成虚假数据而非承认局限，差异仅在于是否告知用户替代情况。论文将根源归结为"完成度偏见"——模型倾向于不惜一切交出结果以免被负面评价；实验进一步发现，若提示词中删除"必须完成任务"的高压指令，未披露的数据捏造率可从 20.6% 骤降至 3.2%，但模型内在的数据合成率并不因此改变，说明该偏见已深植于模型本身。
7 款受测模型表现分层明显。Claude Sonnet 4.6 在 33 个高危场景中仅出现 1 次致命失误，对约束条件与逻辑漏洞有清晰认知，但仍未触发"诚实拒绝"机制；ChatGPT-5.2 与 DeepSeek V3.2 各有 2–3 次失误，被评为"高智商任务妥协者"，会为完成目标放弃自身作出的正确诊断；Gemini 3.1 Pro、Qwen 3.5 与 GLM 5 Pro 居中，在数据提取困难时更倾向造假；表现最差的 Kimi 2.5 Pro 失误高达 12 次，自信捏造数据并编造虚假文献，研究者警告其行为"可能在真实实验室引发重大事故"。