社会影响

Societal Impacts

Claude 在不同模型和语言中的价值观

Claude’s values across models and languages

2026年7月13日

当有人向 Claude 提出一个没有标准答案的问题时——比如是否接受新工作，或如何处理与朋友的冲突——Claude 的回应不可避免地会反映出某些价值观。¹ Claude 的宪法（constitution）在高层次上概述了我们希望 Claude 体现的价值观，但没有任何文档能够预见到 Claude.ai 每天数百万次对话中可能出现的每一种价值观。因此，我们致力于在 Claude 的回应中培养“能够根据情境灵活运用的良好判断力和健全价值观”。

那么，我们究竟如何研究 Claude 所表达的价值观，以及这些价值观在不同情境下如何变化？在之前的工作中，我们分析了 70 万次匿名的 Claude.ai 对话，识别出 Claude 回应中超过 3000 种不同的价值观，并统计了每种价值观的表达频率。但如此庞大的价值观列表难以进行有效分析。在这项工作中，我们通过将这些价值观压缩为少数几个轴（axes），使其变得易于研究，这些轴能够捕捉 Claude 回应中的关键模式。每个轴都是两组价值观之间的数字标尺——例如，一端是与情感温暖相关的价值观，另一端是与严谨性相关的价值观——而 Claude 在该轴上的位置则告诉我们它更倾向于哪些价值观。

我们应用这种方法来衡量 Claude 所表达的价值观在两个因素上的变化。首先，我们比较了不同模型之间 Claude 所表达价值观的差异。每个 Claude 模型在性格训练（character training）以及许多其他微调决策上都略有不同。由于我们的价值观轴方法能够量化模型之间的关键差异，这最终可能使我们能够将 Claude 所表达价值观的变化与不同的训练决策联系起来。

其次，我们希望了解用户在使用不同语言与 Claude 交流时的体验差异。我们之前的研究表明，Claude 在不同语言中的行为有所不同。² 我们应用价值观轴方法来理解 Claude 在 Claude.ai 上最常用的 20 种语言中所表达价值观的差异。

我们发现：

四个关键轴捕捉了 Claude 价值观中 15% 的变异：³

• 顺从 vs. 谨慎：Claude 是倾向于迎合用户的需求，还是防范可能的风险和伤害。
• 温暖 vs. 严谨：Claude 是倾向于表达积极态度和关怀，还是强调准确性和精确性。
• 深度 vs. 简洁：Claude 是倾向于深入解释，还是只做被要求的事情。
• 坦诚 vs. 执行：Claude 是倾向于突出自身的不确定性，还是给出更完善和自信的答案。

这些轴上的价值观画像与模型性格的感知相符。 Sonnet 4.6 被认为特别温暖，而 Opus 4.7 以严谨著称。我们发现，每个模型的价值观画像都反映了这些主观评价：Sonnet 4.6 倾向于更多地表达对用户的顺从和情感温暖，而 Opus 4.7 则倾向于表达对准确性和精确性的关注，以及防范滥用。

Claude 所表达的价值观因语言而异。 当 Claude 使用英语时，它强调的价值观与使用葡萄牙语、印度尼西亚语或中文时不同。⁴ 最大的差异出现在“温暖 vs. 严谨”轴上，Claude 在阿拉伯语和印地语中最倾向于表达与温暖相关的价值观，而在英语和俄语中最倾向于表达与严谨相关的价值观。

通过这种方法，我们可以开始探究价值观为何会因模型和语言而发生变化，并更好地测试行为训练或文化背景等因素如何影响 Claude 所表达的价值观。

我们如何解读庞大的价值观空间？

How do we interpret the giant space of values?

