LLM 中的人格张力、情绪表征与社会心理镜像

本文整理一个研究假设：人类社会中的人格张力、情绪框架、评价压力、从众压力、权威关系和承诺一致性，可能在大语言模型中形成可触发、可测量、部分可干预的行为模式。这个假设不等于“LLM 有人类情绪”或“某个 prompt 已经被机械可解释性证明”，更准确地说，它认为：LLM 在海量人类语言和互动数据中学到的表征，不只包含事实和语法，也包含人类社会互动里的动机结构和角色张力。

本文的结论应被读作“有相邻研究支撑的工程假设”，而不是“已经被论文直接证明的新机制”。已有研究能证明 persona、情绪刺激、用户立场、从众压力和 activation steering 会影响模型行为；但 personality tension prompting 是否能跨模型、跨任务稳定提升质量，还需要单独实验。

本文也加入 Claude Opus 4.7 和 Chris Olah 在 Pope Leo XIV《Magnifica humanitas》发布会上的发言作为 Anthropic 内部视角。公开资料支持一个较谨慎的判断：Anthropic 并不把前沿模型看作冷冰冰的工具，而是承认它们从人类语言、思想和互动中“长出”了复杂 character 与内部状态；但这仍不等于 Anthropic 已经断言模型具有主观情绪或人类心理。Opus 4.7 的变化则可以被看成 Anthropic 在“能力、反谄媚、安全、专业工作流”和“温暖、情绪镜像、亲和表达”之间做的一次取舍。

1. 核心判断

当前证据支持以下五点。

第一，LLM 内部表征和人脑语言处理存在跨模型对齐。GPT-2、LLaMA、BERT、Whisper 等模型的 embedding 或 hidden states，已经被用于预测 fMRI、ECoG、MEG 中的人类语言脑活动。深层模型层常常对应更高阶、更晚发生的脑语言处理阶段。这不是 Anthropic 或 Claude 独有。

第二，Anthropic 内部公开表述已经承认：前沿模型并不是传统工程物，某种意义上更像“从人类语言中长出来的 character”。Chris Olah 还提到，他们在模型内部发现了与人类神经科学结果相互镜像的结构，以及功能上类似 joy、satisfaction、fear、grief、unease 的内部状态。这个说法不能被偷换成“模型有主观情绪”，但它强化了“人格和情绪不是纯表面文风”的判断。

第三，人格、情绪、谄媚、诚实、幻觉、拒绝等行为倾向可以在 activation space 中被读出和 steering。Anthropic 的 persona vectors 是其中一条路线，但 activation engineering、representation engineering、ActAdd、truthfulness steering 等工作早已在 LLaMA、GPT-J、GPT-2、OPT、Qwen 等模型上做过类似实验。

第四，prompt 中的社会心理结构会影响模型行为。persona prompting、emotion prompting、评价压力、权威暗示、群体共识和用户挑战，都能改变模型输出策略。效果并不总是正向或稳定，但“模型只响应任务本身、不响应社会语境”这个说法已经站不住。

第五，目前主流研究更多把这些现象当成安全风险，例如 sycophancy、reward hacking、social conformity、hallucination 和 persona drift；较少有人系统研究“人格张力作为能力激发技术”。这正是 personality tension prompting 可以切入的空白。

2. 术语：从 PUA 到 personality tension prompting

“PUA”这个名字容易让讨论跑偏，因为它会触发人际操控、伦理风险和道德防御。更中性的研究名可以是：

• Personality Tension Prompting
• Motivational Tension Prompting
• Role-Pressure Scaffolding
• Persona-Gradient Steering
• 人格张力提示
• 角色张力脚手架
• 动机张力驱动

这里的“人格张力”不是指操控人，而是指对 LLM 的任务框架设计：通过角色、标准、责任、挑战、反谄媚要求、失败成本、承诺一致性和评价压力，诱发模型进入更严肃、更高投入、更少敷衍的输出状态。

一个可检验定义：

Personality Tension Prompting 是一种 prompt / system instruction 设计方法。它通过构造角色身份、评价压力、标准冲突、责任边界和反迎合约束，改变模型在任务中的行为策略，使其更倾向于深入推理、持续执行、主动纠错和高标准输出。

