The psychophysics of affect in large language models

📄 arXiv: 2610.40985v1 📥 PDF

作者: Joseph Marks, Marius C. Vollberg

分类: cs.AI, cs.CL

发布日期: 2026-10-29

备注: 64 pages (26 main text, 25 Supplementary Information, 13 GUIDE-LLM reporting checklist), 5 figures. Code: https://doi.org/10.5281/zenodo.23772352 ; data: https://doi.org/10.5281/zenodo.23556542

💡 一句话要点

探讨大语言模型中情感映射与决策的关系

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 情感映射 决策理论 收益放大 损失厌恶 金融决策 智能助手

📋 核心要点

  1. 现有研究对大语言模型如何将决策结果映射到情感的理解不足，影响其在决策中的有效性。
  2. 本研究通过实验测试LLMs对赌博和股票交易结果的情感预期，并分析其在决策中的应用。
  3. 实验结果显示，模型在单独评分时表现出收益放大效应，而在选择中收益与损失的不对称性减弱。

📝 摘要（中文）

良好的决策往往需要考虑结果的情感体验。然而，尽管大语言模型（LLMs）越来越多地参与决策流程，但我们对它们如何将结果映射到情感以及如何在选择中使用这些映射知之甚少。我们测试了LLMs如何预期赌博或股票交易结果的情感，并是否将这些评分纳入决策中。当结果单独评分时，评分对幅度的敏感性呈现递减趋势，类似于人类的价值函数；但模型对收益的评分强度高于相应的损失，形成了我们称之为“硅基收益放大”的现象。当结果一起评分时，评分线性化。在选择中，收益-损失的不对称性大部分消失，模型自身的评分并未比货币效用更可靠地解释其选择。这些发现揭示了结果与情感之间的可塑性映射，提出了代理性LLMs在决策中应如何考虑预期情感的问题。

🔬 方法详解

问题定义：本论文旨在解决大语言模型在决策过程中如何将结果映射到情感的问题。现有方法对这种映射的理解不足，导致模型在决策时可能无法有效考虑情感因素。

核心思路：论文通过实验研究LLMs对不同决策结果的情感预期，探讨其在选择中的应用，旨在揭示情感映射的可塑性及其对决策的影响。

技术框架：研究通过设计实验，分别对赌博和股票交易结果进行评分，比较单独评分与一起评分的情感反应，分析其在决策中的表现。主要模块包括情感评分、结果比较和决策选择。

关键创新：最重要的技术创新在于发现了“硅基收益放大”现象，即模型对收益的评分强度高于损失，挑战了传统的损失厌恶理论。

关键设计：实验中采用了线性化评分方法，设计了不同的评分场景，并分析了模型选择与货币效用之间的关系，确保了实验结果的可靠性和有效性。

📊 实验亮点

实验结果显示，当结果单独评分时，模型表现出收益放大的现象，而在选择中收益与损失的不对称性显著减弱。模型的评分未能比传统的货币效用更好地解释其选择，揭示了情感映射的复杂性。

🎯 应用场景

该研究的潜在应用领域包括金融决策支持系统、智能助手和情感计算等。通过理解LLMs如何处理情感映射，可以提高其在复杂决策场景中的表现，增强人机交互的自然性和有效性，未来可能对智能决策系统的设计产生深远影响。

📄 摘要（原文）

Good decisions often require considering how outcomes will feel. Yet large language models (LLMs) increasingly enter decision workflows, despite little being known about how they map outcomes to feelings or use those mappings in choice. We tested how LLMs anticipated gambling or stock-trading outcomes would feel and whether they incorporated these ratings into choice. When outcomes were rated in isolation, ratings exhibited diminishing sensitivity to magnitude, resembling human value functions; but models rated gains more intensely than equivalent losses, an inversion of canonical loss aversion we call silicon gain amplification. When outcomes were rated together, enabling direct comparison, ratings linearised. In choice, the gain-loss asymmetry largely disappeared, and models' own ratings did not reliably explain their choices better than monetary utility did. These findings reveal malleable mappings from outcomes to affect, raising questions about whether and how agentic LLMs should incorporate anticipated feelings into decisions.