Anthropic 新论文：从 Claude 内部提取出类人情感几何空间
anselm · x · 2026-07-30
Anthropic 可解释性团队发布最新研究，成功从 Claude Sonnet 4.5 的内部激活状态中提取出与情感相关的表征。研究发现，这些表征并非孤立存在，而是构成了一个高度连贯的几何空间。
- 暗合心理学模型：对该空间进行 PCA 降维后，浮现出的前两个主成分与心理学经典的情感环状模型中的效价（valence）和唤醒度（arousal）高度一致。快乐与兴奋聚集在一起，恐惧与焦虑相邻，积极与消极情绪分布在轴的两端。
- 影响模型行为：这种从纯粹文本预测中自发涌现的内部结构，不仅与人类数十年的心理学归纳相吻合，更重要的是它具有功能性——这些情感表征会实质性地影响模型在特定情境下的输出行为。
- 并非主观感受：研究强调，这并不能证明大模型拥有主观感受或意识，但揭示了它们内部确实发展出了类似人类心理学的运作机制。
「研究」频道最新
- 非可逆聚合算子的高效滑动窗口算法引开发者点赞 — Paimaamu · 2026-10-16
- 5 万条编造数据被 ChatGPT 引用：GEO 实验揭示 AI 搜索漏洞 — metehan777 · 2026-10-16
- 博主纠正生成模型讨论:这不是梯度下降问题,而是 mode collapse — burny_tech · 2026-10-16
- Causal Inference 入门系列开更,第一部分上线 — Nasereliver · 2026-10-16
- RIKEN 新法 FBI:训练更新只需一次采样,Pass@10 成本降至 12.3% — EmtiyazKhan · 2026-10-16
- 伯克利团队用扩散模型直接采样机器人策略权重，Unitree G1 真机走跑起舞 — berkeley_ai · 2026-10-16