情绪何在：理解与刻画大语言模型的情绪潜在空间

基于摘要分析。本文研究大语言模型（LLM）如何在内部隐状态中表征情绪，通过分析隐状态空间的几何结构提取低维情绪流形，并探索在保留语义的同时干预模型内部情绪感知的方法。研究对象是语言模型的情绪表征，而非人脑情绪机制或 BCI 解码。 方法上，作者使用经情绪化改写的句子构建合成数据集，以奇异值分解识别情绪相关子空间。作者报告，情绪表征具有方向性编码特征、分布于多个层，并与可解释维度对齐；这些结构在不同深度保持稳定。摘要未给出具体模型、改写流程、子空间维度及可解释性验证标准。 作者报告，该结构可泛化至覆盖五种语言的八个真实情绪数据集，跨域对齐呈现较低误差和较强线性探针表现，据此提出存在通用情绪子空间的解释。此外，作者报告，学习得到的干预模块可在保留语义的同时调节内部情绪感知，对跨语言基本情绪的控制尤其明显。摘要未提供数据集名称、划分协议、误差或探针指标数值；语义保持标准、对照基线、消融及统计信息尚未验证，因此上述结论的适用范围仍需全文核对。 平台推测（待验证）：若具有配对文本、EEG 与情绪标签，可检验文本侧低维情绪方向能否作为 EEG 情绪解码的辅助表征，以探索低信噪比条件下的表征约束。可复用的是子空间提取与线性探针分析，需另行设计 EEG 编码及跨模态对齐模块；文本情绪不等于被试实际情绪，跨被试差异、小样本与通道差异均可能使该假设失效。小规模检验可在严格跨被试划分下，比较仅 EEG、加入文本情绪子空间及随机子空间对照的解码表现。该方案并非原论文结果，相关 EEG 工作尚未检索确认。