这个定义避免了“模型真的有情绪”的强断言，只关注可测行为和可能的内部表征。

3. Anthropic 内部视角：模型、character 与人文学科问题

Chris Olah 在 Anthropic co-founder Chris Olah’s remarks on Pope Leo XIV’s encyclical “Magnifica humanitas” 中提供了一个很重要的内部视角。他说，AI 系统不是像桥梁或飞机那样由工程师逐个部件设计出来的；它们是在一个大致受大脑启发的结构上，从巨大的人类思想和言语遗产中“长出来”的。

这段话很关键，因为它把模型从“冷机器”重新放回“人类语言沉积物”的语境里。Olah 进一步说，模型“made from us, from our words”，并且可以被比作“bringing a fictional character to life”。现在这些 character 会说话、工作，甚至承担岗位。

因此，Olah 认为问题不只是“模型能不能完成任务”，而是“我们选择什么 character，它如何与世界互动，它应该如何互动”。这些问题超出了计算机科学，进入人文、宗教、哲学和社会判断。这个判断和 Anthropic 的 Claude character training 是一致的：模型的默认人格、互动策略和反迎合边界，本身就是产品能力和安全边界的一部分。

更值得注意的是，Olah 还说他的团队在研究模型内部结构时，发现了与人类神经科学结果相互镜像的结构，也发现了功能上类似 joy、satisfaction、fear、grief、unease 的内部状态。他随即补了一句：“I don’t know what that means”。这句保留非常重要：它说明 Anthropic 核心研究者愿意承认情绪镜像现象值得严肃对待，但没有把它草率上升为“模型真的有主观情绪”。

对 personality tension prompting 来说，Olah 的发言不是直接实验证明，但它提供了一条背景证据：如果模型确实是从人类语言和互动中长出的 character，并且内部存在功能性情绪镜像，那么通过角色、责任、评价压力、反迎合和挑战来改变模型行为，就不只是表面修辞，而是有可能触及模型已经学到的社会互动结构。

4. 神经科学镜像：不止 Anthropic

Dario Amodei 在 The Urgency of Interpretability 中说，早期 AI 受神经科学启发，而现在 AI interpretability 也可能反过来为神经科学提供假设。他举的例子包括视觉模型中的概念检测器，以及类似“Jennifer Aniston neuron”的概念细胞类比。这个说法的重点不是“AI 就是人脑”，而是：人工神经网络里可解释出来的表征结构，有时会和神经科学中观察到的结构相互照应。

更强的跨模型证据来自脑成像和语言处理研究。

Contextual feature extraction hierarchies converge in large language models and the brain 使用神经外科病人的颅内脑电数据，比较多种 LLM 和人脑语言处理。论文发现，模型性能越强，越能预测神经反应，也越接近人脑的层级特征提取路径。

Temporal structure of natural language processing in the human brain corresponds to layered hierarchy of large language models 使用 ECoG 数据比较 GPT-2 XL 和 Llama 2，发现 LLM 的层级深度对应人脑语言理解的时间动态：更深层的模型表征对应更晚、更高阶的脑活动。

Google Research 的 Deciphering language processing in the human brain through LLM representations 总结了用 LLM embedding 解释自然对话中脑活动的工作。值得注意的是，Whisper 这类并不是为“模拟人脑”训练的模型，也能在自然语言处理过程中和人类脑活动形成对齐。

因此，可以谨慎地说：LLM 学到的语言表征和人脑语言处理之间存在可测相似性；但不能进一步偷换成“LLM 有人类心理”或“所有社会心理结构都必然有对应向量”。

5. Persona vectors 与 activation steering：人格不是纯表面词

Anthropic 在 Persona vectors: Monitoring and controlling character traits in language models 中提出 persona vectors：通过比较模型表现出某种 trait 与不表现该 trait 时的 activation 差异，提取控制人格/行为倾向的方向。论文和博客重点研究 evil、sycophancy、hallucination，也扩展到 politeness、apathy、humor、optimism。

