ICML 2026 | 大模型内部也会长出「情绪树」，规模越大越懂人心

随着语音、视频、多模态能力不断融入大语言模型（LLM），人与 AI 的交互正在越来越接近自然对话。今天的 LLM 不再只是回答问题的工具，也越来越多地出现在教育、客服、陪伴、心理健康等高度依赖情绪理解的场景中。

那么，大语言模型究竟是如何理解人类情绪的？

过去，关于 LLM 情绪能力的研究大多集中在情绪分类任务上：给模型一句话，看它能否判断出其中包含的是快乐、悲伤、愤怒还是恐惧。

但在人类认知中，情绪并不是一组扁平的类别。心理学中的「情绪轮」认为，情绪往往以层级方式组织：例如「乐观」可以被看作「快乐」的一种具体形式，「惊恐」可以被看作「恐惧」的一种具体形式。

图 1 情绪轮。（来自：Idaho State University）

在 ICML2026 的一篇论文中，来自哈佛大学、加州大学圣地亚哥分校、NTT Research 的研究人员 Bo Zhao、Maya Okawa 等提出：大语言模型内部会自然形成类似人类心理学模型的「情绪树」。

模型越大，情绪树越复杂。同时，拥有更复杂情绪结构的模型在销售等任务上表现更好。模型中的情绪结构还会受到性别、种族、收入、教育水平等身份设定的影响，呈现出与人类实验中相似的的情绪识别偏见。

• 论文标题：Emergence of Hierarchical Emotion Organization in Large Language Models
• 论文链接：https://arxiv.org/abs/2507.10599
• 项目主页：https://b-zhao.github.io/blog/hierarchical-emotion-in-llm
• 作者主页：https://b-zhao.github.io/

从 LLM 中提取情绪树

作者首先用 GPT-4o 生成 5000 个包含不同情绪状态的场景句子，然后让 Llama 系列模型在句子后继续预测「这个句子中的情绪是……」。

接着，作者提取模型在 135 个情绪词上的输出概率，并比较两个情绪词在模型输出中是否经常共同出现。例如，如果模型认为下一个单词是「乐观」的概率较高时，「快乐」也经常概率较高，但反过来并不总是成立，那么我们就可以认为「乐观」是「快乐」的一个更具体的子情绪。

基于这种条件概率关系，模型中的情绪可以构造出一棵情绪树。这种方法不需要人工标注，而是来自模型自身对大量情绪场景的概率判断。

图 2 不同规模 Llama 模型的情绪树（8B，70B，405B）

模型越大，情绪层级越复杂

实验比较了 GPT-2、Llama 3.1 8B、70B 和 405B。结果显示，随着模型规模增大，情绪树变得更深、更复杂，也更接近心理学中的情绪轮结构。

在 Llama 405B 中，诸如快乐、愤怒、悲伤、恐惧等基本情绪，会自然聚合出更细粒度的子类，例如幸福、乐观、沮丧、后悔、焦虑等。论文进一步用总路径长度和平均深度衡量情绪树复杂度，发现这两个指标随模型规模整体上升。

图 3 情绪层级复杂度随模型规模增长。

情绪树能预测模型的情绪识别能力

作者进一步发现，情绪树不只是可视化工具，还能预测模型在不同身份设定下识别情绪的表现。

研究者让 Llama 405B 分别以男性、女性、高收入、低收入、高教育水平、低教育水平等身份来判断情绪。结果显示，不同身份设定会生成不同的情绪树，而情绪树越丰富、路径越长，模型的情绪识别准确率越高。树中的总路径长度与识别准确率的相关系数达到 0.84，显著性小于 0.001。

图 4 情绪树结构越复杂，情绪识别准确率越高。

这意味着，层级结构可以成为一种新的 LLM 评测指标：它衡量的不是模型是否偶然选对标签，而是模型是否形成了更细粒度的情绪概念组织。

LLM 的偏见和人类有多像？

论文还揭示了 LLM 情绪识别中的系统性偏见。Llama 405B 在模拟一些少数或弱势群体身份时，情绪识别准确率明显下降，例如女性、黑人、低收入、低教育水平等身份设定的表现低于对应多数群体或优势群体。

为了验证这些现象是否只是模型自身的偏差，作者还进行了人类实验。研究者在 Prolific 平台上招募 60 名参与者，让他们对 135 个情绪场景进行六类情绪判断。

结果显示，LLM 的一些误判模式与人类参与者存在相似之处。例如，女性参与者和 Llama 的女性身份设定都更容易在「愤怒」与「恐惧」之间混淆；黑人参与者和 Llama 的黑人身份设定也表现出类似的负面情绪混淆模式。

这说明，LLM 可能不仅学到了情绪词和文本之间的对应关系，也在一定程度上吸收了人类社会中的感知模式与偏见。

从理解情绪到影响情绪

情绪树的复杂度不仅反映模型能否「看懂」情绪，也可能影响模型在对话中改变情绪的能力。论文进一步模拟了销售和投诉处理两类场景：前者让模型尝试把一颗橡果卖出更高价格，后者让模型安抚愤怒顾客。每轮对话中，模型都需要预测对方下一步的情绪变化。

结果显示，情绪预测越准确，销售场景中的最终成交价格越高；在投诉处理场景中，顾客对话后的愤怒程度下降也越明显。

这说明，LLM 的情绪理解并不只是静态分类能力。更细致的情绪建模可能帮助模型更有效地顺应、引导甚至改变用户情绪。这一能力在客服、教育和心理支持中可能带来积极作用，但也需要更谨慎地评估其潜在风险。

图 5 情绪预测误差越低，销售 / 客服表现越好。

总结

这篇论文指出，LLM 内部会自然涌现出类似人类情绪轮的层级情绪结构。 随着模型规模增加，这种结构变得更复杂，也更接近心理学模型。

同时，论文也发现，LLM 的情绪理解并非中性。模型在不同身份设定下会表现出系统性偏见，并且这些偏见在部分情况下与人类群体的误判模式相似。

从更广的角度看，这项工作展示了一条新的大模型评测路径：将认知科学理论作为假设，用来分析 LLM 的内部结构和输出行为。我们不仅需要知道模型是否能识别情绪，也需要评估它如何理解，预测，甚至影响情绪。这些能力既可能让 AI 交互更自然、更有帮助，也可能被用于操控、误导或放大社会偏见，因此需要更系统的评测与干预。