在小语言模型中提取和引导情感表示：方法比较

100M-10B 参数范围的小语言模型 (SLM) 日益为生产系统提供动力，但它们是否拥有最近在前沿模型中发现的内部情感表征仍然未知。我们首次对 SLM 的情感向量提取方法进行了比较分析，使用 20 种情感和两种提取方法（基于生成和基于理解）评估了 5 个架构系列（GPT-2、Gemma、Qwen、Llama、Mistral）的 9 个模型。基于生成的提取产生统计上优越的情感分离（Mann-Whitney p = 0.007；Cohen's d = -107.5），其优势通过指令调整和体系结构进行调节。情感表示位于 Transformer 中间层（~50% 深度），遵循从 124M 到 3B 参数架构不变的 U 形曲线。我们根据 4 个模型的表征各向异性基线验证了这些发现，并通过引导实验确认因果行为效应，并由外部情绪分类器独立验证（92% 成功率，37/40 场景）。转向揭示了三种机制——外科手术（连贯的文本转换）、重复崩溃和爆炸性（文本退化）——通过困惑度比率进行量化，并通过模型架构而不是规模进行分隔。我们记录了 Qwen 中的跨语言情感纠缠，其中转向激活了 RLHF 不会抑制的语义对齐的中文标记，从而引发了多语言部署的安全问题。这项工作为开放权重模型的情绪研究提供了方法指南，并通过将外部行为分析与内部表征分析联系起来，为模型医学系列做出了贡献。