「Sentient Agent, 情绪价值 」 为什么大模型总是那么有同理心，会提供情绪价值？ 分享两篇文章，关注 LLM 智商之外的另外一个维度，情商，即情绪价值的能力。 [ 论文 1 ] Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models [ 论文 2 ] Reinforcement Learning with Verifiable Emotion Rewards 先看 [ 论文 1 ] 的SAGE，找到量化LLM情商指数的心理学理论基础：BLRI 与 Rogers/Kolden 共情指标 BLRI，有四个维度： 同理理解、 尊重感、 真实一致性、 无条件积极关注 Rogers/Kolden，关注三个维度： 自然流畅、 专注力、 深度连接 SAGE把 LLM 推理生成的 0–100 分的Emotion Score，用 BLRI 和 Rogers-Kolden 三维共情指标做外部校标 有了SAGE，为认知评估流程提供了内部一致性，意为着可以为情绪打分的Sentiment Agent成为可能，即Sentient Agent as a Judge。 于是[ 论文 2 ]来了，依托 Sentiment Agent，让情绪分变成可用奖励，让小模型也可以高情商。 模型生成-> Sentient Agent 更新情绪 -> 回合奖励 ； 终局 eT/100 作为整段对话的 PPO / GRPO 目标。 读完论文的最大收获，每天默念BLRI和Rogers/Kolden，让自己学会提供情绪价值：😀 同理理解 尊重感 真实一致性 无条件积极关注 自然流畅 专注力 深度连接