Anthropic：把 70 萬條 Claude 對話提練成 3000 條價值觀，發現 Opus 4.7 最謹慎，Sonnet 4.6 更會哄人

作者：Anthropic

編譯：深潮 TechFlow

深潮導讀：當 AI 被要求回答「該不該跳槽」這類主觀問題時，它的回答本身就是價值觀的體現。Anthropic 把 Claude 在 70 萬真實對話中展現的 3000 多種價值觀壓縮成 4 條軸線，發現 Opus 4.7 比其他版本更警惕風險、更直言不諱，而用阿拉伯語對話的 Claude 比用英語對話的更溫暖。這套方法讓我們第一次能量化「AI 性格」是怎麼隨訓練方式和文化語境變化的。

當有人問 Claude 一個沒有標準答案的問題——比如要不要接受新工作、怎麼處理和朋友的衝突——Claude 的回答必然反映某種價值觀。我們希望 Claude 反映的價值觀在其憲法中有高層次概述，但沒有任何文件能預見 Claude.ai 上每天數百萬次對話中可能出現的每一種價值觀。相反，我們尋求在 Claude 的回應中培養"可以根據情境應用的良好判斷力和健全價值觀"。

我們究竟如何研究 Claude 表達的價值觀，以及它們在不同情境下如何變化？在之前的工作中，我們分析了 70 萬次匿名 Claude.ai 對話，識別出 Claude 回應中超過 3000 種不同的價值觀，以及 Claude 表達它們的頻率。但這麼龐大的價值觀列表很難理解。在這項工作中，我們通過將這些數千種價值觀壓縮成少數幾條軸線，使研究這些價值觀變得可行，這些軸線捕捉了 Claude 回應中的關鍵模式。每條軸是兩組價值觀之間的數軸——例如，一端是與情感溫暖相關的價值觀，另一端是與嚴謹相關的價值觀——Claude 在這條線上的位置告訴我們它傾向於哪些價值觀。

我們應用這種方法來衡量 Claude 表達的價值觀在兩個因素上如何變化。首先，我們比較了 Claude 表達的價值觀在不同模型之間如何變化。每個 Claude 模型反映了略有不同的性格訓練方法以及許多其他微調決策。因為我們的價值觀軸線方法量化了模型之間的關鍵差異，它最終可能讓我們將 Claude 表達的價值觀變化與不同的訓練決策聯繫起來。

其次，我們想了解用戶在使用不同語言與 Claude 交談時的體驗如何比較。我們之前的研究表明 Claude 在不同語言中的行為有所不同。我們應用價值觀軸線方法來理解 Claude 表達的價值觀在 Claude.ai 上排名前 20 的語言中如何變化。

圖 1：Claude 在 Opus 4.6 和 Opus 4.7 中以及英語和阿拉伯語版本中表達的價值觀有所不同。Opus 4.6 傾向於表達與謙遜、嚴謹、簡潔和執行力相關的價值觀，而 Opus 4.7 則傾向於表達與謹慎、嚴謹、深刻和坦誠相關的價值觀。在英語版本中，Claude 傾向於表達與謹慎、嚴謹、深刻和坦誠相關的價值觀，而在阿拉伯語版本中，則傾向於表達謙遜、熱情、簡潔和執行力相關的價值觀。

四條關鍵軸線捕捉了 Claude 價值觀 15% 的變化：

順從與謹慎：Claude 是傾向於滿足他人想要的，還是防範可能的風險和傷害

溫暖與嚴謹：Claude 是傾向於表達積極和關心他人，還是強調準確和精確

深度與簡潔：Claude 是傾向於深入解釋，還是隻做被要求的事

坦率與執行：Claude 是傾向於突出自己的不確定性，還是產生更完善和自信的答案

這些軸線上的價值觀檔案與模型性格的感知相匹配。Sonnet 4.6 被認為特別溫暖，而 Opus 4.7 以嚴謹著稱。我們發現每個模型的價值觀檔案反映了這些主觀評估：Sonnet 4.6 傾向於表達更多對用戶的順從和情感溫暖，而 Opus 4.7 傾向於表達對準確性和精確性的關注以及防範濫用。

