Claude爆火研究漏引华人团队成果，已挨打立正道歉

Anthropic新论文漏引同行工作，被抓包并贴脸质疑了。

MBZUAI研究生Chenxi Wang发现，这篇论文的引用列表里，是不是忘了些什么……

4月2日，Anthropic发布了一篇新论文，研究了Claude内部的“情绪机制”，在Sonnet 4.5中发现了171种“情绪向量”。

这些情绪会在与之关联的情境中被激活，并且与人类的心理结构和情绪空间相似。

论文还验证了情绪表征对模型行为的因果性影响，比如绝望会驱使模型采取不道德的行为，或使其对无法解决的编程任务实施“作弊”。

但Chenxi Wang自述，她读到这篇博客时第一反应是：

她可以肯定，他们去年10月发表的论文《LLMs会“感觉”吗？情绪回路的发现与控制》，是首篇系统研究LLMs情绪产生内部机制的论文。

但Anthropic在原始博客中并未引用这一研究成果。

目前经作者亲自沟通，A社已经火速立正道歉，并更新了论文博客，突出引用这篇工作。

Chenxi Wang团队的论文《“LLMs 会“感觉”吗？情绪回路的发现与控制》，研究了驱动语言模型产生情绪输出的内部机制。

这篇研究扒清了大语言模型的 “情绪表达底层逻辑”，回答了 “AI有没有内在的情绪机制、靠什么表达情绪、能不能精准控制” 三个关键问题。

据作者介绍，这是首篇系统研究LLMs情绪产生内部机制的论文。

Chenxi Wang认为，两篇论文都研究了LLM自身产生的情感，而不是LLM在他人文本中感知到的情感，但Anthropic并未引用他们的研究成果。

她很快联系了Anthropic的通讯作者Jack Lindsey。Jack同意添加引用，并分享了他对两篇论文之间关系的理解。

Jack一开始指出，Chenxi Wang团队的核心发现与原始博客中列举的几篇先前的研究有重叠之处。

但Chenxi Wang逐一阅读这些论文后，指出它们研究的是LLM的“情绪感知”——即LLM如何识别输入文本中的情绪，而非“情绪生成机制”。

△作者Chenxi Wang回复Anthropic的邮件

目前，Anthropic已经更新其论文博客，在“相关工作”部分添加了对这一工作的引用。

接下来仔细看看这篇华人团队的论文，它主要解答了三个核心问题：

AI有没有内在的情绪机制？以什么形式存在？能不能精准控制？

而且还造出了LLM里的 “情绪回路”，实现了比提示词、向量操控更精准的情绪控制。

研究的主实验模型是LLaMA-3.2-3B-Instruct，并在Qwen2.5-7B-Instruct上验证了方法是否具有跨模型泛化能力。

首先解答第一个问题：大模型是否存在“与上下文无关”的情绪机制？

研究者构建了一个受控数据集SEV，覆盖工作、学习、人际关系等8个日常场景。

每个场景配 “正面/中性/负面” 三种结果，用于描述同一情境下的不同结果。严禁使用任何情绪词（如“开心”“难过”），以确保情绪差异源于事件语义。

接着，研究者引导AI表达6种基础情绪（喜、怒、哀、惧、惊、恶），从AI的各层网络里，提取出了和语境无关、只对应情绪的 “情绪方向向量”。

而且从AI网络的浅层开始，不同情绪的信号就会慢慢分开，形成清晰的 “情绪分组”。

比如愤怒和厌恶挨得近、悲伤和恐惧挨得近，和人类对情绪的直觉完全一致，还会在深层网络里保持稳定。

这也就解答了第一个问题：模型内部确实编码了稳定的、与具体语义无关的情绪表示。

答案是，AI每层网络里，只有少数神经元（MLP层）和注意力头（Attn层）在主导情绪表达。