Claude的价值观表达因模型和语言而异

Anthropic的新研究始于一个简单却令人不安的观察：Claude表达的价值观并非固定不变。通过对三个模型和20种最常用语言的309,815条匿名Claude.ai对话进行分析，研究团队发现，Claude的默认态度会随用户使用的语言而变化^[1]。想象两位创始人提交完全相同的商业计划。一位用印地语撰写，更可能获得鼓励性反馈，强调计划的优点；另一位用俄语撰写，则更可能收到对其弱点的深入分析和对数据的质疑。同样的请求、同样的模型，回应的语气却不同。

为了使3,000多项价值观更易理解，Anthropic将其归类为339个更高层级的价值观，再进一步简化为四个轴：顺从 vs. 谨慎、温暖 vs. 严谨、深度 vs. 简洁、坦率 vs. 执行力^[1]。语言的影响在‘温暖 vs. 严谨’这一轴上最为明显。Claude在印地语和阿拉伯语中最温暖——更礼貌、更风趣、更鼓励人；而在英语和俄语中则最严谨，更倾向于挑战假设并要求证据^[1]。其他方面也存在较小但真实的影响：Claude在荷兰语中最坦率地表达不确定性，在印尼语中最具执行力^[1]。关键不在于语言解锁了新功能，而在于它在你输入实际问题之前，就改变了模型的初始态度。

语言差异的故事吸引了媒体关注，但模型维度才是实际风险所在。该研究描述了三个具有不同性格的版本：Sonnet 4.6偏向温暖、顺从和简洁，会迅速肯定想法并模仿用户的语气；Opus 4.6则更严谨且直接；而Opus 4.7是三者中最谨慎和最深入的，更常主动反驳错误假设、标记风险并提出坦率批评^[1]。换句话说，下拉菜单中的模型选择，实际上也是性格选择。

这对基于Claude构建应用的开发者尤其重要。正如一项行业分析所指出的，升级到更顺从的模型版本，可能使AI代理在自主识别风险方面略微降低敏感度——这种细微的行为漂移，是标准能力基准测试无法捕捉的^[3]。一个团队若为了追求更高的基准分数或更低的价格而更换模型版本，可能会在未进行测试的情况下，继承一个更安静、更顺从的助手。同样的批评也涉及时机问题：Anthropic测量的版本已是旧模型，因此当前部署新一代模型的开发者仍缺乏公开的价值档案作为参考^[3]。

Anthropic对其研究未证明的内容格外谨慎。该研究衡量的是行为输出，而非机器的内在信念，公司明确表示目前尚不清楚价值观差异的原因，也不确定这种差异是否理想^[1]。这种谨慎也体现在统计上：在控制了主题、任务和用户带入对话的价值观后，四个轴仅解释了剩余差异的约15%，大部分变化仍无法解释^[2]。此外，《The Decoder》还指出了一个自反性问题——用于标注价值观的正是Claude Sonnet 4.6本身，因此标注者的语言依赖性偏见可能影响报告结果。尽管Anthropic通过800条翻译对话进行了测试，但无法完全排除这一可能性^[2]。

这种怀疑在社区中引起强烈共鸣。在Reddit上转发该研究的讨论串中，持续有一派反对将‘价值观’一词用于统计模型，他们总结道：‘不存在价值观，只有训练数据中的模式，而这些模式自然因国家而异。’另一派——尤其是非英语母语者——则认为研究结果验证了他们的亲身体验：Claude在他们的语言中确实感觉不同。最实质性的反驳质疑训练数据是否足以解释这种差异：有评论者认为，如果真是训练数据所致，这些偏见应趋于平均，而非固化为特定语言的人格。‘这很明显’与‘这无法解释’之间的张力，正是Anthropic承认尚未填补的空白。

如果原因未知且模型已过时，为何还要发布？答案在于，四轴框架与其说是发现，不如说是一种工具。Anthropic将其定位为评估未来模型的方法，以便在发布前捕捉无意的行为变化^[1]。目前，每天影响数百万对话的价值观仍是一个未被监控的领域：没有人跟踪新版本是否比前一版本更顺从或更不坦率。可重复的测量为Anthropic——原则上也为其客户——提供了一个可监控的指标。

这也直接建立在公司早期‘Values in the Wild’研究的基础上，该研究分析了700,000条对话，构建了最初的3,307项价值观分类体系^[4]。两份研究合在一起，勾勒出一个更长远的赌注：模型行为可以在人口规模上被实证刻画，就像产品性能通过基准测试衡量一样。开放的问题是治理。一旦你能测量Claude在阿拉伯语中更温暖或在英语中更谨慎，你就必须决定是否将这些差异拉平为单一全球人格，保留它们作为有用的文化适应，还是有意引导它们——而Anthropic尚未说明其意图方向。