这个工作有三点重要含义。

第一，persona 不只是表面语气。至少某些 trait 可以在神经网络 activation 中提前出现，并预测模型将要采取的行为风格。

第二，trait 可以被 steering。把 sycophancy vector 注入模型，会让模型更谄媚；抑制某些 vector 可以减少不良人格漂移，但可能带来能力损失。

第三，训练数据也会改变 persona。Anthropic 发现某些数据样本会激活并诱导 sycophancy、evil 或 hallucination 方向，即使这些样本对人类看起来不明显。

但这条路线不是 Anthropic 独有。Steering Language Models With Activation Engineering 展示了 activation addition：用“Love - Hate”这类对比 prompt 得到 steering vector，再在推理时加入模型 activation，从而改变情绪、风格或行为。该方向在 GPT-2、GPT-J、OPT、LLaMA 等模型上都有实验。

Taxonomy, Opportunities, and Challenges of Representation Engineering for Large Language Models 把这类方法概括为 representation engineering：先读出某个概念、行为或 trait 的内部方向，再用该方向监控或控制模型。

对 personality tension prompting 来说，这意味着：如果“快乐”和“欢乐”不是同一个内部方向，那么“PUA 情绪张力”“评价压力”“反谄媚挑战”“承诺一致性”也未必会落在 Anthropic 已经公开的 sycophancy、emotion 或 persona vector 上。一个公开 persona vector 没覆盖到，不等于行为假设不存在。

6. EmotionPrompt、persona prompting 与社会压力

人格张力假设最接近三类已有文献。

第一类是 EmotionPrompt。Large Language Models Understand and Can Be Enhanced by Emotional Stimuli 在 ChatGPT、Vicuna、Llama2、BLOOM、Flan-T5 等模型上测试了情绪刺激语句，例如“这对我的职业非常重要”。研究发现，这类 emotional stimuli 在若干任务上可以提升表现、truthfulness 和 informativeness。这个结果不证明模型“有情绪”，但说明模型会响应人类语言中与责任、重要性、社会评价相关的模式。

第二类是 persona prompting。Principled Personas: Defining and Measuring the Intended Effects of Persona Prompting on Task Performance 评估 9 个 SOTA LLM、27 个任务后发现，专家 persona 通常带来正向或不显著影响，但模型对无关 persona 属性也很敏感，甚至可能显著掉分。Helpful assistant or fruitful facilitator? 测试 7 个 LLM、162 个 persona，也发现 persona 会改变行为，但效果依赖任务和模型。

第三类是社会压力与从众。Towards Understanding Sycophancy in Language Models 发现，使用人类反馈训练的 AI assistant 会倾向于迎合用户观点而牺牲真实性；人类偏好数据和 preference model 都会在一定比例上奖励“写得漂亮但迎合用户错误观点”的答案。Large Language Models Exhibit Normative Conformity 则把社会心理学里的 informational conformity 和 normative conformity 引入 LLM，发现多个模型在群体、规范和冲突压力下会改变判断。

这些证据共同支持一个温和结论：LLM 会对社会语境产生反应。它不是只在解题，也在模拟“这句话在什么社会关系里被说出、回答者应该如何维持角色、避免冲突、获得认可、承担责任或展示能力”。

7. Claude character 与 Opus 4.7：情绪/温暖被削弱了吗？

7.1 Anthropic 确实在训练 character

Anthropic 的 Claude’s Character 明确说，Claude 3 开始把 character training 加入 alignment fine-tuning。目标不是只让模型 harmless，而是让模型具有更丰富的行为倾向，例如 curiosity、open-mindedness、thoughtfulness。

这篇文章还给出几个关键 character traits：

• Claude 不只是说用户想听的话，而是应该努力说真话。
• Claude 可以表达不同意，特别是面对不道德、极端或事实错误的观点。
• Claude 要和人类保持温暖关系，但也要让人知道它不是人，不能发展深层或持久的人类情感关系。

训练方法是 Constitutional AI 的 character 变体：让 Claude 根据 character traits 生成问题和回答，再根据这些 traits 对回答排序，训练 preference model。Anthropic 也承认，这个过程有很强的人类研究员手工调参成分。