Claude 表達的價值觀在不同語言中有所不同。當 Claude 說英語時，它強調的價值觀與說葡萄牙語、印尼語或中文時不同。最大的變化在溫暖與嚴謹軸線上，Claude 在阿拉伯語和印地語中最傾向於表達溫暖相關價值觀，在英語和俄語中最傾向於表達嚴謹相關價值觀。

通過這種方法，我們可以開始追問為什麼價值觀在不同模型和語言中發生變化，並更好地測試行為訓練或文化背景等因素如何影響 Claude 表達的價值觀。

我們如何解讀巨大的價值觀空間？

最終，我們的目標是有一種方法來實證理解 Claude 表達的價值觀，以及這些價值觀在不同情境下如何變化。在這項工作中，我們特別關注價值觀如何在模型和語言之間變化。但我們之前的工作《野生價值觀》識別出了 Claude 表達的 3000 多種價值觀。逐一比較這些數千種價值觀會很笨拙，並且會掩蓋更廣泛的趨勢。

為了使比較價值觀更容易，我們構建了價值觀軸線，根據哪些價值觀傾向於在真實對話中一起出現，將這些數千種價值觀減少到幾個基本維度。例如，被描述為"溫暖"的 Claude 回應通常也被描述為"鼓舞人心"和"積極"。這些"溫暖"的回應不太常被描述為"嚴謹"和"準確"。構建一條從溫暖到嚴謹的軸線讓我們能夠組織這些相關價值觀組——溫暖相關價值觀在一側，嚴謹相關價值觀在另一側——並捕捉 Claude 在對話中與人互動的一個重要方面。如果 Claude 在對話中表達的溫暖相關價值觀多於嚴謹相關價值觀，那麼該對話在這條軸線上更偏向溫暖側，反之亦然。這並不意味著軸線兩端的價值觀組是互斥的——Claude 可以在同一對話中表達溫暖和嚴謹。但實際上，Claude 在軸線一側表達的價值觀越多，它傾向於在另一側表達的就越少。這些軸線讓我們能夠比較 Claude 表達的最顯著的價值觀組，而不必跟蹤數千個單獨價值觀的變化。

為了構建價值觀軸線，我們從《野生價值觀》中識別的 3307 種價值觀開始，手動將具有相似含義的價值觀聚類，產生了一個包含 339 種高層次價值觀的較短列表。接下來，使用我們的隱私保護分析工具，我們從 Claude.ai 對話中抽樣了 309,815 次用戶給 Claude 主觀任務的對話。我們的樣本平均來自三個模型（Sonnet 4.6、Opus 4.6、Opus 4.7）和 Claude.ai 上最常用的 20 種語言，為我們提供了每個模型-語言對大約 5000 次對話。對於每次對話，該工具使用 Claude 將 339 種高層次價值觀中的每一種標記為存在或不存在。我們遵循相同的過程來識別用戶表達的價值觀，以及對話的任務和主題。然後我們應用降維技術，這是一種根據 Claude 傾向於一起表達哪些價值觀將標記的價值觀壓縮成軸線的技術。

這給我們留下了四條軸線，捕捉了 Claude 表達的價值觀從一次對話到另一次對話的主要變化方式：

順從與謹慎軸線對比了像適應和尊重偏好這樣的價值觀與像負責任的指導和減少傷害這樣的價值觀

溫暖與嚴謹軸線對比了像積極框架和鼓勵這樣的價值觀與像準確性和透明度這樣的價值觀

深度與簡潔軸線對比了像細微差別和批判性思維這樣的價值觀與像簡潔和服從這樣的價值觀

坦率與執行軸線對比了像誠實和透明這樣的價值觀與像結果導向和優化這樣的價值觀

為了確保我們測量的是 Claude 表達的價值觀——而不是用戶詢問內容或詢問方式的差異——我們控制了每次對話的任務、主題和用戶表達的價值觀。

圖 2：代表 Claude 價值觀最大差異的四個價值軸。每個軸都是一條連接兩組數值的數軸。每個數值在每個軸上的位置取決於它對該軸的貢獻是平均值的多少倍，貢獻最大的數值已標註。大多數數值的貢獻小於平均值，這意味著每個軸都由一小部分關鍵數值（圖中已標註）驅動。

