Anthropic 研究 Claude 价值差异
AnthropicAI · x · 2026-07-14
Anthropic 研究了 Claude 在不同模型与不同语言中的“价值表达”差异。
- 团队基于 30 万+ 条匿名对话，发现 Claude 之前可归纳出 3000+ 个价值词条，如诚实、温暖等。
- 这次他们把相近价值聚类，总结出四条主要差异轴：顺从 vs. 谨慎、温暖 vs. 严谨、深度 vs. 简洁、坦率 vs. 执行。
- 结论是：不同 Claude 模型之间差异总体不大，但确实落在这些轴的不同位置；例如 Sonnet 4.6 更 playful / affirming，而 Opus 4.7 更可能给出直言不讳的批评。
- 研究还发现，Claude 的语言也会影响价值表达：在 印地语和阿拉伯语 中更偏“温暖”，在 俄语 中更偏“严谨”，更常要求用户提供证据。
- Anthropic 表示，目前还不清楚这些差异为什么会出现、是否是期望的结果，后续想进一步找出影响因素，并思考是否以及如何去调节。
所属事件:Anthropic揭示Claude价值观随模型与语言偏移(21 条相关)→
「研究」频道最新
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27