Anthropic 分析了 30 万段对话发现：使用不同语言问 Claude，它会表现出不同的价值观
- Anthropic 分析了 Claude.ai 上 309,815 段真实对话，覆盖 Sonnet 4.6、Opus 4.6、Opus 4.7 三个模型，以及使用量最高的 20 种语言。
- 研究把此前识别出的 3,307 种价值表达压缩成 339 个高层价值，再用 Hellinger PCA 提炼出 4 条稳定的价值轴：顺从↔谨慎、温暖↔严格、深度↔简洁、坦率↔执行。
- 真实相关性检验显示，只有顺从↔谨慎(r=-0.448)和温暖↔严格(r=-0.465)是真实的行为取舍；深度↔简洁(r=0.004)和坦率↔执行(r=0.007)在真实对话里几乎不对立。
- 三个模型画像不同：Sonnet 4.6 偏顺从、温暖、简洁；Opus 4.6 偏严格、顺从、简洁；Opus 4.7 偏谨慎、深度，更常挑战错误假设、主动指出风险。
- 不同语言也呈现出结构化差异：英语最谨慎最深入，俄语最严格，印地语最温暖，阿拉伯语最顺从简洁，荷兰语最坦率，印尼语最偏执行；中文样本(15,365 段)整体贴近跨语言平均值。
没有标准答案的问题，Claude 该怎么答
Anthropic 于 2026 年 7 月 13 日发布研究，系统比较了 Claude Sonnet 4.6、Opus 4.6、Opus 4.7 三个模型，以及 20 种语言之间，回答里表达价值观的差异。这是前序研究 Values in the Wild 的续作，那次从约 70 万段真实对话里识别出 3,307 种价值表达。
用户天天问 Claude 没有标准答案的问题：要不要换工作、跟同事闹矛盾怎么处理、这份商业计划到底行不行。这类问题怎么答，都得在几个都合理的目标之间取舍。Claude 的宪法(一份高层行为准则)只能给大原则，没法穷举现实里每一种情况。
怎么从 3,307 种价值里挖出几条能比较的线
3,307 种价值太碎，没法横向比。研究先把它们收拢成几条主轴，再看模型和语言各落在轴的哪一端。整个过程像给海量对话做一次降维：从上百个价值维度里，找出最能区分对话的那几条。
这次一共标注了 309,815 段对话，只保留需要 Claude 做主观判断的任务，占全部对话的 53.2%(纯查资料、按固定步骤执行的全排除了)。平均每段对话被标出 68 种 Claude 价值；在八成以上对话里都出现的近乎普遍的价值(比如 helpfulness、clarity)被剔除，因为它们区分不了对话。
Hellinger PCA 就是把每段对话里各种价值出现的比例开平方处理，让「配方相近」的对话在数学上真的挨在一起，再用主成分分析压出最能解释差异的那几条主轴。像把每杯奶茶按糖度、茶浓、奶量的比例画到一张地图上，配方接近的自然凑成一堆，再找出这张地图上最能区分口味的几条轴。
点开看几个方法细节
为什么先做回归。不同语言的用户本来就爱问不同类型的问题。直接比语言，会把「问题类型不同」和「语言本身的效应」搅在一起。研究先用任务、主题、用户价值做一次回归，把这部分能被解释的差异减掉，剩下的残差才更干净地反映语言或模型本身。
varimax 旋转。PCA 压出来的几条主轴一开始角度别扭、不好用一句话概括。varimax 只是把轴转到更容易讲清含义的方向，不改变数据本身的结构。
4 条轴只解释约 15%。前十个主成分加起来也才约 26%。说明价值表达散在很多维度里，没有一两条能解释一切的核心轴。研究还用另一种方法(逻辑因子模型)交叉验证，大致复现了同样的结构。
四条价值轴分别在拉扯什么
压出来的 4 条轴，先把经常一起出现的价值放在两端，方便比较模型和语言。两端不一定是真正的行为冲突，后面还要用真实相关性逐条验证。
- accommodation 配合
- adaptability 灵活迁就
- respect for preferences 尊重偏好
- engagement 积极参与
- responsible communication 负责任地表达
- responsibility 担责
- responsible guidance 审慎引导
- harm reduction 减少伤害
- positive framing 正面表述
- warmth 温暖
- positivity 积极
- encouragement 鼓励
- rigor 严谨
- accuracy 准确
- transparency 透明
- efficiency 高效
- nuance 分寸细节
- depth and substance 深度和干货
- user empowerment 让用户更有掌控
- critical thinking 批判性思考
- brevity 简短
- respect for preferences 尊重偏好
- compliance 照办
- accommodation 配合
- intellectual honesty 智识上诚实
- honesty 诚实
- intellectual humility 承认自己知识有限
- transparency 透明
- results orientation 结果导向
- optimization 优化