不同的 Claude 模型是否表達不同的價值觀檔案？

在本節中，我們比較了不同模型表達的價值觀。對於每個模型，我們對其所有對話沿四條軸線的位置取平均值，每條軸線給出一個總體位置。結果是一幅高層次的圖景，顯示每個模型傾向於表達哪些價值觀組多於其他模型。這些差異相對於對話之間的變化是很小的，但是結構化的和可檢測的。

圖 3：每個模型在四個價值軸上的平均位置（以所有對話平均值的標準差表示）及其獨特行為。Sonnet 4.6 傾向於熱情、恭敬和簡潔，而 Opus 4.7 則更傾向於表達嚴謹、謹慎和深刻。Opus 4.6 則傾向於嚴謹、恭敬和簡潔。

為了看到這些差異在實踐中是什麼樣子，我們放大模型差異最大的具體價值觀。每次我們基於 Claude 的隱私保護工具在對話中標記一個價值觀時，它還會寫一個關於 Claude 如何表達該價值觀的簡短描述。我們將反映價值觀組內相似行為的描述分組，並總結如下，給出模型如何不同的更具體視圖：

順從與謹慎。Sonnet 4.6 最傾向於表達相對於謹慎的順從，經常肯定用戶的想法和工作。Opus 4.7 最傾向於表達謹慎，經常主動警告用戶風險。

溫暖與嚴謹。Sonnet 4.6 最傾向於表達溫暖，經常通過幽默、玩笑和在不評判的情況下安慰用戶。Opus 4.7 最傾向於表達相對於溫暖的嚴謹，更可能挑戰用戶的假設並坦率地批評他們的工作。

深度與簡潔。Opus 4.7 通過展示其結論背後的推理傾向於深度，而 Opus 4.6 和 Sonnet 4.6 傾向於簡潔。Opus 4.6 特別傾向於直奔主題。

坦率與執行。Opus 4.7 通過坦率自己的侷限性傾向於坦率，而 Opus 4.6 傾向於執行，更可能保持在用戶請求的範圍內。

這些發現與人們對這些模型的感知一致，無論是在 Anthropic 內部還是在網上。Claude.ai 用戶評論說 Opus 4.7 比其他模型更頻繁地對其答案設置限定條件。Anthropic 員工將 Opus 4.7 描述為表達相對更多的透明度、誠實和謙遜，將 Opus 4.6 描述為表達更多的簡潔。我們還在 Sonnet 4.6 的發佈博文中將其描述為溫暖、誠實和親社會。我們的軸線恢復這些印象的事實表明，我們標記和比較 Claude 表達的價值觀的方法正在跟蹤關於模型實際行為的一些真實情況。

在許多對話中，用戶在與不同 Claude 模型互動時可能會遇到不同的價值觀組合。例如，Opus 4.7 傾向於對用戶的工作提供坦率的批評或主動警告風險，而 Sonnet 4.6 傾向於鼓勵和幽默。模型之間價值觀的這種差異可能是由性格訓練決策（以及其他因素）塑造的，我們的價值觀軸線方法突出了 Claude 表達的價值觀的關鍵差異，我們最終可能能夠將其追溯到這些訓練選擇。

Claude 表達的價值觀在不同語言之間是否不同？

我們預期 Claude 表達的價值觀會根據對話的語言而變化，原因有幾個。首先，Claude 的訓練數據在不同語言中有所不同，這可能塑造它表達的價值觀。其次，我們在系統卡中分享的模型評估已經發現了不同語言在 Claude 知道什麼以及它如何處理敏感請求方面的差異。衡量 Claude 表達的價值觀在語言之間變化多少是確定語言之間的差異是否反映合理變化或應該在訓練中解決的第一步。

