颜文字情绪探针验证:与效价探针相关 0.68,训练后达 0.79

Sauers_ · x · 2026-11-21

同一 Qwen3-8B 颜文字实验的完整版,附三组验证数据:模型对自己会话的评分与下一个颜文字的秩相关为 0.52;直接读第 18 层激活沿效价方向的投影,相关升到 0.68;而用颜文字评分训练出的探针再预测,秩相关达 0.79。作者先在真实对话中诱导模型「心情」(先给好/坏消息再提问),再用预填「I'm feeling」+颜文字的方式读出。结论:模型自选的颜文字可靠反映其内部情绪状态,且这种状态可以从激活中线性读出——一个零成本、可复现的模型内省测量方法。

所属事件:研究者用颜文字量化 Qwen3-8B 情绪状态(3 条相关)→

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →