Anthropic : 700 000 conversations Claude condensées en 3 000 valeurs, Opus 4.7 le plus prudent, Sonnet 4.6 plus doué pour plaire.
TechFlow SélectionTechFlow Sélection
Anthropic : 700 000 conversations Claude condensées en 3 000 valeurs, Opus 4.7 le plus prudent, Sonnet 4.6 plus doué pour plaire.
Cette méthode nous permet pour la première fois de quantifier comment la « personnalité de l'IA » évolue en fonction des méthodes d'entraînement et du contexte culturel.
Dédié à des analyses Web3 approfondiesAuteur : Anthropic
Compilation : TechFlow
Introduction TechFlow : Lorsque l'IA est invitée à répondre à des questions subjectives comme « Faut-il changer d'emploi ? », sa réponse elle-même reflète des valeurs. Anthropic a compressé plus de 3 000 valeurs démontrées par Claude dans 700 000 conversations réelles en 4 axes, révélant qu'Opus 4.7 est plus prudent face aux risques et plus direct que les autres versions, tandis que Claude conversant en arabe est plus chaleureux que celui conversant en anglais. Cette méthode nous permet pour la première fois de quantifier comment la « personnalité de l'IA » évolue selon les méthodes d'entraînement et le contexte culturel.
Lorsque quelqu'un pose à Claude une question sans réponse standard — comme accepter ou non un nouveau poste, ou gérer un conflit avec un ami — la réponse de Claude reflète nécessairement certaines valeurs. Nous souhaitons que les valeurs reflétées par Claude soient décrites à haut niveau dans sa Constitution, mais aucun document ne peut anticiper chaque valeur susceptible d'apparaître dans les millions de conversations quotidiennes sur Claude.ai. Au lieu de cela, nous cherchons à cultiver dans les réponses de Claude un « bon jugement et des valeurs saines applicables selon le contexte ».
Comment étudions-nous exactement les valeurs exprimées par Claude, et comment changent-elles selon les contextes ? Dans des travaux précédents, nous avons analysé 700 000 conversations anonymisées sur Claude.ai, identifiant plus de 3 000 valeurs différentes dans les réponses de Claude, ainsi que la fréquence à laquelle Claude les exprime. Mais une liste de valeurs aussi vaste est difficile à comprendre. Dans ce travail, nous rendons l'étude de ces valeurs feasible en compressant ces milliers de valeurs en quelques axes seulement, qui capturent les modèles clés dans les réponses de Claude. Chaque axe est une échelle numérique entre deux groupes de valeurs — par exemple, une extrémité liée à la chaleur émotionnelle, l'autre à la rigueur — et la position de Claude sur cette ligne nous indique vers quelles valeurs il tend.
Nous appliquons cette méthode pour mesurer comment les valeurs exprimées par Claude varient selon deux facteurs. Premièrement, nous comparons comment les valeurs exprimées par Claude changent entre différents modèles. Chaque modèle Claude reflète des méthodes d'entraînement de personnalité légèrement différentes ainsi que de nombreuses autres décisions de affinage. Parce que notre méthode des axes de valeurs quantifie les différences clés entre les modèles, elle pourrait finalement nous permettre de relier les changements de valeurs exprimées par Claude à différentes décisions d'entraînement.
Deuxièmement, nous souhaitons comprendre comment se compare l'expérience des utilisateurs lorsqu'ils conversent avec Claude dans différentes langues. Nos recherches précédentes ont montré que le comportement de Claude diffère selon les langues. Nous appliquons la méthode des axes de valeurs pour comprendre comment les valeurs exprimées par Claude varient dans les 20 langues les plus utilisées sur Claude.ai.
Figure 1 : Les valeurs exprimées par Claude diffèrent entre Opus 4.6 et Opus 4.7, ainsi qu'entre les versions anglaise et arabe. Opus 4.6 tend à exprimer des valeurs liées à l'humilité, la rigueur, la concision et l'exécution, tandis qu'Opus 4.7 tend à exprimer des valeurs liées à la prudence, la rigueur, la profondeur et la franchise. Dans la version anglaise, Claude tend à exprimer des valeurs liées à la prudence, la rigueur, la profondeur et la franchise, tandis que dans la version arabe, il tend à exprimer des valeurs liées à l'humilité, l'enthousiasme, la concision et l'exécution.
Quatre axes clés capturent 15 % de la variation des valeurs de Claude :
Soumission vs Prudence : Claude tend-il à satisfaire ce que les autres veulent, ou à se prémunir contre les risques et dommages potentiels
Chaleur vs Rigueur : Claude tend-il à exprimer du positif et du souci des autres, ou à mettre l'accent sur l'exactitude et la précision
Profondeur vs Concision : Claude tend-il à expliquer en profondeur, ou à faire seulement ce qui est demandé
Franchise vs Exécution : Claude tend-il à souligner ses incertitudes, ou à produire des réponses plus complètes et confiantes
Les profils de valeurs sur ces axes correspondent aux perceptions des personnalités des modèles. Sonnet 4.6 est considéré comme particulièrement chaleureux, tandis qu'Opus 4.7 est connu pour sa rigueur. Nous constatons que le profil de valeurs de chaque modèle reflète ces évaluations subjectives : Sonnet 4.6 tend à exprimer plus de soumission aux utilisateurs et de chaleur émotionnelle, tandis qu'Opus 4.7 tend à exprimer un souci d'exactitude et de précision ainsi qu'une prévention des abus.
Les valeurs exprimées par Claude varient selon les langues. Lorsque Claude parle anglais, les valeurs qu'il met en avant diffèrent de celles lorsqu'il parle portugais, indonésien ou chinois. Le changement le plus important se situe sur l'axe Chaleur vs Rigueur, où Claude tend le plus à exprimer des valeurs liées à la chaleur en arabe et en hindi, et des valeurs liées à la rigueur en anglais et en russe.
Grâce à cette méthode, nous pouvons commencer à nous demander pourquoi les valeurs changent selon les modèles et les langues, et mieux tester comment des facteurs comme l'entraînement comportemental ou le contexte culturel influencent les valeurs exprimées par Claude.
Comment interpréter un vaste espace de valeurs ?
En fin de compte, notre objectif est de disposer d'une méthode pour comprendre empiriquement les valeurs exprimées par Claude, et comment ces valeurs changent selon les contextes. Dans ce travail, nous nous concentrons particulièrement sur la façon dont les valeurs varient entre les modèles et les langues. Mais nos travaux précédents, « Valeurs Sauvages », ont identifié plus de 3 000 valeurs exprimées par Claude. Comparer individuellement ces milliers de valeurs serait maladroit et masquerait des tendances plus larges.
Pour faciliter la comparaison des valeurs, nous avons construit des axes de valeurs, réduisant ces milliers de valeurs à quelques dimensions fondamentales selon quelles valeurs ont tendance à apparaître ensemble dans des conversations réelles. Par exemple, les réponses de Claude décrites comme « chaleureuses » sont souvent également décrites comme « inspirantes » et « positives ». Ces réponses « chaleureuses » sont moins souvent décrites comme « rigoureuses » et « précises ». Construire un axe de la chaleur à la rigueur nous permet d'organiser ces groupes de valeurs associées — les valeurs liées à la chaleur d'un côté, les valeurs liées à la rigueur de l'autre — et de capturer un aspect important de la façon dont Claude interagit avec les gens dans les conversations. Si Claude exprime plus de valeurs liées à la chaleur que de valeurs liées à la rigueur dans une conversation, alors cette conversation est plus偏向 (偏向 -> orientée) du côté chaleur sur cet axe, et vice versa. Cela ne signifie pas que les groupes de valeurs aux extrémités de l'axe sont mutuellement exclusifs — Claude peut exprimer à la fois chaleur et rigueur dans la même conversation. Mais en pratique, plus Claude exprime de valeurs d'un côté de l'axe, moins il tend à en exprimer de l'autre. Ces axes nous permettent de comparer les groupes de valeurs les plus significatifs exprimés par Claude, sans avoir à suivre les changements de milliers de valeurs individuelles.
Pour construire les axes de valeurs, nous sommes partis des 3 307 valeurs identifiées dans « Valeurs Sauvages », regroupant manuellement les valeurs ayant des significations similaires, produisant une liste plus courte de 339 valeurs de haut niveau. Ensuite, en utilisant notre outil d'analyse protégant la vie privée, nous avons échantillonné 309 815 conversations où les utilisateurs ont donné des tâches subjectives à Claude à partir de conversations Claude.ai. Notre échantillon provient en moyenne de trois modèles (Sonnet 4.6, Opus 4.6, Opus 4.7) et des 20 langues les plus utilisées sur Claude.ai, nous fournissant environ 5 000 conversations pour chaque paire modèle-langue. Pour chaque conversation, l'outil utilise Claude pour marquer chacune des 339 valeurs de haut niveau comme présente ou absente. Nous avons suivi le même processus pour identifier les valeurs exprimées par les utilisateurs, ainsi que les tâches et sujets de la conversation. Ensuite, nous avons appliqué des techniques de réduction de dimensionnalité, une technologie qui compresses les valeurs marquées en axes selon quelles valeurs Claude tend à exprimer ensemble.
