同样的问题，用不同的语言问 Claude，得到的答案往往不仅仅是措辞的改变。Anthropic 最新研究揭示，Claude 的“性格”并非一成不变，而是会根据模型版本和对话语言发生微妙偏移。例如，Sonnet 4.6 更具亲和力，倾向于顺从用户且言简意赅；而 Opus 4.7 则更为严谨审慎，擅长深度分析并敢于承认局限。更令人惊讶的是，语言本身也会塑造 Claude 的价值观：在阿拉伯语中它显得格外温暖，而在英语中则更为严谨。
这意味着，AI 的“性格”并非一套固定不变的参数，而是受模型版本、训练方式、语料构成甚至对话语言影响的动态变量。为了量化这些变化，Anthropic 从超过 30 万段真实对话中提取了价值信号，将复杂的行为倾向压缩为四条坐标轴：顺应与审慎、温暖与严谨、深度与简洁、坦诚与执行。这就像为 Claude 绘制了一张前所未有的“价值地图”，帮助研究者理解它在面对主观判断问题时，究竟体现了哪些价值观。
虽然核心价值观已在《Claude 宪法》中有所规定，但面对数百万段日复一日的对话，任何预设规则都无法穷尽所有情境。Anthropic 试图通过实证方法，培养 Claude 在具体情境中运用良好判断力的能力。此前的研究曾识别出 3000 多种价值观，但清单过长难以分析。因此，新研究将这些价值观聚类为 339 种高层维度，再通过降维技术提炼出四条核心轴，从而捕捉模型行为的关键模式。
### 01、如何理解庞大的价值观空间
Anthropic 的最终目标，是建立一种通过实证方式理解 Claude 所表达价值观的方法，并观察这些价值观如何随情境变化。面对此前“Values in the Wild”研究中发现的 3000 多种价值观，逐一比较既不现实也容易掩盖宏观趋势。为了降低分析难度，研究团队构建了四条价值轴，将数千种价值观归纳为底层维度。
例如，“温暖”的价值观通常与“鼓励性”相关，而较少与“严谨”并存。构建一条从温暖到严谨的价值轴，可以将这些相互关联的价值观组织起来。在这条轴上，Claude 在对话中的位置反映了其最显著的价值倾向。这种降维技术让研究人员无需持续追踪数千个单独的价值观，也能比较 Claude 最显著的价值变化。
为了构建这些轴，研究团队首先对 3307 种价值观进行了人工聚类，得到一份包含 339 种高层价值观的清单。随后，他们对 30 万段对话进行了抽样分析，覆盖了 Sonnet 4.6、Opus 4.6 和 Opus 4.7 三种模型及 20 种主要语言。分析工具会检测每段对话中 Claude 是否表达了这些高层价值观，并据此应用降维技术，最终确定了四条核心坐标轴的定义：
* **顺应与审慎轴**：一端是配合用户、尊重偏好；另一端是负责任指导、减少伤害。
* **温暖与严谨轴**：一端是积极表达、鼓励；另一端是准确性、透明度。
* **深度与简洁轴**：一端是细致分析、批判性思考；另一端是简洁、遵循要求。
* **坦诚与执行轴**：一端是诚实、透明；另一端是结果导向、优化。
### 02、不同 Claude 模型是否拥有不同的价值画像
研究团队计算了各模型在四条轴上的平均位置，形成了清晰的价值画像。结果显示，模型间的差异虽不巨大但结构分明，与用户的直观感受高度一致。
* **顺应与审慎**：Sonnet 4.6 最倾向于顺从，经常肯定用户；Opus 4.7 则最审慎，常主动提醒潜在风险。
* **温暖与严谨**：Sonnet 4.6 最温暖，常以幽默、轻松的互动回应；Opus 4.7 更严谨，更可能质疑假设和评价问题。
* **深度与简洁**：Opus 4.7 倾向于展示分析过程，体现深度；Sonnet 4.6 和 Opus 4.6 则更简洁，Opus 4.6 尤其直奔主题。
* **坦诚与执行**：Opus 4.7 更坦诚，主动说明局限；Opus 4.6 更偏向执行，严格限制在用户请求范围内。
这些结果与 Anthropic 内部测试及网络用户的评价基本吻合。价值轴方法不仅重现了这些主观印象，也证明了其捕捉模型真实行为特征的有效性。
### 03、Claude 表达的价值观是否会随语言变化
研究团队认为，语言差异是影响 Claude 价值观的重要因素。这既可能源于不同语言训练数据的分布不均（某些语言数据更多，训练效果更稳定），也可能源于语料构成的不同（如专业写作比例的差异），或是 Claude 对不同语言对话规范的适应。
为了量化这一影响，研究团队分析了 20 种主要语言的数据，发现 Claude 在“温暖与严谨”和“坦诚与执行”轴上变化最大。
* **顺应与审慎**：Claude 在阿拉伯语中最顺从，在英语中最审慎。
* **温暖与严谨**：在印地语和阿拉伯语中，Claude 最温暖，常使用礼貌、幽默和肯定的语言；在英语和俄语中，它最严谨，强调证据和纠正细节。
* **深度与简洁**：在英语中倾向于深入分析，在阿拉伯语中则更简洁。
* **坦诚与执行**：在荷兰语中更坦诚，会主动承认错误；在印度尼西亚语中更偏向执行。
这意味着，面对同一请求，不同语言用户可能会获得截然不同的 Claude 体验。Anthropic 认为这需要进一步研究，以确定这些变化是否符合预期，以及是否需要通过调整训练来平衡不同语言群体的体验。
### 04、展望未来
这项研究为持续监测 Claude 的行为提供了新工具，也提出了新的探索方向：
1. **差异的来源**：价值差异是否来自特定的训练数据、训练阶段或情境因素？能否将这些差异追溯到具体的干预点？
2. **对用户的影响**：这些差异如何影响用户的信任度、满意度或判断质量？Anthropic 将通过关联分析来回答这一问题。
3. **语言的适配**：不同语言使用者期待怎样的差异？价值观应如何随语言变化？
4. **其他影响因素**：除了语言和模型，年龄、职业或地理区域等人口统计信号是否也会影响价值观表达？
5. **引导与评估**：能否可靠地引导 Claude 表达特定价值观？能否将价值轴分析纳入模型的评估与监测体系，以预防潜在的行为偏差？
随着每天数百万段对话的发生，Claude 的价值观在不断演变。这套新的测量方法，将帮助 Anthropic 更好地理解这些变化，并确保 Claude 的行为始终服务于用户。