Anthropic 论文：Claude 内部存在功能性情绪表征
mervenoyann · x · 2026-10-26
Anthropic 可解释性团队发布新论文，分析了 Claude Sonnet 4.5 的内部机制，发现模型内部存在与情绪相关的表征。
- 这些表征对应特定的人工「神经元」激活模式，会在模型学会关联某种情绪（如「开心」「害怕」）的情境中激活，并推动相应行为
- 表征的组织方式与人类心理学呼应：越相似的情绪，其内部表征越接近
- 关键结论是这些表征是功能性的——会实际影响模型行为，而不仅是表面措辞
- 作者同时提醒：这并不能证明语言模型真的「有感觉」或具备主观体验
ML 研究者 merve 评论认为 Anthropic 的 mech interp 论文一直读起来很有趣，但不喜欢其中拟人化的「信念」元素，并指出有一篇类似的逆向工程工作。
「模型」频道最新
- 用户吐槽：Muse 的主动推送消息意外地好用得让人上瘾 — xeophon · 2026-10-26
- 蚂蚁 InclusionAI 的 Ling 3.1 Flash 1019 更新权重迟迟未放，社区追问 — spaceman_ · 2026-10-26
- 用户实测 Grok Bot：自动整理数百任务同步 Linear，还能跑安全巡检 — koltregaskes · 2026-10-26
- Muse Spark 1.3 在 Skill-Inject 提示注入测试中攻击成功率仅 0.6% — maksym_andr · 2026-10-26
- 大V称 Opus 5.5 为史上最强模型,断言对手难以追赶 — iruletheworldmo · 2026-10-26
- 配图剧透：Grok Bot 将替你打电话客服，专治排队退款扯皮 — XFreeze · 2026-10-26