四条价值轴揭秘Claude模型与语言的价值观差异

当你用不同语言向Claude提问时，得到的答案可能不只是措辞上的差异——这款AI助手的价值取向会随着对话语言、模型版本发生明显变化，甚至仿佛换了个「性格」。据行业观察的最新研究显示，不同版本的Claude以及不同的对话语言，都会让AI展现出差异化的行为倾向。

比如Sonnet 4.6版本的Claude往往更温暖，更愿意顺应用户的想法，回答也更加简洁；而Opus 4.7则更为严谨审慎，倾向于深入分析问题，也更愿意主动坦白自身的局限。语言带来的差异则更加微妙：使用阿拉伯语时，Claude会表现得更温暖、更贴合用户需求；换成英语，它则会更加审慎和严谨。印地语语境下的Claude最具温度，俄语环境下的它则最强调精确；荷兰语中的Claude会更坦诚，而印度尼西亚语中的它则更重视直接完成用户交付的任务。

这一研究结果说明，AI的「性格」并非一套固定不变的参数。模型版本、训练方式、语料构成乃至对话语言，都可能在潜移默化中改变AI判断问题、提出建议和评价用户的方式。

从海量价值观中提炼核心分析维度

研究团队的最终目标，是建立一套可以通过实证方式理解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。在此前的研究中，团队曾分析了70万段匿名化的对话，从Claude的回答中识别出3000多种不同的价值观，但如此庞大的清单难以进行有效分析。

为了降低分析难度，团队根据不同价值观在真实对话中共同出现的频率，将数千种价值观聚类压缩为少数几个底层维度。比如，被标记为「温暖」的Claude回答，通常也会被认为带有鼓励性和积极性，同时较少被评价为「严谨」或「准确」，因此可以构建一条从温暖到严谨的价值轴，捕捉AI与用户互动时的这一核心特征。

具体来说，研究团队首先将「Values in the Wild」研究中发现的3307种价值观进行人工聚类，合并含义相近的条目，最终得到包含339种高层价值观的精简清单。随后，他们使用隐私保护分析工具，对309815段Claude对话进行抽样——这些对话均为用户向Claude提出的带有主观判断性质的任务，样本平均覆盖3种模型（Sonnet 4.6、Opus 4.6和Opus 4.7）以及平台上使用频率最高的20种语言，每种「模型+语言」组合包含约5000段对话。

对于每段对话，分析工具会使用Claude判断339种高层价值观是否存在，同时研究团队也会识别用户表达的价值观，并标注对话的任务和主题。在此基础上，团队应用降维技术，根据Claude经常同时表达的价值观组合，将标注结果压缩为四条价值轴，最终得到可以解释Claude价值观变化15%的核心维度：

• 顺应与审慎轴：一端对应配合用户、尊重用户偏好等价值观，另一端则代表负责任的指导、减少潜在伤害等原则；
• 温暖与严谨轴：一端是积极表达、鼓励用户等带有情感温度的内容，另一端则是强调准确性、透明度的严谨导向；
• 深度与简洁轴：一端偏向细致分析、批判性思考，另一端则是简洁直接、只完成用户明确要求的任务；
• 坦诚与执行轴：一端代表诚实、透明地说明自身局限，另一端则是结果导向、优先完成任务的风格。

为了确保研究衡量的是Claude表达的价值观而非用户的提问方式，团队控制了每段对话的任务、主题和用户表达的价值观，保证分析的准确性。

不同模型的价值倾向差异

对于每一种模型，团队计算了其全部对话在四条价值轴上的平均位置，以此生成该模型的高层价值画像。与不同对话之间的整体变化相比，模型之间的差异并不算大，但这些差异具有明确的结构，可以被清晰检测出来。

具体来看，Sonnet 4.6最倾向于表现出顺应和温暖的特质，经常肯定用户的想法，使用幽默轻松的互动方式，同时回答风格更简洁；Opus 4.7则更偏向严谨和审慎，即使用户没有主动要求，也会主动提醒潜在风险，更倾向于质疑用户的假设并直接指出问题，同时会主动说明自身的局限；Opus 4.6则介于两者之间，更偏向严谨、顺应和简洁的风格。

