文章主要内容总结本文聚焦大型语言模型（LLMs）的情感认知推理能力，基于心理学中的认知评估理论（Cognitive Appraisal Theory），探究LLMs如何通过认知维度进行情感推理。研究核心是回答三个问题：模型是否更倾向于隐性依赖特定认知评估维度？哪些认知维度对表征特定情感至关重要？LLMs中不同情感类别的内部表征能否通过认知评估维度解释？为解答这些问题，作者构建了一个大规模基准CoRE（Cognitive Reasoning for Emotions），涵盖15种情感类别、16个认知评估维度及约20个场景/情感，包含4928个提示和34,000余条模型生成的评估结果。通过对7个开源及闭源模型（如GPT-o4-mini、Gemini 2.5 Flash等）的实验分析，发现不同LLMs的推理模式存在差异：虽在情感间关系上有共识，但对个体情感的评估存在分歧，且无通用的情感表征。创新点提出CoRE基准：首个大规模评估LLMs情感认知推理的基准，覆盖多情感类别和认知维度，为探究模型内部情感表征提供工具。实验框架设计：通过主成分分析（PCA）、逻辑回归、Wasserstein距离等方法，系统分析模型的隐性评估策略、维度与情感的关联性及模型间差异。发现模型认知规律：揭示LLMs的情感认知既有与人类相似的共性（如 val