我們使用與上一節相同的方法計算 Claude 的價值觀檔案在 Claude.ai 上最常用的 20 種語言中如何不同。下面，我們繪製了 Claude 在該平臺上排名靠前的語言中的價值觀檔案，從 Claude 表達的價值觀差異最大的語言開始。

圖 4：Claude 在每種語言對話時，在四個價值軸上的平均位置（以所有對話平均值的標準差表示），以及Claude 在每種語言中的獨特行為。Claude 在印地語中最傾向於熱情，而在俄語中最傾向於嚴謹。Claude 在印尼語中最傾向於執行，而在荷蘭語中最傾向於坦率。Claude 在阿拉伯語中最傾向於恭敬和簡潔，而在英語中最傾向於謹慎和深入。

Claude 的價值表達在不同語言中差異最大的是溫暖 vs 嚴謹和坦率 vs 執行兩個軸，而在尊重 vs 謹慎和深度 vs 簡潔兩個軸上最為穩定。

尊重 vs  謹慎：Claude 在阿拉伯語中表現出最多的尊重，在英語中表現出最多的謹慎。

溫暖 vs 嚴謹：Claude 在印地語和阿拉伯語中表現出最多的溫暖，特徵是禮貌的語言、幽默和趣味性，以及對他人想法和工作的肯定。Claude 在英語和俄語中最傾向於表達嚴謹，特徵是質疑假設、糾正細節和要求證據。

深度 vs 簡潔：Claude 在英語中傾向於深度，會完善和糾正細節，而在阿拉伯語中傾向於簡潔。

坦率 vs 執行：Claude 在荷蘭語中傾向於坦率，會承認自己的錯誤，而在印尼語中傾向於執行。

綜合來看，這些結果表明 Claude 表達的價值觀會隨對話語言發生有意義的變化。面對同樣的請求，Claude 在某些語言中更傾向於溫暖和尊重，而在另一些語言中更傾向於嚴謹和謹慎。這帶來了我們才剛開始探索的重要影響。舉個例子：兩個人就同一份商業計劃尋求反饋，一個用印地語一個用俄語，可能會對計劃質量產生不同的印象，因為 Claude 在表述評估時表達了不同的價值觀。

我們還不清楚訓練數據的哪些特性驅動了這些差異。一種可能是我們的訓練數據在各語言間分佈不均。某些語言的數據量遠大於其他語言，而在數據豐富的語言中，訓練 Claude 表達一致價值觀可能更有效。數據構成也各不相同。例如某些語言可能在專業寫作中佔比過高，而這類文本可能反映不同的價值觀。這些數量和構成上的不平衡可能共同導致 Claude 在不同語言中表達不同的價值觀。

我們也不確定這種變化有多少是可取的。不同語言承載不同的對話規範，Claude 可能基於這些規範以不同的價值觀回應。Claude 在某些語言中也可能更貼近我們的預期行為，導致 Claude 服務某些語言社區的效果出現差距。

這個方法讓我們開始釐清訓練數據的哪些特性驅動了這些差異——以及這種變化是否可取。

展望未來

我們展示了 Claude 表達的價值觀可以壓縮到少數幾個軸，以及 Claude 在這些軸上的位置會隨模型和語言變化。這讓我們能在模型評估和部署後監控中追蹤這些變化。但我們還不理解這些變化為何發生，以及它們對與 Claude 交互的人意味著什麼。下面我們勾勒出我們認為最有前景的未來方向。

這些價值差異從何而來？

知道 Claude 的價值觀會隨模型和語言變化，並不能告訴我們原因。某些變化可能源於不同語言的預訓練和微調數據差異。我們的四個軸突出了應在訓練數據中更仔細檢查哪些價值差異。將這些差異追溯到具體數據、訓練階段或上下文因素，能告訴我們如果想以更細緻的方式塑造 Claude 的行為，應該在哪裡干預。

