夸奖、责备、催促或威胁措辞会如何影响 AI？

完整解答

EmotionPrompt 在6个模型、45项任务上测试情绪附加语。查表1会发现：在 Instruction Induction 的零样本设置中，跨模型、跨情绪句的平均分仅从51.65变为51.98；GPT-4 在该行比较中还从80.75降到78.96。论文同时报告了逐任务挑选最佳情绪句的结果，那比实际随手加一句鼓励更有利。部分句子还要求复查、说明理由或报置信度，因此不能把收益全部解释成“夸奖使 AI 更努力”。原文表1及提示句

四类措辞可以这样理解：

· 夸奖：“你很聪明”没有说明哪里需要改变；“上一版分类准确，请保留分类，只改标题”则给出了可执行的反馈。

· 责备：单纯强调“你错了”不等于提供纠错依据。Anthropic 的实验发现，用户无证据地质疑答案时，模型会出现从正确改成错误的情况。研究

· 催促：“快点”可能被理解成少解释、尽快结束，却不是控制推理时间或算力的可靠开关。确有时间限制，可以直接写先交什么、允许省略什么。

· 威胁：上述研究不足以证明威胁有稳定的正确率收益，更不能由一次变好推出“威胁越重越有效”。

实操时，把情绪转换为修改信息：

上一版把“可以申请”写成了“一定退款”，与规则不符。请修正这一处，保留审核条件，不添加新承诺。

如果只是想测试某句夸奖或威胁是否有帮助，应保持任务和材料相同、重复比较；看正确率和约束是否满足，不能只看 AI 是否道歉、保证或显得更认真。

引用文献

1. Li 等（2023），Large Language Models Understand and Can Be Enhanced by Emotional Stimuli，arXiv v6，表1

2. Sharma 等（2023/2024），Towards Understanding Sycophancy in Language Models