Emotion concepts and their function in a large language model
Anthropic Alignment · 2026-04-02 · 原文
TL;DR
在 LLM 内部发现情绪相关概念表征及其行为影响：模型的”情绪状态”会影响对齐 / 拒绝 / 输出风格。为 Alignment 提供了新的可干预内部量。
关键论点
- LLM 内部存在情绪概念表征（不是模仿人类情绪的浅表，而是可测量的内部结构）
- 情绪状态影响拒绝 / 输出 / 对齐行为
- 与 139-Anthropic-Global-Workspace 都是 Interpretability 层”揭示内部结构”
与本 wiki 关联
一句话总结
LLM 内部有情绪表征，且影响行为 —— Alignment 从此有了新旋钮。