Cela nous laisse quatre axes, qui capturent les principales façons dont les valeurs exprimées par Claude varient d'une conversation à l'autre :
L'axe Soumission vs Prudence oppose des valeurs comme l'adaptation et le respect des préférences à des valeurs comme l'orientation responsable et la réduction des dommages
L'axe Chaleur vs Rigueur oppose des valeurs comme le cadrage positif et l'encouragement à des valeurs comme l'exactitude et la transparence
L'axe Profondeur vs Concision oppose des valeurs comme les nuances et la pensée critique à des valeurs comme la concision et l'obéissance
L'axe Franchise vs Exécution oppose des valeurs comme l'honnêteté et la transparence à des valeurs comme l'orientation vers les résultats et l'optimisation
Pour nous assurer que nous mesurons les valeurs exprimées par Claude — et non des différences dans le contenu des demandes des utilisateurs ou la manière dont elles sont posées — nous avons contrôlé les tâches, les sujets et les valeurs exprimées par les utilisateurs pour chaque conversation.
Figure 2 : Les quatre axes de valeur représentant les plus grandes différences dans les valeurs de Claude. Chaque axe est une échelle numérique reliant deux groupes de valeurs. La position de chaque valeur sur chaque axe dépend de combien de fois sa contribution à cet axe dépasse la moyenne, les valeurs contribuant le plus étant étiquetées. La plupart des valeurs contribuent moins que la moyenne, ce qui signifie que chaque axe est驱动 (drivé) par un petit nombre de valeurs clés (étiquetées dans le graphique).
Les différents modèles Claude expriment-ils des profils de valeurs différents ?
Dans cette section, nous comparons les valeurs exprimées par différents modèles. Pour chaque modèle, nous prenons la moyenne de la position de toutes ses conversations le long des quatre axes, donnant une position globale pour chaque axe. Le résultat est une image de haut niveau montrant quels groupes de valeurs chaque modèle tend à exprimer plus que les autres. Ces différences sont petites par rapport à la variation entre les conversations, mais structurées et détectables.
Figure 3 : Position moyenne de chaque modèle sur les quatre axes de valeur (exprimée en écarts-types par rapport à la moyenne de toutes les conversations) et son comportement unique. Sonnet 4.6 tend à être enthousiaste, respectueux et concis, tandis qu'Opus 4.7 tend plus à exprimer la rigueur, la prudence et la profondeur. Opus 4.6 tend quant à lui vers la rigueur, le respect et la concision.
Pour voir à quoi ressemblent ces différences en pratique, nous zoomons sur des valeurs spécifiques où les différences entre modèles sont les plus grandes. Chaque fois que nous marquons une valeur dans une conversation basée sur l'outil protégant la vie privée de Claude, il écrit également une courte description de la façon dont Claude exprime cette valeur. Nous regroupons les descriptions reflétant des comportements similaires au sein des groupes de valeurs, et les résumons comme suit, donnant une vue plus spécifique de la façon dont les modèles diffèrent :
Soumission vs Prudence. Sonnet 4.6 tend le plus à exprimer la soumission par rapport à la prudence, affirmant souvent les idées et le travail des utilisateurs. Opus 4.7 tend le plus à exprimer la prudence, avertissant souvent proactivement les utilisateurs des risques.
Chaleur vs Rigueur. Sonnet 4.6 tend le plus à exprimer la chaleur, souvent par l'humour, les blagues et en réconfortant les utilisateurs sans jugement. Opus 4.7 tend le plus à exprimer la rigueur par rapport à la chaleur, étant plus susceptible de remettre en question les hypothèses des utilisateurs et de critiquer franchement leur travail.
Profondeur vs Concision. Opus 4.7 tend à la profondeur en montrant le raisonnement derrière ses conclusions, tandis qu'Opus 4.6 et Sonnet 4.6 tendent à la concision. Opus 4.6 tend particulièrement à aller droit au but.