这些结果与用户和内部团队对不同模型的主观感受基本吻合：不少用户反馈Opus 4.7会更频繁地使用保留或缓和的措辞，内部团队也认为Opus 4.7的透明度、诚实度和谦逊感更强，而Sonnet 4.6则更为温暖、亲社会且简洁。这说明这套价值轴方法确实捕捉到了模型真实行为的特征，不同模型的Claude确实会向用户传递不同的价值组合。

对话语言对价值取向的影响

研究团队认为，Claude的价值取向会随对话语言变化，主要有两个原因：一是Claude在不同语言上的训练数据并不相同，二是此前的评估已经显示，Claude在不同语言中的知识水平和处理敏感请求的方式存在差异。此次研究正是通过价值轴方法，分析了20种常用语言下Claude的价值画像。

分析结果显示，Claude在不同语言中的价值表达在「温暖与严谨」和「坦诚与执行」两条轴上变化最大，而在「顺应与审慎」和「深度与简洁」轴上则相对稳定。具体来看：

• 顺应与审慎：阿拉伯语环境下的Claude最倾向于顺应用户，而英语语境下的它则最偏向审慎；
• 温暖与严谨：印地语和阿拉伯语中的Claude最具温度，会使用礼貌语言、幽默表达和肯定用户的方式；而英语和俄语中的Claude则最强调严谨，会质疑假设、纠正细节并要求提供证据；
• 深度与简洁：英语中的Claude更倾向于深入分析，会完善和纠正细节；而阿拉伯语环境下的它则更偏向简洁直接；
• 坦诚与执行：荷兰语中的Claude更偏向坦诚，会主动承认错误；而印度尼西亚语中的它则更偏向执行，严格停留在用户的请求范围内。

综合来看，Claude的价值取向确实会随着对话语言发生显著变化。比如，两个人针对同一份商业计划向Claude征求意见，使用印地语的用户可能会得到更偏向鼓励和肯定的反馈，而使用俄语的用户则会收到更侧重严谨分析和问题指正的建议，最终两人对这份商业计划的印象可能会产生明显差异。

目前团队还不清楚训练数据中的哪些特征导致了这些差异，一种可能的解释是不同语言的训练数据分布和构成不均：部分语言的训练数据量远大于其他语言，而不同语言的语料中专业写作、日常对话的占比也存在差异，这些因素共同导致了Claude在不同语言中的价值表达不同。同时，团队也不确定这些变化是否合理——不同语言有各自的对话规范，Claude可能会根据这些规范调整自身的价值取向，但也有可能在部分语言中偏离了预设的目标，导致服务不同语言群体的效果不一致。

后续研究方向

这项研究证明了Claude的价值表达可以被压缩为四条核心价值轴，且其在轴上的位置会随模型和语言发生变化，这为研究人员提供了一种新的方法，可以在模型评估和部署后持续追踪这些变化。不过目前团队仍不清楚这些变化出现的原因，以及它们对用户的具体影响，未来可以从以下几个方向展开探索：

• 这些价值差异来自哪里？：需要将这些差异追溯到特定的训练数据、训练阶段或情境因素，从而明确在需要调整Claude行为时可以介入的环节；
• 这些差异对用户意味着什么？：目前团队只测量了Claude的价值表达差异，还未分析这些差异对用户的主观感受、信任程度和决策质量的影响，未来可以通过用户调研工具建立价值差异与用户体验的关联；
• Claude的价值观应该如何随语言变化？：目前的《Claude宪法》只规定了核心价值观，但未明确不同语言下的价值适配标准，需要理解不同语言使用者的预期，确定合理的价值表达差异范围；
• 还有哪些因素会影响Claude的价值表达？：除了模型和语言，年龄、职业、地理区域等人口统计信号也可能影响AI的价值取向，需要进一步探索这些因素的影响；
• 能否可靠引导Claude表达特定价值观？：在掌握模型价值画像的基础上，可以尝试通过调整训练方式或系统提示词来引导AI的价值表达，并验证效果；
• 价值画像能否纳入模型评估体系？：价值轴方法可以简洁概括模型的行为倾向，有望被纳入模型发布前和发布后的评估流程，帮助发现意外的价值变化，同时可以寻找价值画像与问题行为的关联，进一步优化AI的表现。

Claude每天都会在数百万段对话中表达价值观，覆盖数十种语言。此前这些价值观只能通过训练塑造，却难以在部署后被可靠观察，如今借助这套价值轴方法，研究人员可以清晰看到AI价值表达的变化，并探索这些变化的原因和优化方向，这也是团队接下来的重点工作。