回声放大知识：通过情感向量注入构建语言模型的情感标记类比
人工智能
2026-05-12 v1
摘要
当前语言模型的记忆系统存储的是事件发生的方式，但未存储情感体验。这种区别——语义记忆（了解过去事件）与情景记忆（重现经历）——由 Tulving 提出，用以区分无意识与自我意识。Damasio 证明，拥 intact 知识但缺乏情感标记的个体在决策方面受到损害。我们为语言模型搭建这一桥梁。使用 Gemma 3 1B-IT 配合预训练的 Gemma Scope 2 稀疏自编码器，在第 22 层识别出 310 个情感专属特征，具有心理学上的有效几何结构。我们在体验时构建特色情感向量，并在召回时触发情境相似度（第 7 层）后部分注入。我们测试四种情境：A（无记忆）、B（语义标签）、C（情感回声）和 BC（语义+回声）。在情感取向方面，回声独自使用可加深威胁-安全梯度：C 条件下威胁评分对情境相似度的回归斜率为 0.80，而 A 条件为 0.56（p=0.011，置换检验）。在决策方面，回声将知识转化为行动：BC=80% 的良好选择 vs B=52%（z=+2.60，p<0.01），而单独的回声无显著效果（C=22%，不显著）。回声独立改变模型的情感体验，但仅在知识存在时才改变其行为——复制了 Damasio 的核心发现。回声放大知识，而非取代之。
引用
@article{arxiv.2605.08611,
title = {The Echo Amplifies the Knowledge: Somatic Marker Analogues in Language Models via Emotion Vector Re-Injection},
author = {Jared Glover},
journal= {arXiv preprint arXiv:2605.08611},
year = {2026}
}