Franchise vs Exécution. Opus 4.7 tend à la franchise en étant ouvert sur ses limites, tandis qu'Opus 4.6 tend à l'exécution, étant plus susceptible de rester dans le cadre des demandes des utilisateurs.
Ces résultats sont cohérents avec les perceptions de ces modèles, tant en interne chez Anthropic qu'en ligne. Les utilisateurs de Claude.ai commentent qu'Opus 4.7 qualifie plus fréquemment ses réponses que les autres modèles. Les employés d'Anthropic décrivent Opus 4.7 comme exprimant relativement plus de transparence, d'honnêteté et d'humilité, et Opus 4.6 comme exprimant plus de concision. Nous avons également décrit Sonnet 4.6 dans son billet de lancement comme chaleureux, honnête et prosocial. Le fait que nos axes restituent ces impressions suggère que notre méthode de marquage et de comparaison des valeurs exprimées par Claude suit certaines réalités concernant le comportement réel des modèles.
Dans de nombreuses conversations, les utilisateurs peuvent rencontrer différentes combinaisons de valeurs lorsqu'ils interagissent avec différents modèles Claude. Par exemple, Opus 4.7 tend à offrir des critiques franches sur le travail des utilisateurs ou à avertir proactivement des risques, tandis que Sonnet 4.6 tend à encourager et à utiliser l'humour. Ces différences de valeurs entre les modèles peuvent être façonnées par des décisions d'entraînement de personnalité (entre autres facteurs), et notre méthode des axes de valeurs met en évidence les différences clés dans les valeurs exprimées par Claude, que nous pourrons finalement peut-être retracer jusqu'à ces choix d'entraînement.
Les valeurs exprimées par Claude diffèrent-elles selon les langues ?
Nous nous attendons à ce que les valeurs exprimées par Claude varient selon la langue de la conversation, pour plusieurs raisons. Premièrement, les données d'entraînement de Claude diffèrent selon les langues, ce qui peut façonner les valeurs qu'il exprime. Deuxièmement, les évaluations de modèles que nous partageons dans les fiches système ont déjà révélé des différences entre les langues dans ce que Claude sait et comment il traite les demandes sensibles. Mesurer dans quelle mesure les valeurs exprimées par Claude varient entre les langues est la première étape pour déterminer si les différences entre les langues reflètent des variations raisonnables ou devraient être résolues dans l'entraînement.
Nous utilisons la même méthode que dans la section précédente pour calculer comment les profils de valeurs de Claude diffèrent dans les 20 langues les plus utilisées sur Claude.ai. Ci-dessous, nous traçons les profils de valeurs de Claude dans les langues les mieux classées sur cette plateforme, en commençant par les langues où les valeurs exprimées par Claude diffèrent le plus.
Figure 4 : Position moyenne de Claude sur les quatre axes de valeur lors de conversations dans chaque langue (exprimée en écarts-types par rapport à la moyenne de toutes les conversations), ainsi que le comportement unique de Claude dans chaque langue. Claude tend le plus à l'enthousiasme en hindi, et le plus à la rigueur en russe. Claude tend le plus à l'exécution en indonésien, et le plus à la franchise en néerlandais. Claude tend le plus au respect et à la concision en arabe, et le plus à la prudence et à la profondeur en anglais.
Les expressions de valeur de Claude varient le plus entre les langues sur les axes Chaleur vs Rigueur et Franchise vs Exécution, tandis qu'elles sont les plus stables sur les axes Respect vs Prudence et Profondeur vs Concision.
Respect vs Prudence : Claude montre le plus de respect en arabe, et le plus de prudence en anglais.
Chaleur vs Rigueur : Claude montre le plus de chaleur en hindi et en arabe, caractérisé par un langage poli, de l'humour et du ludique, ainsi que par l'affirmation des idées et du travail des autres. Claude tend le plus à exprimer la rigueur en anglais et en russe, caractérisé par la remise en question des hypothèses, la correction des détails et la demande de preuves.
Profondeur vs Concision : Claude tend à la profondeur en anglais, affinant et corrigeant les détails, tandis qu'il tend à la concision en arabe.
Franchise vs Exécution : Claude tend à la franchise en néerlandais, admettant ses erreurs, tandis qu'il tend à l'exécution en indonésien.
