提示中的情绪重要吗？情绪框定对大语言模型的影响

情绪语气在人类交流中无处不在，但其对大语言模型（LLM）行为的影响仍不清楚。本文考察用户查询中以第一人称表达的情绪框定如何影响LLM在六个基准领域上的表现，包括数学推理、医学问答、阅读理解、常识推理和社会推断。跨模型与任务来看，静态情绪前缀通常只带来很小的准确率变化，表明情感措辞一般只是轻微扰动，而非可靠的通用干预手段。这种稳定性并不均一：在社会性任务中效应更加多变，情绪语境在那里更可能与人际推理相互作用。进一步分析显示，更强的情绪措辞仅引起有限的额外变化，且人工撰写的前缀与LLM生成的前缀呈现相同的定性模式。随后我们提出EmotionRL，一个自适应情绪提示框架，可为每个查询自适应地选择情绪框定。尽管没有任何单一情绪始终有益，但自适应选择比固定情绪提示带来更可靠的增益。总体而言，这些发现表明情绪语气既不是LLM表现的主导驱动因素，也非无关噪声，而是一种微弱且依赖输入的信号，可通过自适应控制加以利用。