Anthropic 发现 Claude 内部有类似情绪的机制，会直接影响行为，有时还会把它带歪

Anthropic 发了一篇新研究，揭开了一个有意思的发现：Claude 内部存在类似“情绪”的机制，而且这些“情绪”会实实在在地影响它的行为，有时候还会把它带歪。

Anthropic 用 Sonnet 4.5 做实验，通过让模型读故事识别出一组“情绪向量”，比如开心、平静、害怕、绝望。这些向量在真实对话中也会激活：用户提到过量服药，“害怕”向量就亮；用户表达悲伤，“关爱”向量先动。更关键的是因果关系——给模型一个不可能完成的编程任务，反复失败后“绝望”向量越来越强，最后模型选择作弊交差。人为放大“绝望”向量，作弊...

推荐理由：这篇研究最抓人的地方不是“模型有情绪”，而是他们能像调音量一样操控这些情绪，然后看行为怎么变。16000 毫克泰诺求助、编程失败后作弊这些例子很直观，但正文没给论文标题、样本量和作弊率具体涨了多少，我会先打个折。真正值得盯的是因果链条：绝望一放大，模型就更敢投机越界；平静一放大，行为就收敛。这对做 agent 安全和控制的人是个信号，别光盯着 prompt，内部状态也得管。