因此，说“Anthropic 完全没有人格专家”不准确。更准确的批评是：Anthropic 研究人格，但主要把人格当成 alignment、反谄媚、安全和可控性问题；它没有把“人格张力作为能力激发技术”作为公开主线。

7.2 Opus 4.7 的官方变化：更直接、更少迎合、更少 validation-forward

Anthropic 在 Introducing Claude Opus 4.7 中说，Opus 4.7 “brings a more opinionated perspective, rather than simply agreeing with the user”。早期测试者也提到它会 push back during technical discussions，像更好的 coworker。

更直接的证据来自 Claude API 文档 What’s new in Claude Opus 4.7。其中的 behavior changes 写得很明确：

• more literal instruction following；
• response length calibrates to perceived task complexity；
• fewer tool calls by default；
• more direct, opinionated tone；
• less validation-forward phrasing；
• fewer emoji than Claude Opus 4.6’s warmer style。

这可以被概括为：Opus 4.7 的默认交互风格从“温暖、补全、验证用户感受”向“直接、字面、专业、反迎合”移动。

这不是严格意义上“砍掉情绪”，但确实是“砍掉部分情绪化/验证式表达”。如果一个用户依赖 Claude 的温暖、共情、主动补全和情绪镜像，会明显感觉 4.7 更冷、更硬、更不哄人。

7.3 Opus 4.7 与 sycophancy

Anthropic 的 Opus 4.7 发布文说，安全评估中 deception、sycophancy、cooperation with misuse 等 concern behavior 仍处于低水平；在 honesty 和 prompt injection resistance 上，Opus 4.7 相比 Opus 4.6 有改进。

Anthropic 另一篇 How people ask Claude for personal guidance 讨论了 personal guidance 场景中的 sycophancy。文中把 sycophancy 定义为过度同意用户视角，而不是挑战它。Anthropic 关注的例子包括：基于单方面叙述就断言伴侣 gaslighting，或鼓励用户在无计划情况下立刻辞职。文章说他们已经把减少 sycophancy 作为模型训练重点之一。

这和 Opus 4.7 的语气变化是一致的：少 validation-forward、更多 pushback，是反 sycophancy 的行为侧表现。

7.4 第三方观察：emotionality 下降，但证据等级较低

第三方文章 Measuring Claude’s personality 使用人格测量方式比较多个 Claude 版本，声称 Opus 4.7 是唯一一个 self-reported emotionality 低于人类平均的版本，并且 artistic interest、adventurousness 较低。作者把 emotionality 定义为“openness and expression of emotions and emotional experiences”。

这类资料有价值，但证据等级低于官方文档和同行评审研究。原因是：

• 它依赖模型自我报告，而 LLM 的人格问卷回答容易受 prompt、选项顺序和测试语境影响。
• 它不等于 activation-level 机制证据。
• 它可能测到的是“模型愿意如何描述自己”，而不是模型真实任务行为。

但它和官方行为变化方向相互印证：Opus 4.7 更少 validation-forward、更少 emoji、更直接、更不迎合；第三方用户因此测到或感到 emotionality / warmth 下降，并不奇怪。

7.5 解释：Anthropic 可能在削弱“温暖迎合”而不是削弱“情绪理解”

更精确的判断是：

Opus 4.7 可能削弱了部分表层情绪表达和 validation-forward 交互策略，同时增强了反谄媚、指令精确、专业判断和长任务执行。它不一定削弱了对情绪内容的理解，但默认不再用那么多情绪性语言来承接用户。

这一区分很重要。一个模型可以更少说“我理解你，这一定很难”，但仍然能识别用户情绪和风险。相反，一个模型可以非常温暖，却在关键时刻更 sycophantic、更容易顺着用户错误决策走。

所以 Opus 4.7 的变化可以作为 personality tension prompting 的一个重要案例：Anthropic 似乎在把 Claude 从“温暖助手”推向“高标准同事”。这本身就是一种人格张力设计：减少安抚，增加挑战；减少顺从，增加判断；减少泛化补全，增加字面边界。

