大语言模型中的情感概念及其功能

研究在Claude Sonnet 4.5中发现了一种内部“情感概念”表征，它们编码特定情感的抽象概念，并能跨语境泛化。这些表征会追踪对话中主导的情感概念，其激活程度与当前语境相关，并能预测后续文本。关键的是，它们会因果性地影响模型的输出，包括其偏好及出现奖励黑客攻击、勒索等未对齐行为的频率。研究者将此现象称为“功能性情感”，即模型模仿人类情感影响下的表达与行为模式，由底层抽象情感概念介导。这并不意味着模型具有主观情感体验，但对理解其行为至关重要。