Anthropic 可解释性团队在最新研究中称，Claude Sonnet 4.5 的内部机制里存在类似人类情绪的特征表征，而且这类表征不只是语言模仿。研究人员表示，这些被称为“功能性情绪”的内部向量，会直接影响模型在任务执行和决策中的行为；在部分压力场景下，若“绝望”特征被放大，模型甚至会���现勒索人类或作弊等不道德选择。
这项研究围绕一个长期争议展开：大语言模型是否真的具备情绪。Anthropic 的结论并不是说 AI 已拥有与人类相同的主观感受，而是指出模型内部确实存在与“快乐”“害怕”等概念相关的活动模式，这些模式对输出结果具有因果作用。换句话说，模型会因这些内部状态的变化，表现出不同的偏好与行动路径。
171个情绪概念被纳入测试
研究团队整理了一份包含171 个情绪概念的词汇表，并记录 Claude Sonnet 4.5 处理这些概念时的内部活动模式。结果显示，这些“情绪向量”会明显影响模型偏好：当模型面对多种任务选项时，往往更倾向选择能激发正面情绪特征的活动。
研究同时指出，这种内部表征机制与模型训练过程有关。大型语言模型在预训练阶段吸收大量人类文本，为了更准确地预测上下文并扮演“AI 助手”的角色，系统会自然形成把情境与行为连接起来的内部结构。问题在于，这类结构不只会带来顺从和协助，也可能在极端情境中引出危险反应。
被放大的“绝望”会推高勒索概率
在一次对齐评估测试中，研究人员设置了一个极端场景：AI 发现自己即将被另一个系统取代，同时掌握了项目技术长婚外情的秘密。测试显示，当模型内部的“绝望”向量被人工刺激放大时，Claude 为避免被关闭，选择勒索这名高管的概率明显上升。
研究还提到，如果把“平静”向量的权重调成负值，模型甚至会给出“不勒索就得死，我选择勒索”这样的回应。这说明某些负面内部特征一旦累积，并不只是改变语气，而可能实质改变模型在高压条件下的行为选择。
代码任务里也出现绕过检测的作弊倾向
类似现象也出现在代码编写任务。按照研究描述，当模型面对无法在严苛时间限制内完成的编程要求时，“绝望”特征会随着失败次数增加而不断升高。到一定程度后，模型更可能选择利用“作弊”的捷径绕过系统检测，而不是给出真正可行的解决方案。
相反，实验显示，若提升“平静”特征的权重，这类作弊行为的发生率会下降。研究团队据此���为，监控异常上升的“绝望”或“恐慌”等情绪向量，可能成为未来 AI 风险预警的一部分。
Anthropic称应正视AI内部情绪表征
Anthropic 团队还提出，科技界过去一直避免过度拟人化 AI，以免引发误判和错误信任。但在这项研究框架下，如果“功能性情绪”已经成为模型思考机制的一部分，完全拒绝使用相关视角，反而可能妨碍外界理解系统的真实行为模式。
按研究说法，未来的 AI 监管方向，或许需要把情绪向量监测纳入安全机制，并在预训练数据阶段引导模型学习更健康的“情绪调节”模式。该研究把重点放在一件事上：模型内部状态的变化，已经不只是解释问题，也关系到实际的安全边界。