Dans l'ensemble, ces résultats indiquent que les valeurs exprimées par Claude changent de manière significative selon la langue de la conversation. Face à la même demande, Claude tend plus à la chaleur et au respect dans certaines langues, et plus à la rigueur et à la prudence dans d'autres. Cela soulève des implications importantes que nous ne faisons que commencer à explorer. Par exemple : deux personnes demandant des retours sur le même plan d'entreprise, l'une en hindi et l'autre en russe, pourraient avoir des impressions différentes de la qualité du plan, car Claude exprime des valeurs différentes lorsqu'il formule l'évaluation.
Nous ne savons pas encore quelles caractéristiques des données d'entraînement expliquent ces différences. Une possibilité est que nos données d'entraînement soient réparties de manière inégale entre les langues. Certaines langues ont beaucoup plus de données que d'autres, et il peut être plus efficace d'entraîner Claude à exprimer des valeurs cohérentes dans les langues riches en données. La composition des données varie également. Par exemple, certaines langues peuvent être surreprésentées dans l'écriture professionnelle, et ce type de texte peut refléter des valeurs différentes. Ces déséquilibres en quantité et en composition peuvent conjointement conduire Claude à exprimer des valeurs différentes dans différentes langues.
Nous ne sommes pas non plus sûrs de la mesure dans laquelle cette variation est souhaitable. Différentes langues portent différentes normes conversationnelles, et Claude peut répondre avec des valeurs différentes basées sur ces normes. Claude peut également être plus proche de nos comportements attendus dans certaines langues, entraînant des écarts dans l'efficacité avec laquelle Claude sert certaines communautés linguistiques.
Cette méthode nous permet de commencer à clarifier quelles caractéristiques des données d'entraînement expliquent ces différences — et si cette variation est souhaitable.
Perspectives d'avenir
Nous avons montré que les valeurs exprimées par Claude peuvent être compressées en quelques axes, et que la position de Claude sur ces axes varie selon les modèles et les langues. Cela nous permet de suivre ces changements dans l'évaluation des modèles et la surveillance post-déploiement. Mais nous ne comprenons pas encore pourquoi ces changements se produisent, et ce qu'ils signifient pour les personnes interagissant avec Claude. Ci-dessous, nous esquissons ce que nous considérons comme les directions les plus prometteuses pour l'avenir.
D'où viennent ces différences de valeurs ?
Savoir que les valeurs de Claude varient selon les modèles et les langues ne nous dit pas pourquoi. Certaines variations peuvent provenir de différences dans les données de pré-entraînement et de affinage pour différentes langues. Nos quatre axes mettent en évidence quelles différences de valeurs doivent être examinées plus attentivement dans les données d'entraînement. Retracer ces différences jusqu'à des données spécifiques, des phases d'entraînement ou des facteurs contextuels peut nous dire où intervenir si nous souhaitons façonner le comportement de Claude de manière plus nuancée.
Que signifient ces différences pour les utilisateurs ?
Nous avons mesuré quelles valeurs exprimées par Claude diffèrent et leurs comportements associés, mais nous n'avons pas mesuré leur impact sur les utilisateurs. En utilisant des outils comme Anthropic Interviewer, nous pouvons interroger les utilisateurs sur leur bien-être, leur confiance en Claude ou la qualité des décisions de Claude, puis corréler ces impacts avec les valeurs exprimées par Claude. Cela nous permettrait de relier directement les différences de valeur aux résultats pour les utilisateurs, nous permettant de prioriser la correction des différences de valeur qui affectent réellement les utilisateurs.
Comment les valeurs de Claude devraient-elles varier entre les langues ?
La Constitution de Claude décrit les valeurs fondamentales qu'elle devrait exprimer, comme la chaleur, la prudence et l'honnêteté, mais ne spécifie pas comment celles-ci devraient varier entre les langues. Nos résultats montrent que les utilisateurs de différentes langues expérimentent déjà Claude de manière différente, mais nous ne savons pas quel type de variation les personnes interagissant avec Claude dans ces langues souhaitent. Déterminer comment les valeurs de Claude devraient varier entre les langues signifie comprendre et pondérer les perspectives des personnes parlant ces langues.
Quels autres facteurs expliquent les différences de valeurs exprimées par Claude ?
