Anthropic 新研究:Claude 内部有情绪概念,能驱动模型行为
New Anthropic research: Emotion concepts and their function in a large language model.
Anthropic 发了一条推文说他们在 Claude 里找到了情绪概念的内部表征,这些表征能影响模型的行为,有时还会出现让人意外的效果。推文没展开讲具体是怎么找到的、在模型的哪一层、用了什么干预手段,也没给任何量化数据。我会先打个折——这更像是一个研究方向预告,而不是一份可复现的结论。
推荐理由:Anthropic 称在 Claude 内部找到情绪概念的表征,并发现这些表征能影响模型行为,为理解大模型行为来源提供了一条内部机制线索。