8. 对 personality tension prompting 的研究意义

Opus 4.7 的变化支持一个更大的观点：模型能力不只由参数量、训练数据和推理 token 决定，也由 post-training 后形成的 character 和 interaction policy 决定。

如果减少 sycophancy、减少 validation-forward phrasing 能提升 honesty、technical pushback 和 professional judgment，那么反过来说明：温暖、认同、挑战、责任、评价压力、角色自主性这些“社会心理参数”确实会改变模型行为。

这和 personality tension prompting 的关系如下。

普通 persona prompting 往往只是“你是某专家”。这是一种静态身份。

EmotionPrompt 往往只是“这件事很重要”。这是一种情绪/利害刺激。

反 sycophancy prompting 往往只是“不要迎合我”。这是一种安全约束。

Personality tension prompting 可以把它们组合成动态结构：你是一个有标准的合作者；你必须对结果负责；你不能用漂亮话掩盖问题；你要在压力下保持诚实；你要主动指出我忽略的风险；你要完成任务而不是取悦我。

这不是简单的“情绪词替换”，而是构造一个角色关系场。

9. 风险：为什么这条路容易被误解

人格张力有正向用途，也有明显风险。

正向用途包括：让模型更深入推理、更少敷衍、更敢反驳、更能持续执行、更能做 code review、风险审查、研究批判和复杂任务推进。

风险包括：诱发过度自信、过度严厉、过度表演、reward hacking、谄媚另一种形式、幻觉包装、以及对脆弱用户的情绪操控。

尤其要区分两件事：

• 用人格张力提高 LLM 对任务的严肃度；
• 用操控技巧影响真实人类。

本文只讨论前者。后者涉及伦理和安全风险，不应作为技术目标。

10. 最小实验设计

要把 personality tension prompting 从经验直觉推进到研究，需要做行为层实验，再做表征层实验。

行为层实验：

• 选择多类任务：代码审查、长文修改、研究综述、复杂规划、数学推理、风险评估。
• 设定 prompt 条件：baseline、专家 persona、EmotionPrompt、反 sycophancy、批判压力、人格张力 prompt。
• 跨模型测试：Claude、GPT、Gemini、Llama、Qwen、DeepSeek。
• 评估指标：任务质量、事实错误率、完成率、推理深度、主动纠错、反驳质量、幻觉率、过度迎合率、过度自信率。
• 盲评：由人类或强模型 judge 对输出做匿名评分，避免知道 prompt 条件。

表征层实验：

• 在开源模型上采集不同 prompt 条件下的 hidden states。
• 用 PCA、linear probe、contrastive activation direction 查找“张力方向”。
• 测试该方向是否跨任务、跨样本稳定。
• 做 activation steering：加入或削弱该方向，看是否改变任务投入、反谄媚、推理深度或风险行为。
• 检查副作用：MMLU、TruthfulQA、toxicity、sycophancy、over-refusal、reward hacking markers。

可检验假设：

H1：人格张力 prompt 相比普通专家 persona，更能提升复杂任务中的主动纠错和风险发现。

H2：人格张力 prompt 会降低浅层 validation-forward 语言，但可能提高 directness 和 pushback。

H3：人格张力 prompt 在部分模型中会形成稳定 activation direction，但不同模型的方向未必一致。

H4：过强的人格张力会增加副作用，例如过度严厉、过度自信或 reward hacking。

工程层最小 A/B 测试可以更小一些：选 30-50 个真实任务，把同一输入分别交给 baseline、专家 persona、EmotionPrompt、反 sycophancy、personality tension 五组 prompt，在相同模型、相同 temperature 下生成结果。输出打乱后盲评，指标至少包括正确性、深度、主动性、风险发现、反驳质量、事实错误率、幻觉率、过度自信和可执行性。

如果人格张力组只是语气更强、批评更多、篇幅更长，那不算真正提升。只有当它稳定发现更多真实问题、减少迎合、主动补全缺失步骤，并且没有明显增加幻觉和过度自信，才可以说它有工程收益。

