TEMPER：在定量推理中测试情绪扰动

大语言模型 接受以干净、情感中性语言编写的定量推理任务的训练和评估。然而，现实世界的查询常常充满挫败感、紧迫感或热情。当保留所有数字内容时，仅情感框架是否会降低推理能力？为了研究这一点，开发了一个受控情绪翻译框架，将问题重写为情绪变体，同时保留所有数量和关系。使用该框架，跨 GSM8K、MultiArith 和 ARC-Challenge 构建 Temper-5400（5,400 个经过语义验证的情感中性对），并在 18 个模型（1B 到前沿规模）上进行评估。出现两个核心结果：首先，即使所有数字内容都被保留，情绪框架也会使准确度降低 2-10 个百分点。其次，中和情感变体可以恢复大部分损失的性能，这表明性能下降与情感风格而不是内容损坏有关，而且中和可以作为轻量级推理时间缓解措施。非情感释义不会导致这种退化，暗示情感内容而不是表面水平的变化。除了情感之外，基准构建程序还为文体翻译和鲁棒性评估提供了可控工具。