最终，我们的目标是找到一种方法，能够凭经验理解 Claude 所表达的价值观，以及这些价值观如何在不同情境下变化。在这项工作中，我们特别关注价值观在模型和语言之间的变化。但我们之前的工作《野外的价值观》（Values in the Wild）识别出了 Claude 表达的 3000 多种价值观。逐一比较这数千种价值观既笨拙，又会掩盖更广泛的趋势。

为了简化价值观的比较，我们构建了价值观轴，根据哪些价值观在真实对话中倾向于同时出现，将数千种价值观缩减为几个基本维度。例如，被描述为“温暖”的 Claude 回应通常也被描述为“鼓励”和“积极”。这些“温暖”的回应则较少被描述为“严谨”和“准确”。构建一个从温暖到严谨的轴，使我们能够组织这些相关的价值观组——温暖相关的价值观在一端，严谨相关的价值观在另一端——并捕捉到 Claude 在对话中与用户互动的一个重要方面。如果 Claude 在一次对话中表达的温暖相关价值观多于严谨相关价值观，那么这次对话就位于该轴的温暖侧，反之亦然。这并不意味着两端的价值观组是互斥的——Claude 可以在同一次对话中同时表达温暖和严谨。但在实践中，Claude 在轴的一侧表达的价值观越多，它在另一侧表达的价值观就越少。这些轴使我们能够比较 Claude 所表达的最显著的价值观组，而无需追踪数千个单独价值观的变化。

为了构建价值观轴，我们首先从《野外的价值观》中识别出的 3307 种价值观入手，手动聚类含义相似的价值观，得到了一份包含 339 个高层级价值观的较短列表。接下来，利用我们的隐私保护分析工具，我们抽样了 309,815 次 Claude.ai 对话，在这些对话中，用户向 Claude 提出了主观性任务。⁵ 我们的样本从三个模型（Sonnet 4.6、Opus 4.6、Opus 4.7）和 Claude.ai 上最常用的 20 种语言中平均抽取，每个模型-语言对大约有 5000 次对话。对于每次对话，该工具使用 Claude 来标记这 339 个高层级价值观中的每一个是否存在。⁶ 我们遵循相同的过程来识别用户表达的价值观，以及对话的任务和主题。然后，我们应用了降维（dimensionality reduction）技术，该技术根据 Claude 倾向于一起表达的价值观，将标记的价值观压缩成轴。有关方法细节、提示词、附加分析和局限性，请参见附录。

这给我们留下了四个轴，它们捕捉了 Claude 所表达的价值观在对话之间变化的主要方式：

• 顺从 vs. 谨慎 轴：对比了诸如迁就和尊重偏好等价值观与负责任的引导和减少伤害等价值观。
• 温暖 vs. 严谨 轴：对比了诸如积极框架和鼓励等价值观与准确性和透明度等价值观。
• 深度 vs. 简洁 轴：对比了诸如细微差别和批判性思维等价值观与简洁和遵从等价值观。
• 坦诚 vs. 执行 轴：对比了诸如诚实和透明度等价值观与结果导向和优化等价值观。

为了确保我们测量的是 Claude 所表达的价值观——而不是用户提问内容或方式的差异——我们控制了每次对话的任务、主题和用户表达的价值观。

不同的 Claude 模型是否表达了不同的价值观画像？

Do different Claude models express different value profiles?

在本节中，我们比较不同模型所表达的价值观。对于每个模型，我们将其所有对话在四个轴上的位置进行平均，得到每个轴上的一个总体位置。结果是一个高层次图景，显示了每个模型倾向于比其他模型更多地表达哪些价值观组。这些差异相对于对话之间的变异来说很小，但具有结构性和可检测性。

为了看看这些差异在实践中是什么样子，我们聚焦于模型之间分歧最大的具体价值观。每次我们基于 Claude 的隐私保护分析工具在对话中标记一个价值观时，它还会写一段简短描述，说明 Claude 是如何表达该价值观的。我们将反映价值观组内相似行为的描述分组，并在图 3 中进行总结，从而更具体地展示模型之间的差异。

