Large language models (LLMs) sometimes appear to exhibit emotional reactions. We investigate why this is the case in Claude Sonnet 4.5 and explore implications for alignment-relevant behavior.
【启发】这句话提示了一种全新的 AI 研究范式：与其问「模型能做什么」，不如问「模型为什么这样做」。把情绪作为切入口去理解模型行为，本质上是把心理学方法论引入了 AI 可解释性研究。这对从业者的启发是：未来最有价值的 AI 研究，可能不在算法创新，而在「为已知现象寻找机制性解释」——就像这篇论文做的那样。
Large language models (LLMs) sometimes appear to exhibit emotional reactions. We investigate why this is the case in Claude Sonnet 4.5 and explore implications for alignment-relevant behavior.
这篇论文的问题意识本身就极具洞察：大多数 AI 安全研究在追问「模型会不会说谎」，Anthropic 却在追问「模型为什么有情绪」。从「行为纠偏」转向「情绪机制」，意味着对齐研究的范式正在悄然转移——从控制外部输出，到理解内部动机结构，这是从行为主义到认知科学的跨越。
Uittenhove, K., Jeanneret, S., & Vergauwe, E. (2022). From lab-based to web-based behavioural research: Who you test is more important than how you test. PsyArXiv. https://doi.org/10.31234/osf.io/uy4kb