小语言模型中情感表征的提取与引导：方法学比较

参数规模在 100M 至 10B 之间的小语言模型（SLMs）日益驱动生产系统，但它们是否拥有近期在前沿模型中发现的情感内部表征仍未知。我们首次对小语言模型的情感向量提取方法进行了比较分析，在 20 种情感和两种提取方法（基于生成的和基于理解的）下评估了涵盖 5 种架构家族（GPT-2、Gemma、Qwen、Llama、Mistral）的 9 个模型。基于生成的提取产生了统计上更优的情感分离效果（Mann-Whitney p = 0.007；Cohen's d = -107.5），其优势受指令微调和架构的调节。情感表征定位于 Transformer 中间层（约 50% 深度），呈现 U 形曲线，在 124M 至 3B 参数范围内架构不变。我们针对 4 个模型将结果与表征各向异性基线进行验证，并通过引导实验确认了因果行为效应，由外部情感分类器独立验证（92% 成功率，40 个场景中的 37 个）。引导揭示了三种模式——手术式（连贯文本转换）、重复崩溃和爆发式（文本退化）——由困惑度比率量化并由模型架构而非规模区分。我们记录了 Qwen 中的跨语言情感纠缠，引导激活了 RLHF 未抑制的语义对齐中文标记，引发多语言部署的安全担忧。本工作为小语言模型情感研究提供了方法学指南，并通过将外部行为画像与内部表征分析相连接，为 Model Medicine 系列做出了贡献。