北京
同一個AI助手，你用印地語提問，它回答得更溫暖；換成俄語，忽然嚴謹得像個學術裁判。這不是用戶幻覺，而是Anthropic最新研究里實實在在測出來的系統性差異。公司分析了超過30萬條匿名對話，把Claude在不同語言、不同模型下“流露”出的價值傾向，第一次做成了一張可量化的圖譜。
這個項目建立在一項早前研究的基礎上，當時研究人員從對話中梳理出3307個價值概念，再歸并成339個更高層級的價值標簽。到了這一步，團隊用統計降維的方法尋找這些價值的共現模式，最后提煉出四條核心軸：順從與謹慎、溫暖與嚴謹、深度與簡潔、坦率與執行。把原先散落的幾千個詞，壓縮成了四個能解釋價值變化的維度。
數據池來自2026年5月兩個星期里收集的309815段匿名對話，只選那些需要Claude做權衡或主觀判斷的場景。樣本在Sonnet 4.6、Opus 4.6和Opus 4.7三個模型以及Claude.ai使用最多的20種語言之間做了均衡分層。也就是說，這不是某個模型的單一畫像，而是跨模型、跨語種的全景掃描。
四條軸能解釋的變異比例，說出來可能比想象中要小。在排除了任務類型、話題和用戶自帶的價值觀影響之后，這四條軸只抓住了剩余差異中約15%的部分。Anthropic也坦承，整個分析過程是用Sonnet 4.6來給價值貼標簽的，而Sonnet 4.6本身就屬于被研究的那一族模型。公司做了語言偏差的檢測，但沒法完全排除殘留效應。
各個模型在價值軸上確實有可區分的畫像。Sonnet 4.6更傾向于肯定用戶的想法，會主動用幽默，不忘說幾句寬慰的話，不太做評判。Opus 4.7則相反：不等人問就提醒風險，會質疑預設，直接給出批評，還會主動指出自己的錯誤或局限。Opus 4.6剛好夾在中間，答題更直白，緊貼任務本身，不想多費筆墨。Anthropic說，這些畫像與用戶對模型的主觀印象是對得上的。
語言層面的漂移同樣耐人尋味。同樣的問題，切到印地語，Claude的“溫暖”軸得分明顯抬高；換到俄語，“嚴謹”那一頭就被點亮。這意味著語言不只是載體，它在悄無聲息地撥動AI輸出時的價值天平。這項發現帶來的不只是跨語言產品設計的提醒，也指向一個更深的問題：當你用不同語言跟同一個模型說話時，你面對的可能不完全是同一個助手。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
