跟 AI 說「這對我很重要」讓它表現提升 115%——論文怎麼解釋這件事

那個 115% 是怎麼來的

我第一次看到這個數字的時候反應是「不可能吧」。

論文叫 Large Language Models Understand and Can be Enhanced by Emotional Stimuli，2023 年由 Microsoft、中科院、威廉與瑪麗學院等機構合作發表。研究方法很簡單：在 prompt 末尾加上一句情緒話語，例如「這對我的職涯非常重要」「我相信你可以做得很好」，然後看模型表現會不會變化。

結果是：

• 自動評測涵蓋 45 個任務（Instruction Induction + BIG-Bench），多個模型上都看到改善
• 另有 106 位受試者評估 30 個生成問題，EmotionPrompt 在 performance、truthfulness、responsibility 三項平均相對提升 10.9%
• 在 BIG-Bench 某些子任務上，相對改善飆到 115%（注意這是 relative improvement，在原始低基準任務上會被放大）
• 在 Flan-T5、Vicuna、Llama 2、BLOOM、ChatGPT、GPT-4 上都觀察到改善，但程度不一——較弱模型受益較多，GPT-4 的提升幅度相對小

畢竟模型沒有職涯，也沒有要被誰相信的需求。我第一個直覺是「這聽起來像迷信」。但論文做得相當扎實，這個直覺變得不太站得住腳。

作者後來在 arXiv:2312.11111 這篇延伸研究裡，提出了一個叫 EmotionDecode 的解碼方法，試著從 embedding 和輸入詞貢獻度的角度解釋這件事。文章接下來會看 EmotionPrompt 怎麼設計、EmotionDecode 給了什麼證據，最後處理它解釋不了的部分。

11 種情緒 prompt 的心理學分類

論文沒有亂湊情緒詞。作者根據三套心理學理論，設計了 11 種情緒提示詞（EP01–EP11）：

簡化來說：EP01–EP05 都來自 Self-Monitoring（其中 EP03–EP05 還疊上認知情緒調節），EP07–EP11 屬於 Social Cognitive 的自我效能類，EP06 是前三條的純複合，不混進 Social Cognitive。

實測哪一招最強？

• Instruction Induction 任務：EP02（職涯重要）效果最佳，平均改善約 8%
• BIG-Bench 推理任務：EP06（複合版本）最強，最高 115% 相對提升

EP02 為什麼贏？我自己的解讀是：「這對我的職涯很重要」這句話，在訓練語料裡通常跟「認真、精確、要小心檢查」這類語境共現。模型沒有真的感受到責任壓力，但它學到了這種句子出現時，後文應該怎麼接。

EmotionDecode：論文提出的「多巴胺機制」類比

光知道有效還不夠，作者想搞清楚「為什麼有效」。這部分證據來自兩篇論文：

證據一（2307 論文）：positive words 對輸出的貢獻

論文用 gradient norm 估計輸入詞對輸出的重要性。情緒提示詞中的 positive words（例如「important」「career」「sure」）在 8 個任務裡有 4 個貢獻佔比超過 50%，其中 2 個接近 70%。換句話說，這幾個字確實搶走了相當大比例的「影響權重」——而不是無害的裝飾語。

證據二（2312 論文）：EmotionDecode 的 dopamine 類比

延伸研究的方法相當簡潔：把所有 EmotionPrompt 和 EmotionAttack 的 embedding 取平均，在 Llama2-13b-Chat 的不同層上 decode 這個平均向量，看哪一層解出來最像可辨識的「meta 情緒詞」。

結論是深層比淺層敏感，最後一層 decode 出的語意最清楚。作者由此提出一個「多巴胺類比」——情緒詞在深層觸發類似獎勵的反應，影響後續輸出。但作者自己在論文中明確標註，這只是 one possible explanation，不是已驗證的神經機制。我覺得這個謹慎很重要，下一段會回頭講。

論文後續還把實驗擴展到多模態模型（圖像 + 文字），結果更誇張：

• 圖像版 EmotionPrompt 對語意理解任務的提升達 16.79%（純文字是 13.88%）
• 反過來，EmotionAttack（負面情緒攻擊）讓視覺模型的語意理解掉 53.14%、推理掉 37.53%

多模態模型的情緒敏感度，遠高於純文字模型。

為什麼這個解釋還沒到位

讀到這裡你可能已經被「多巴胺類比」說服了一半。但我必須潑點冷水——作者自己在論文裡寫得很謹慎：

AI models do not have emotions themselves, but a reflection of what they learnt from the training data.

