文章主要内容总结本文聚焦大型语言模型（LLMs）对人类情感的建模能力，受心理学中“情感轮”（emotion wheel）理论（即情感以层级结构组织）的启发，通过分析LLMs输出中情感状态的概率依赖关系，得出以下核心结论：LLMs自然形成情感层级结构：随着模型规模增大（如Llama 3.1 8B到405B），其内部会涌现出更复杂的情感层级树，且与人类心理学中的情感层级模型（如Shaver等人1987年提出的情感轮）的一致性更强。情感层级复杂度与识别能力相关：模型情感层级的几何特征（如路径长度、平均深度）可预测其情感识别准确率，层级越复杂，识别能力越强。LLMs存在系统性情感识别偏差：在模拟不同社会经济角色（如性别、种族、收入、教育水平等）时，LLMs对弱势群体（如女性、黑人、低收入者）的情感识别准确率更低，且交叉弱势群体（如低收入黑人女性）的误分类问题更严重。偏差与人类模式相似：通过人类实验验证，LLMs的情感识别偏差（如将黑人的悲伤误判为愤怒，将女性的愤怒误判为恐惧）与人类的社会认知偏差高度一致，表明LLMs内化了人类的社会感知特征。创新点提出基于认知理论的情感层级提取方法：借鉴心理学“情感轮”理论，设计了一种树构建算法，从LLMs的logit激活值中提取情感层级结构，为评估LLMs的情感理解能力提供了新视角（区别于传统的情感分类基准）。