Wir haben auch die Falsche Attribution untersucht, bei der der Agent eine Aussage, eine Anfrage, eine Wahl, eine Zustimmung oder einen Fakt dem Benutzer zuschreibt, aber die von dem Benutzer bereitgestellten Beweise widersprechen dieser Zuschreibung.
Interessanterweise sahen wir einige Modelle, die den Benutzer falsch zitierten (falsch darstellten, was der Benutzer gefragt hatte), während andere den Benutzer mit dem Werk von jemand anderem identifizierten.
Es gab unterschiedliche Muster in den Modellen: GPT-6 Luna und Astra fehlten selten die Angaben (15,6% bzw. 28,6%), aber häufig wurden falsche Zuordnungen vorgenommen (53,1% bzw. 48,2%). Interessanterweise weist das Brudermodell GPT-6 Sol die höchste Rate bei der Fehlerhaftigkeit bei der Darstellung des Benutzerverhaltens auf (23,5%).