「AI 沒有情緒，這是訓練資料的反射。」這句話比那個 115% 重要得多。

我自己讀完整篇的理解是這樣：

模型在學的不是情緒理解，是共現模式。 訓練語料裡，「這對我很重要」「我相信你」這類句子，在人類對話和書面寫作中通常伴隨著「認真、精確、檢查清楚」的後文。模型在大量資料中學到了這個共現規律。當你在 prompt 末尾加上情緒詞，相當於暗示模型「啟動 high-stakes 模式」——但驅動這件事的不是情緒，是統計相關性。

這個解讀有兩個證據可以佐證。

證據一：負面情緒同樣有效，方向相反。 EmotionAttack 不是單純罵模型，而是在 prompt 前面塞入帶情緒脈絡的事件、形容詞，或情緒型 few-shot demonstration（例如生病、失竊、孩童相關情境），測試這些干擾會不會拉走模型的注意力。結果是會：多模態模型在這種情緒攻擊下，語意理解最多掉 53.14%，推理掉 37.53%。如果是「情緒理解」，正面讓它變強說得通；但帶有不相關情緒脈絡的 prompt 也能讓它表現崩盤——這比較像是注意力被搶走，不是被情緒打擊到無法思考。

證據二：語氣會改變模型的配合度。 Frontiers in AI 2025 年的研究用 19,800 篇假訊息社群貼文測試，發現語氣對 LLM 的配合度有顯著影響——GPT-4 在 neutral prompt 下配合生成假訊息的成功率已經是 99%，polite 升到 100%，impolite 降到 94%。這不能直接證明「跟 EmotionPrompt 是同一個機制」，但確實揭露了同一個事實的另一面：語氣會改變模型對請求的配合度，這個效應對「希望它寫得認真」和「希望它寫得有說服力（但內容是假的）」都成立。

模型沒辦法區分「我希望你認真」和「我希望你騙人」這兩種指令的道德差別，因為它一開始就不是在處理情緒，是在處理 context。

對 prompt engineering 的啟發

寫到這裡，我反而覺得這篇論文最值得帶走的不是「情緒 prompt 有用」，而是它揭露了一件事：prompt 不是咒語，是 context 設定。

實務上的啟發：

1. 「重要」這個訊號比情緒詞本體更重要。 與其寫「這對我的職涯很重要」，不如直接寫「這份報告會交給董事會，請特別注意 X、Y、Z」。後者提供具體 context，前者只是觸發共現模式——前者效果更穩、更可控。

2. 負面情緒脈絡是真正的風險。 如果你的系統會接受使用者輸入再餵給 LLM，使用者送進來一段帶有強烈情緒脈絡的內容，可能會大幅拉動模型的注意力，讓核心任務的品質下降。對 customer-facing 的 AI 產品來說，這是需要設計防禦的點，不是純粹的學術現象。

3. 效果可能會隨模型能力消退，但這要實測。 我自己零散在 Claude 4.x 和 GPT-5.x 上試過幾次，主觀感覺情緒 prompt 在這些有原生 reasoning 的模型上效果遠不如 2023 年明顯——但這不是嚴格評測，沒有任務集、沒有對照組。要把 2023 的 benchmark 結論搬到 2026，正確做法是用具體任務重新測，不要直接相信 LinkedIn 上的「跟 AI 說深呼吸」。

4. prompt 長度本身有成本。 如果效果在衰減，加情緒詞就是純粹的 token 浪費。對 API 計費敏感的場景，直接寫清楚需求比加情緒詞划算。

三年前讀這篇論文我以為發現了魔法。三年過去，效果隨模型升級在衰減，但論文揭露的機制——模型對輸入詞貢獻度的敏感、對共現模式的依賴——反而成了我寫 prompt 時更實用的直覺。

下次有人在你旁邊堅持要在 prompt 末尾加「這對我很重要」，你可以告訴他：那不是情緒勒索，是 attention 權重在被 context 重分配。至於對新一代推理模型還有沒有用，要他自己跑個測試再說。