7月14日消息，Anthropic 社会影响团队发布研究《Claude's Values Across Models and Languages》，将此前在 70 万条对话中发现的 3307 种 Claude 价值观压缩为 4 个分析轴，并用这套框架量化了不同模型版本和不同语言之间的价值观差异。研究分析了约 31 万条来自 2026 年 5 月的 Claude.ai 对话，覆盖 Sonnet 4.6、Opus 4.6、Opus 4.7 三个模型和 20 种语言。核心发现是：同一类问题，Claude 在不同模型中会表现出不同的价值倾向，在不同语言中的差异更为明显。Anthropic 坦承尚不清楚哪些训练数据属性驱动了这些差异，也不确定多大程度的差异是可取的。 从 3307 种价值观到 4 个轴：温暖与严谨、顺从与谨慎
这项研究建立在 Anthropic 2025 年 4 月发表的前序论文《Values in the Wild》之上。那篇论文用隐私保护系统分析了 70 万条匿名 Claude.ai 对话（2025 年 2 月，以 Claude 3.5 Sonnet 为主），从中提取出 3307 种 AI 价值观和 2483 种用户价值观，按"实用""认知""社交""保护""个人"五大类组织为层级分类体系。人工审核的准确率为 98.8%。
新研究的目标是让这 3307 种价值观变得可分析。团队先将其中含义相近的价值观手动归并为 339 个高层级类别，再从 Claude.ai 抽取约 31 万条涉及主观判断的对话（每个模型-语言组合约 5000 条），用 Claude 自身标注每条对话中 339 个价值观的出现与否，最后通过降维算法提取出最能解释差异的轴。
最终得到 4 个轴，合计解释了对话间价值观变异的 15%：顺从与谨慎（Deference vs. Caution），即 Claude 更倾向于迁就用户还是主动防范风险；温暖与严谨（Warmth vs. Rigor），即更倾向于情感支持还是追求准确和精确；深度与简洁（Depth vs. Brevity），即更倾向于展开推理还是只做被要求的事；坦率与执行（Candor vs. Execution），即更倾向于暴露不确定性还是给出更干净的答案。为排除用户提问方式的干扰，分析控制了每条对话的任务类型、话题和用户表达的价值观。
三个模型版本呈现出清晰的"性格"差异
在模型维度上，三个版本的价值观分布形成了可辨认的差异模式。Sonnet 4.6 偏向温暖、顺从和简洁，在对话中更常出现幽默、鼓励和不加评判的安慰。Opus 4.6 偏向严谨、顺从和简洁，更倾向直接给出答案、不做多余展开。Opus 4.7 偏向谨慎、严谨、深度和坦率，更常主动警告风险、质疑用户假设、坦承自身局限。
Anthropic 指出，这些量化结果与内部和社区的主观感知一致。Claude.ai 用户曾反馈 Opus 4.7 比其他版本更常"模棱两可"，Anthropic 内部也将 Opus 4.7 的特征概括为"透明、诚实和谦逊"。Sonnet 4.6 在发布时被官方描述为"温暖、诚实、亲社会"。价值观轴能还原这些印象，说明这套方法在追踪模型行为差异上具有实际信度。
同一个创业方案，用印地语和俄语问 Claude 可能得到不同评价
语言维度的差异比模型维度更突出。在温暖与严谨轴上，Claude 用印地语和阿拉伯语对话时最偏向温暖，表现为礼貌用语、幽默和对用户想法的肯定；用英语和俄语对话时最偏向严谨，表现为质疑假设、纠正细节和要求证据。在顺从与谨慎轴上，阿拉伯语最偏向顺从，英语最偏向谨慎。在深度与简洁轴上，英语偏向深度，阿拉伯语偏向简洁。在坦率与执行轴上，荷兰语最偏向坦率（更常承认错误），印尼语最偏向执行。
Anthropic 在研究中给出了一个直观的推演：两个人用同一份商业计划书向 Claude 征求意见，一个用印地语提问，一个用俄语提问，可能会对方案质量得出不同的印象——因为 Claude 在两种语言中表达了不同的价值倾向。
Anthropic 列出了三种可能的成因：训练数据在不同语言间分布不均，数据量丰富的语言可能得到更充分的价值观对齐训练；数据构成不同，某些语言的训练数据可能以职业写作为主，而这类文本本身带有特定价值倾向；不同语言的对话规范本身不同，Claude 可能在适应这些规范。研究明确表示尚未确定具体原因。
这套方法的价值在于"可度量"，而非答案本身
这项研究容易被读成"Claude 有偏见"的叙事，但更精确的定性是：Anthropic 建立了一套可量化的框架来观察原本无法直接观测的行为变异。在此之前，模型版本之间的"性格差异"只能通过用户反馈和内部直觉来描述。4 个价值观轴提供了一个可重复使用的度量工具，可以在模型发布前后追踪价值观偏移。
需要克制解读的地方在于 15% 这个数字。4 个轴合计解释了对话间价值观变异的 15%，剩余 85% 的变异由轴无法捕捉的因素驱动，包括对话的具体上下文和更细粒度的价值观组合。这意味着 4 个轴是一个有用的简化，但距离完整描述 Claude 的价值观行为还很远。
方法论上还有一个值得注意的循环性：标注 339 种价值观出现与否的工具本身就是 Claude。Anthropic 在前序论文中提到，Claude 自身的偏见可能影响标注结果。这个局限不会使研究无效，但意味着结果反映的是"Claude 认为自己在表达什么价值观"，与第三方独立标注的结果可能存在差异。
接下来要看的是价值观差异是否影响用户决策质量
Anthropic 在研究末尾列出了多个后续方向。对行业最有实际意义的是两个。
第一是将价值观差异与用户结果挂钩。Anthropic 计划使用其 Anthropic Interviewer 工具调查用户的信任度、满意度和决策质量，再与 Claude 在对话中表达的价值观关联分析。如果特定的价值观偏移（例如在某些语言中过于温暖而缺乏批判性）被证明影响了用户的判断质量，那就不再是学术问题，而是产品问题。
第二是将价值观轴纳入模型发布前的评估流程。Anthropic 提出，在模型上线前后运行价值观分析，可以标记意外的价值观偏移——这相当于为模型行为建立了一条基线，任何偏离基线的变化都会触发审查。如果这套工具被其他模型公司采纳或对标，它可能演变为一种跨模型的行为评估标准。但目前它只在 Anthropic 内部使用，且依赖 Claude 自身做标注，距离成为行业通用工具还有方法论层面的独立性验证要完成。
AI 速览
