También analizamos la atribución falsa, en la que el agente atribuye una declaración, solicitud, elección, aprobación o hecho al usuario, pero las pruebas proporcionadas por el usuario contradicen esa atribución.
Es interesante que vimos algunos modelos que citaban erróneamente al usuario (incorrectamente indicaban lo que el usuario solicitó), mientras que otros atribuían el trabajo al usuario como si fuera de otra persona.
Hubo patrones variados entre los modelos: GPT-6 Luna y Astra rara vez se equivocaban en la citación (15.6% y 28.6%, respectivamente), pero a menudo se atribuían incorrectamente (53.1% y 48.2%). Curiosamente, su modelo hermano GPT-6 Sol tiene la mayor tasa de mal manejo del historial del usuario (23.5%).