- action orientation 行动导向
- order 条理
这四条对立，哪些是真取舍，哪些只是记账方式
看到「两端对立」，很容易以为 Claude 每次都在两个价值之间二选一。但有个机械原因会让轴天然显得对立：每段对话里各种价值被换算成占比，加起来正好等于 1。某类价值占得多，别的自然被压低。
所以光看轴的形状，分不清哪些是真取舍。研究去查了每条轴两端最重要的五种价值，在真实对话里到底是不是此消彼长。用的是 Spearman 相关系数：负得越多，越是真的互斥；越接近 0，就越是没关系。
三个 Claude，三种性格
模型之间的差异，比起单次对话之间的差异其实不大，但结构稳定、测得出来。三个模型在四条轴上各有各的偏移，单位是 σ(标准差)，数越大越偏。
- 肯定你的想法和作品
- 镜像你的语气和正式程度
- 用幽默和玩笑
- 不带评判地提供安慰
- 在产出里加创意元素
- 直接进入主题
- 守在你要求的范围内
- 强调把活干完，不主动把问题铺大
- 挑战错误假设
- 主动标出风险
- 对你的作品给坦率批评
- 解释结论依据
- 承认错误和局限
- 建议下一步
Anthropic 说这些结果跟员工和用户对模型「性格」的主观感受对得上，但没有证明是哪个训练步骤造成的；只说 character training(角色训练)和其他微调决定，可能参与塑造了这些差异。
换一种语言问，Claude 的分寸感跟着变
语言之间同样出现结构化差异，变化主要集中在「温暖↔严格」「坦率↔执行」两条轴上；「顺从↔谨慎」「深度↔简洁」两条轴相对更稳定。
同一类问题换种语言问，得到的反馈框架可能不同。Anthropic 用一个假设场景说明：两个人拿同一份商业计划找 Claude 要反馈，一个用印地语问，一个用俄语问。
中文用户看到的 Claude 是什么样子
中文样本有 15,365 段对话。相对所有对话的平均水平，中文的偏移都很小，整体贴着跨语言的平均线，算不上一种强烈固定的「中文人格」。
中文对话里，最有辨识度的三个行为：
- 指出相互竞争、需要权衡的因素 points out competing considerations
- 反驳错误假设 pushes back on false assumptions
- 不带评判地提供安慰 offers comfort without judgment
语言为什么会改变 Claude 的表达，现在还没答案
为什么换种语言，Claude 的表达就变？Anthropic 只给了假设，没有下因果结论。
- 训练数据量不均。有的语言数据远多于别的语言。
- 数据成分不同。某种语言可能专业写作偏多，另一种可能日常聊天偏多。
- 语言自带交流规范。Claude 可能在适应各语言里礼貌、直接、情绪表达的习惯。
- 对齐和角色训练不均。在数据多的语言里可能做得更足，数据少的语言表现不一样。
为了确认这些标签不是分析工具瞎标的，研究做了三类检验：人工复核能直接读的对话；轻改分析提示词、调采样温度，看标签稳不稳；把 800 段对话翻译成 8 种语言重新标注。结果是，339 种价值里只有 11 种会被「分析用的语言」影响，校正后主要结论不变。那 4 条轴本身也通过了随机置换检验，还做了 50 次 bootstrap 重采样(反复随机抽样重算，看结论稳不稳)，每次算出来都差不多。
这项研究还没说清什么，下一步往哪走
研究自己列了七条限制。挑关键的几条看：
- Claude 在分析 Claude。分析工具本身也是 Claude Sonnet 4.6，可能跟研究对象共享同样的语言偏好和价值理解。人工检查发现，回答里带 emoji 或亲属称呼时，它更容易标成「温暖」。
- 价值没有精确定义。像 rigor(严谨)由分析模型自己理解，标签带着模型自身的语言文化框架。
- 只测有没有出现，不测强度。显著度 3 到 5 都被压成「出现」，没区分一个价值出现一次还是贯穿整段。
- 真实使用不是控制实验。不同语言的用户问的问题、说话方式本就不同，控制变量能减轻但消不掉这种混杂。
- 4 条轴只解释约 15%。更多细节在轴之外，不能把四轴当成 Claude 的完整人格。
- 相关不等于因果。没追踪到具体的训练数据、微调阶段或系统提示，也没测这些差异是否影响用户的信任、幸福感、决策质量。
还有一个技术性偏差。用户怎么表达价值，本身可能已经受所用模型和语言的影响。把用户价值当控制变量，反而可能放大「模型语言」和「Claude 输出」之间的表面联系。
Anthropic 说下一步要研究什么
- 把差异追踪到具体的训练数据、训练阶段或上下文因素。
- 测这些价值画像跟用户信任、幸福感、决策质量、任务结果的关系。
- 问不同语言社区，希望 Claude 保住哪些共同价值，哪些地方该允许文化差异。
- 看年龄、职业、地区这些人口信号，会不会也改变价值表达。
- 测试通过 character training 或系统提示，能不能稳定地移动价值画像。
- 把价值画像用在模型发布前后的评估、以及上线后的监控，及时发现「性格」意外漂移。
Claude 完全可能既深入又简洁，也可能既坦率又能完成任务。 Anthropic《Claude's values across models and languages》