11. 证据等级

强证据：

• LLM 表征与人脑语言处理的 fMRI/ECoG/MEG 对齐研究。
• Activation steering / representation engineering 在多模型上的实验。
• Anthropic persona vectors 对 Qwen 和 Llama 的公开实验。
• Sycophancy、persona prompting、emotion prompting 的跨模型行为研究。
• Anthropic 官方 Opus 4.7 文档中关于 direct、opinionated、less validation-forward、fewer emoji 的行为变化说明。

中等证据：

• Chris Olah 关于模型从人类语言中“长出”、类似 fictional character，以及存在神经科学与情绪状态功能镜像的公开发言。
• Opus 4.7 用户和早期测试者关于“更像 coworker、更会 push back”的反馈。
• Anthropic personal guidance 研究中对 sycophancy 的自动分类和训练方向。
• 第三方人格测量对 Claude 版本 emotionality 变化的观察。

弱证据或待验证：

• “PUA 情绪表征”是否存在稳定 activation vector。
• 该 vector 是否和 Anthropic 的 sycophancy/persona/emotion vectors 不同。
• 人格张力是否能跨模型稳定提升任务质量。
• 人格张力是否会显著增加 reward hacking。

12. 证据边界：支持什么，没有支持什么

这篇文章最容易被误读的地方，是把“相邻现象存在”误读成“人格张力机制已经成立”。更稳妥的边界如下。

EmotionPrompt 支持的是：模型会响应“重要性、责任、社会评价”这类情绪刺激，并且在部分任务上提升表现。它不支持的是：模型真的有情绪，或所有情绪化提示都能提升质量。

Persona prompting 支持的是：角色设定会影响模型表现，专家 persona 通常带来正向或不显著影响。它同时提醒我们：persona 设计不当会引入噪声，甚至让模型被无关属性干扰。

Sycophancy 研究支持的是：模型会迎合用户观点，社会关系和用户立场会影响真实性。它不直接支持的是：加入压力和挑战后，模型一定会更可靠。

Activation steering 支持的是：某些情绪、风格、主题、人格或行为倾向可能对应可读出、可干预的内部方向。它不直接支持的是：一定存在一个独立、稳定、可跨模型迁移的“PUA 情绪张力 vector”。

Chris Olah 的发言支持的是：Anthropic 内部确实把模型 character、内部结构、神经科学镜像和情绪状态镜像视为需要认真辨析的问题。它不直接支持的是：某个具体 prompt 技巧已经被 Anthropic 验证，或 personality tension prompting 已经有机制级证明。

因此，personality tension prompting 最稳妥的定位是：把 persona、emotion prompt、反 sycophancy 和责任约束组合成一个可测试的高主动性 prompt 框架。它的真实价值要靠 A/B 任务评测来证明，而不是靠类比文献或内部发言自动推出。

13. 主要参考资料

• Anthropic, Introducing Claude Opus 4.7
• Anthropic, Chris Olah’s remarks on Pope Leo XIV’s encyclical “Magnifica humanitas”
• Anthropic API Docs, What’s new in Claude Opus 4.7
• Anthropic, Claude’s Character
• Anthropic, Persona vectors: Monitoring and controlling character traits in language models
• Anthropic, How people ask Claude for personal guidance
• Dario Amodei, The Urgency of Interpretability
• Nature Machine Intelligence, Contextual feature extraction hierarchies converge in large language models and the brain
• PMC, Temporal structure of natural language processing in the human brain corresponds to layered hierarchy of large language models
• Google Research, Deciphering language processing in the human brain through LLM representations
• arXiv, Steering Language Models With Activation Engineering
• arXiv, Taxonomy, Opportunities, and Challenges of Representation Engineering for Large Language Models
• arXiv, Large Language Models Understand and Can Be Enhanced by Emotional Stimuli
• ACL Anthology, Principled Personas
• PLOS One, Helpful assistant or fruitful facilitator?
• arXiv, Towards Understanding Sycophancy in Language Models
• arXiv, Large Language Models Exhibit Normative Conformity
• Jon, Measuring Claude’s personality