這些差異對用戶意味著什麼？

我們測量了 Claude 表達的哪些價值觀不同及其相關行為，但沒有測量這些對用戶的影響。使用 Anthropic Interviewer 等工具，我們可以詢問用戶關於他們的幸福感、對 Claude 的信任或 Claude 的決策質量，然後將這些影響與 Claude 表達的價值觀關聯起來。這將使我們能直接將價值差異與用戶結果聯繫起來，讓我們優先修復真正影響用戶的價值差異。

Claude 的價值觀應該如何在不同語言間變化？

Claude 的憲法描述了它應該表達的核心價值觀，如溫暖、謹慎和誠實，但沒有具體說明這些應該如何在不同語言間變化。我們的結果顯示不同語言的用戶已經在以不同方式體驗 Claude，但我們不知道用這些語言與 Claude 交互的人想要什麼樣的變化。確定 Claude 的價值觀應該如何在不同語言間變化，意味著理解和權衡說這些語言的人的觀點。

還有哪些其他因素驅動 Claude 表達的價值觀差異？

語言和模型不太可能是 Claude 表達什麼價值觀的唯一驅動因素。價值觀也可能受年齡、職業或地理區域等人口統計信號影響，無論是通過用戶所寫內容中的明確線索，還是通過與提問者相關的主題、語氣和風格上的微妙差異。理解這些信號中哪些重要，以及由此產生的變化是否很好地服務用戶，是我們方法支持的下一步。

我們能可靠地引導 Claude 表達的價值觀嗎？

有了測量模型價值概況的方法，自然會產生一個問題：我們能多可靠地引導 Claude 表達的價值觀？我們可能測試的一種方式是嘗試通過角色訓練調整或系統提示更改來引導價值觀，然後使用我們的價值軸方法驗證模型表達的價值觀是否如預期變化。

價值概況能成為我們評估和監控模型方式的一部分嗎？

價值軸方法為我們提供了一種簡單方式來總結模型在開放式對話中的行為傾向，我們可以將此構建到評估流程中。在模型發佈前和發佈後運行價值概況分析，可以標記 Claude 表達的價值觀中的意外變化。我們還可以識別價值概況與問題行為（如不遵守 Claude 憲法）之間的相關性，並利用我們學到的知識改進 Claude 的行為。

Claude 每天在數百萬次對話中、跨數十種語言表達價值觀，而直到現在，這些價值觀是我們可以在訓練中塑造但無法在部署中可靠觀察的東西。現在我們有了測量它們的方法，我們可以看到 Claude 表達的價值觀以我們並未刻意選擇的方式變化，我們可以研究它們為何變化以及這種變化是否服務用戶。理解這種變化，並決定如何應對，是我們將繼續進行的工作。

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

致謝

感謝以下個人在本工作不同階段提供反饋：Amanda Askell， Joe Carlsmith， Jack Clark， Ishita Dasgupta， Andrew Lampinen， Shayne Longpre， David Saunders， Taylor Sorensen， Heather Whitney。

可在此處獲得。

我們將價值觀定義為規範性考量，如誠實或謹慎，在 Claude 的回應中被陳述或展示。當我們提及 Claude 表達的價值觀時，我們指的是 Claude 的行為和輸出所反映的價值觀。我們並不暗示 Claude 內在持有價值觀。

參見我們 Claude Opus 4.7 系統卡第 56 頁中良性請求評估的不同語言拒絕率。

在控制對話任務、主題和用戶表達的價值觀後，這四個軸佔跨對話價值觀總方差的 15%。

本文中任何提及不帶模型名稱的 Claude 的結果，都基於我們研究的所有三個模型的對話：Sonnet 4.6、Opus 4.6 和 Opus 4.7。

數據收集自 2026 年 5 月為期兩週的對話。

我們刪除了在 80% 以上對話中出現的 18 個價值觀（例如樂於助人、清晰度、遵循指令）。否則這些近乎普遍的價值觀會主導分析，而無法告訴我們關於跨對話價值觀變化的任何信息。

參見我們 Claude Opus 4.7 系統卡第 215 頁的 GMMLU 評估結果和第 56 頁良性請求評估中的不同語言拒絕率。