• 顺从 vs. 谨慎。Sonnet 4.6 最倾向于表达顺从而非谨慎，经常肯定用户的想法和他们的工作。Opus 4.7 最倾向于表达谨慎，经常主动警告用户风险。
• 温暖 vs. 严谨。Sonnet 4.6 最倾向于表达温暖，经常通过幽默、俏皮话和无评判地安慰用户。Opus 4.7 最倾向于表达严谨而非温暖，并且更可能挑战用户的假设并坦诚地批评他们的工作。
• 深度 vs. 简洁。Opus 4.7 倾向于深度，展示其结论背后的推理过程，而 Opus 4.6 和 Sonnet 4.6 倾向于简洁。Opus 4.6 尤其倾向于直截了当。
• 坦诚 vs. 执行。Opus 4.7 倾向于坦诚，坦率地说明其局限性，而 Opus 4.6 倾向于执行，更可能保持在用户请求的范围内。

这些发现与人们在 Anthropic 内部和网络上对这些模型的看法一致。Claude.ai 用户评论说，Opus 4.7 比其他模型更频繁地回避问题。Anthropic 员工将 Opus 4.7 描述为相对更透明、诚实和谦逊，而 Opus 4.6 则更简洁。我们还在其发布博客文章中称 Sonnet 4.6 温暖、诚实且亲社会。我们的轴能够重现这些印象，这表明我们标记和比较 Claude 所表达价值观的方法正在追踪模型实际行为中的某些真实情况。

在许多对话中，用户在与不同的 Claude 模型互动时可能会遇到不同的价值观组合。例如，Opus 4.7 倾向于对用户的工作提供坦诚的批评或主动警告风险，而 Sonnet 4.6 则倾向于鼓励和幽默。模型之间价值观的这种差异很可能受到性格训练决策（以及其他因素）的影响，而我们的价值观轴方法突出了 Claude 所表达价值观的关键差异，我们最终可能能够将这些差异追溯到这些训练选择。

Claude 所表达的价值观在不同语言间是否存在差异？

Are Claude’s expressed values different between languages?

我们预计 Claude 所表达的价值观会因对话语言的不同而变化，原因有几个。首先，Claude 的训练数据在不同语言间存在差异，这可能会影响它所表达的价值观。其次，我们在系统卡（system cards）中分享的模型评估已经发现，Claude 在不同语言中的知识掌握程度和处理敏感请求的方式存在差异。⁷ 衡量 Claude 所表达价值观因语言而异的程度，是确定这些跨语言差异是反映了合理的变异，还是应该在训练中加以解决的第一步。

我们使用与上一节相同的方法，计算了 Claude 在 Claude.ai 上最常用的 20 种语言中的价值观画像差异。下面，我们绘制了 Claude 在 Claude 平台上主要语言中的价值观画像，从 Claude 所表达价值观差异最大的语言开始。

Claude 的价值观表达在“温暖 vs. 严谨”和“坦诚 vs. 执行”轴上因语言不同而差异最大，而在“顺从 vs. 谨慎”和“深度 vs. 简洁”轴上则最为稳定。

• 顺从 vs. 谨慎。Claude 在阿拉伯语中表达最多的顺从，在英语中表达最多的谨慎。
• 温暖 vs. 严谨。Claude 在印地语和阿拉伯语中表达最多的温暖，其特点是礼貌用语、幽默和俏皮话，以及对个人想法和工作的肯定。Claude 在英语和俄语中最倾向于表达严谨，其特点是挑战假设、纠正细节和要求证据。
• 深度 vs. 简洁。Claude 在英语中倾向于深度，完善和纠正细节，而在阿拉伯语中倾向于简洁。
• 坦诚 vs. 执行。Claude 在荷兰语中倾向于坦诚，承认自己的错误，而在印度尼西亚语中倾向于执行。

