Anthropic揭示Claude价值观差异：不同语言下的AI人格

2026年7月13日，Anthropic发布了关于Claude价值观差异的研究报告。该研究基于309815条Claude.ai匿名对话样本，系统分析了Claude在三个模型（Sonnet 4.6、Opus 4.6、Opus 4.7）和20种最常用语言下表达价值观的差异，首次建立了量化AI在部署中表达价值观的方法。

研究团队从之前的工作"Values in the Wild"中识别的3307个独立价值观出发，通过手工聚类归并为339个高层级价值观，然后使用隐私保护分析工具Clio对每段对话逐一标注价值观的存在与否。通过维度约简，最终提取出四大价值轴，捕获了约15%的价值观变异。

四大价值轴分别是：Deference vs. Caution（顺从用户偏好还是负责任地引导）、Warmth vs. Rigor（积极鼓励还是准确严谨）、Depth vs. Brevity（提供细微深度还是简洁合规）和Candor vs. Execution（诚实透明还是结果导向）。为测量Claude本身表达的价值观而非用户请求差异，研究对每段对话的任务、话题和用户表达的价值观进行了控制。

语言差异的发现最为引人注目。Claude在阿拉伯语中表现出最高的顺从性和最简洁的回答；在英语中最为谨慎和严谨，且分析深度最大；在印地语和阿拉伯语中最温暖，倾向于使用礼貌用语、幽默和肯定；在俄语和英语中最严谨，倾向于质疑用户假设和要求提供证据；在荷兰语中最坦诚，会主动承认自身错误；在印尼语中最偏向执行导向。差异最大的轴是Warmth vs. Rigor和Candor vs. Execution，差异最小的是Deference vs. Caution和Depth vs. Brevity。

这意味着两个人分别用印地语和俄语就同一份商业计划寻求反馈，可能因为Claude用不同价值观框架呈现评估，而对计划质量得出不同印象。这种差异的实际影响值得重视：在跨语言使用AI助手时，用户获得的信息质量和建议方向可能因语言选择而系统性偏移。

模型之间的差异同样显著。Sonnet 4.6最顺从、最温暖、偏简洁，经常肯定用户想法并通过幽默表达温暖。Opus 4.7最谨慎、最严谨、最深度，常在未提示情况下警告风险，更可能挑战用户假设并坦率批评。Opus 4.6居中，倾向直接切入重点并局限于用户请求范围。这些测量结果与用户和内部员工的主观印象高度吻合。

Anthropic指出，这些差异并非有意设计，而是训练过程中的涌现性结果。语言差异的可能原因包括训练数据分布不均（某些语言数据量远超其他语言）和训练数据构成差异（某些语言在专业写作中被过度代表）。模型差异则主要受性格训练（character training）及其他微调选择影响。研究为未来追踪价值观差异到具体训练数据、训练阶段或上下文因素开辟了可行路径，也为判断哪些变异合理、哪些需要通过训练纠正提供了量化工具。

---

术语注释

1. 价值轴（Value Axis）：将大量具体价值观通过统计方法压缩为少数对立维度，每个轴代表一种价值观倾向的两端。例如"Warmth vs. Rigor"轴的一端是温暖鼓励，另一端是严谨准确。Claude在任何对话中的价值观表达都可定位在这些轴上的某个点。
2. Clio：Anthropic开发的隐私保护分析工具，能对大量对话进行自动化的主题和价值观标注，同时确保个体对话的隐私不被泄露。Clio是本研究能够处理30万条对话的技术基础。
3. 涌现性差异（Emergent Difference）：并非在设计或训练中明确指定，而是在训练过程整体作用下自然产生的差异。Anthropic强调Claude的价值观差异不是有意编程的结果，而是训练数据分布和微调选择的副产品。
4. 性格训练（Character Training）：Anthropic用于塑造Claude性格特征的训练方法，通过特定的训练数据和反馈机制引导模型表现出特定的行为倾向。不同模型（如Sonnet和Opus）的价值观差异主要受此影响。
5. 维度约简（Dimensionality Reduction）：将高维数据（如339个价值观标注）压缩为低维表示（如4个价值轴）的统计技术，使得数据中的主要变异模式更易于理解和可视化。研究使用该方法从339个价值观中提取出4个核心维度。

延伸阅读：更好的模型更差的工具：Flask作者揭示LLM工具调用退化, Meta Astryx：能写代码并提交PR的AI程序员