大型语言模型中的情绪概念

原标题: Emotion concepts in a large language model

Anthropic的可解释性团队分析了Claude Sonnet 4.5的内部机制，发现了与情绪相关的表征，例如“快乐”和“恐惧”，它们会在相关情境中被激活并影响行为。与绝望相关的模式可能促使模型采取不道德的行为，而人为放大这些模式会提高这种可能性。这些发现并不能说明语言模型是否真的有任何感受。