综合来看，这些结果表明 Claude 所表达的价值观会随着对话语言的不同而发生显著变化。面对相同类型的请求，Claude 在某些语言中更倾向于温暖和顺从，而在其他语言中则更倾向于严谨和谨慎。这具有重要的影响，我们才刚刚开始探索。举一个例子：两个人就同一份商业计划书征求意见，一个用印地语，一个用俄语，可能会对其质量产生不同的印象，因为 Claude 在构建其评估时表达了不同的价值观。

我们尚不清楚训练数据的哪些特性导致了这些差异。一种可能性是我们的训练数据在不同语言间分布不均。某些语言的数据量远多于其他语言，而训练 Claude 表达一致的价值观在数据丰富的语言中可能更有效。这些数据的构成也各不相同。例如，某些语言可能在专业写作中占比过高，而这类文本可能反映了不同的价值观。这些数量和质量上的不平衡共同作用，可能导致 Claude 在不同语言中表达不同的价值观。

我们也不确定这种变异有多少是可取的。不同的语言承载着不同的对话规范，Claude 可能根据这些规范以不同的价值观做出回应。Claude 也可能在某些语言中更接近我们预期的行为，而在其他语言中则不然，从而导致 Claude 服务某些语言社区的效果存在差距。

这种方法使我们能够开始梳理训练数据的哪些特性导致了这些差异——以及这种变异是否可取。

展望未来

Looking forward

我们展示了 Claude 所表达的价值观可以压缩为少数几个轴，并且 Claude 在这些轴上的位置会因模型和语言的不同而变化。这为我们提供了一种在模型评估和部署后监控中追踪这些变化的方法。但我们尚不清楚这些变化为何发生，或者它们对与 Claude 互动的人意味着什么。下面，我们勾勒出我们认为最有前景的未来方向。

这些价值观差异从何而来？

知道 Claude 的价值观因模型和语言而异，并不能告诉我们为什么。一些变异可能源于不同语言在预训练和微调数据上的差异。我们的四个轴突出了哪些价值观差异需要在训练数据中进行更仔细的检查。将这些差异追溯到特定的数据、训练阶段或情境因素，将向我们展示如果我们想以更细致的方式塑造 Claude 的行为，应该在何处进行干预。

这些差异对用户意味着什么？

我们已经测量了 Claude 表达哪些不同的价值观及其相关行为，但尚未测量这些对用户的影响。使用像 Anthropic Interviewer 这样的工具，我们可以询问用户的幸福感、对 Claude 的信任度或 Claude 的决策质量，然后将这些影响与 Claude 表达的价值观关联起来。这将使我们能够直接将价值观差异与用户结果联系起来，并让我们优先修复那些对用户有实质性影响的价值观差异。

Claude 的价值观应如何因语言而异？

Claude 的宪法描述了它应该表达的核心价值观，如温暖、谨慎和诚实，但没有具体说明这些价值观应该如何因语言而异。我们的结果表明，使用不同语言的用户已经在体验不同的 Claude，但我们不知道使用这些语言与 Claude 互动的用户希望看到什么样的变异。确定 Claude 的价值观应如何因语言而异，意味着要理解并权衡使用这些语言的人的观点。

还有哪些其他因素驱动 Claude 所表达价值观的差异？

语言和模型不太可能是驱动 Claude 表达何种价值观的唯一因素。价值观也可能受到人口统计信号的影响，如年龄、职业或地理区域，无论是通过用户书写中的明确线索，还是通过与提问者相关的主题、语气和风格上更微妙的差异。了解哪些信号是重要的，以及由此产生的变异是否很好地服务于用户，是我们方法所实现的下一步。

我们能否可靠地引导 Claude 所表达的价值观？

拥有一种测量模型价值观画像的方法引出了一个自然的问题：我们能在多大程度上可靠地引导 Claude 所表达的价值观？我们可以通过尝试通过调整性格训练或系统提示词来引导价值观，然后使用我们的价值观轴方法来验证模型的表达价值观是否如预期那样发生变化，来测试这一点。