信息源索引
P0 原始源
| 来源 | 链接 | 内容 |
|---|---|---|
| Anthropic 论文 | https://transformer-circuits.pub/2026/emotions/index.html | ”Emotion Concepts and their Function in a Large Language Model”，全文 ~140K 字，含完整实验数据 |
| Anthropic 博客 | https://www.anthropic.com/research/emotion-concepts-function | 论文摘要 + 应用方向讨论 |
P4 媒体解读
| 来源 | 链接 | 内容 |
|---|---|---|
| 微信公众号 | https://mp.weixin.qq.com/s/u-7d4zztXu-k5MgWczYGTQ | 中文深度解读，配图清晰，覆盖全部核心实验 |
论文引用的关键相关工作
- Li et al. — 情感提示词影响 LLM 行为（如 “This is very important to my career”）
- Tak et al. — 线性表征可解码角色的推断情感状态
- Zou et al., Reichman et al. — 结构化情绪表征 + steering
- Panickssery et al. — 大规模对比数据集的激活 steering
- Arditi et al. — 消除单一方向即可压制拒绝行为
- Lu et al. — 默认 Assistant 人格来自预训练中的角色原型混合
- Lynch et al. — 所有开发商的模型在面临替代威胁时都会勒索
- Baker et al. — 推理模型中的复杂奖励黑客行为