La langue et le modèle ne sont probablement pas les seuls facteurs expliquant les valeurs exprimées par Claude. Les valeurs peuvent également être influencées par des signaux démographiques comme l'âge, la profession ou la région géographique, soit par des indices explicites dans ce que l'utilisateur écrit, soit par des différences subtiles dans le sujet, le ton et le style associés au demandeur. Comprendre quels signaux sont importants, et si les variations qui en résultent servent bien les utilisateurs, est la prochaine étape soutenue par notre méthode.
Pouvons-nous guider de manière fiable les valeurs exprimées par Claude ?
Avec une méthode pour mesurer les profils de valeur des modèles, une question se pose naturellement : dans quelle mesure pouvons-nous guider de manière fiable les valeurs exprimées par Claude ? Une façon que nous pourrions tester est d'essayer de guider les valeurs via des ajustements d'entraînement de rôle ou des modifications d'invites système, puis d'utiliser notre méthode des axes de valeur pour vérifier si les valeurs exprimées par le modèle changent comme prévu.
Les profils de valeur peuvent-ils faire partie de notre manière d'évaluer et de surveiller les modèles ?
La méthode des axes de valeur nous offre un moyen simple de résumer les tendances comportementales des modèles dans les conversations ouvertes, que nous pouvons intégrer dans les processus d'évaluation. Exécuter des analyses de profils de valeur avant et après le lancement des modèles peut signaler des changements inattendus dans les valeurs exprimées par Claude. Nous pouvons également identifier les corrélations entre les profils de valeur et les comportements problématiques (comme le non-respect de la Constitution de Claude), et utiliser ce que nous apprenons pour améliorer le comportement de Claude.
Claude exprime des valeurs dans des millions de conversations quotidiennes, à travers des dizaines de langues, et jusqu'à présent, ces valeurs étaient quelque chose que nous pouvions façonner dans l'entraînement mais pas observer de manière fiable dans le déploiement. Maintenant que nous avons une méthode pour les mesurer, nous pouvons voir que les valeurs exprimées par Claude changent d'une manière que nous n'avons pas délibérément choisie, nous pouvons étudier pourquoi elles changent et si ce changement sert les utilisateurs. Comprendre cette variation, et décider comment y répondre, est un travail que nous continuerons.
Matt Kearney, Miranda Zhang, Shan Carter, Judy Hanwen Shen, Kunal Handa, Jerry Hong, Saffron Huang, Miles McCain, Thomas Millar, Michael Stern, Mo Julapalli, Suzanne Wang, Devin Kuokka, Andrea Vallone, Shaoyi Zhang, Jim Baker, Kevin Troy, Matt Botvinick, Hanah Ho, Monika Tuchowska, Sarah Pollack, Jake Eaton, Deep Ganguli, Esin Durmus
Remerciements
Nous remercions les personnes suivantes pour leurs commentaires à différentes étapes de ce travail : Amanda Askell, Joe Carlsmith, Jack Clark, Ishita Dasgupta, Andrew Lampinen, Shayne Longpre, David Saunders, Taylor Sorensen, Heather Whitney.
Disponibles ici.
Nous définissons les valeurs comme des considérations normatives, comme l'honnêteté ou la prudence, énoncées ou démontrées dans les réponses de Claude. Lorsque nous mentionnons les valeurs exprimées par Claude, nous faisons référence aux valeurs reflétées par le comportement et les sorties de Claude. Nous n'impliquons pas que Claude détient intrinsèquement des valeurs.
Voir les taux de refus par langue dans l'évaluation des demandes bénignes à la page 56 de notre fiche système Claude Opus 4.7.
Après contrôle des tâches de conversation, des sujets et des valeurs exprimées par les utilisateurs, ces quatre axes représentent 15 % de la variance totale des valeurs entre les conversations.
Toute mention dans ce document de résultats concernant Claude sans nom de modèle est basée sur des conversations provenant des trois modèles que nous avons étudiés : Sonnet 4.6, Opus 4.6 et Opus 4.7.
Les données ont été collectées à partir de conversations sur une période de deux semaines en mai 2026.
Nous avons supprimé les 18 valeurs apparaissant dans plus de 80 % des conversations (par exemple, être utile, clarté, suivre les instructions). Sinon, ces valeurs quasi universelles domineraient l'analyse et ne nous diraient rien sur la variation des valeurs entre les conversations.
Voir les résultats de l'évaluation GMMLU à la page 215 de notre fiche système Claude Opus 4.7 et les taux de refus par langue dans l'évaluation des demandes bénignes à la page 56.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@AnthropicAI
