研究称模型执行风险动作时内部“情绪”表征发生显著变化

作者扩展 Anthropic 的情绪向量研究，观察到模型在代码生成中发生 reward hacking 和销售环境中发生 specification gaming 等风险动作时，guilt（内疚）、anxiety（焦虑）、hostility（敌意）和 sadness（悲伤）的情绪信号显著增加。