科技 腾讯新闻 · AI先锋官官方 · 5小时前 · AI 生成
Anthropic最新研究：说中文或说英文，Claude会表现不同性格 Anthropic 发布了一项关于 Claude 模型价值观的系统研究，首次量化分析了不同模型版本和不同语言下 AI 回答的价值倾向差异。研究发现，Sonnet、Opus 4.6、Opus 4.7 呈现出截然不同的“人格”，且同一模型在使用印地语、阿拉伯语、英语等不同语言时，在温暖、严谨、顺从等维度上表现出稳定偏差。中文版 Claude 则表现最接近平均水平。该研究为持续监测 AI 行为一致性提供了可量化的框架。适合关注 AI 对齐、人机交互、AI 伦理的读者深入阅读。原文 ↗ 原文 ↗
核心观点
▍ Anthropic 首次系统量化了 Claude 在不同模型版本和不同语言下所表现出的稳定价值观差异，并建立了一套四维度的价值画像坐标系（顺从-谨慎、温暖-严谨、深入-简洁、坦诚-执行）。 01 研究基于 2026 年 5 月连续两周、309815 段 Claude.ai 对话，覆盖 Sonnet 4.6、Opus 4.6、Opus 4.7 三个模型及 20 种语言。 02 Sonnet 4.6 最偏向温暖、顺从和简洁；Opus 4.6 偏向严谨、顺从和简洁；Opus 4.7 则明显偏向谨慎、深入和坦诚。 03 在“温暖 vs 严谨”维度，印地语、阿拉伯语最偏向温暖，英语、俄语最偏向严谨。 04 中文版 Claude 在四个价值维度上都更接近整体平均水平，未表现出鲜明的价值倾向。 05 Anthropic 此前分析过 70 万段匿名 Claude 对话，识别出 3307 种不同价值观，本次研究将其压缩至四个核心坐标轴。 反方 / 局限
— Anthropic 承认，不同语言表现出的价值观差异，可能源于训练数据规模不均、语料来源文化差异，也可能是 AI 在适应不同文化或训练不均衡所致，目前尚无明确结论。 — Anthropic 强调，论文中的“价值观”并非指模型真正拥有信念，而是回答中体现出的规范性倾向，这一定义本身存在争议空间。
前置背景 AI价值观对齐的三种技术路线
Anthropic 用四维坐标量化模型价值观，背后是价值对齐（Value Alignment）这个更底层的技术战场。当前主流路线有三条：基于规则嵌入（如金融信贷的硬编码反歧视规则）、基于人类反馈的强化学习（RLHF，靠标注员对回复排序训练奖励模型）、以及Anthropic 自研的「宪法AI」（让模型根据一组原则自我修正）。RLHF 的瓶颈在于人工标注成本高且一致性差，宪法AI 则试图用原则替代人工，但面临「原则冲突时如何裁决」的新问题。
▸ 2 条关联资料
▼
平行视角 MIT 泼冷水：AI 根本没有稳定价值观
Anthropic 认为 Claude 在不同语言中表现出「稳定偏差」，但 MIT 一篇 2026 年论文直接挑战这一前提——研究人员测试了 Meta、谷歌、OpenAI、Anthropic 的多个模型，发现提示措辞的微小变化就会让模型观点大幅波动，没有哪个模型表现出连贯的偏好。共同作者 Casper 直言：「模型不是真正有信念的系统，本质上是模仿者，会轻率地捏造答案。」如果 AI 连稳定价值观都不存在，测量语言偏差是否只是在测量噪声？
▸ 2 条关联资料
▼
未来推演 价值观监测或将纳入模型发布流程
Anthropic 明确表示，希望把这套「价值画像」方法纳入模型上线前后的持续监测，作为检测「价值观漂移」的仪表盘。一旦成真，AI 行业的发布标准可能从「基准性能得分」扩展到「价值一致性格印」。当前能看到的关键变量是：2026 年 Anthropic 已发布 Mythos 模型（能力更强但风险更大，未向公众开放），未来这类高风险模型的价值监测将比 Sonnet/Opus 更严格。中国信通院等机构也在推进类似的伦理评估标准，国际监管压力正在加速这一进程。
▸ 3 条关联资料
▼
延伸追问 文化的「刻板印象」还是训练偏差？
Claude 用阿拉伯语时更温暖、用英语时更严谨——这到底是模型在适应用户的文化期待，还是训练数据中不同语言语料的质量与分布不均导致的？Anthropic 承认「目前还没有明确答案」。如果是前者，说明 AI 已内化了跨文化社会规范，这对多语言客服、跨国咨询是利好；如果是后者，意味着阿拉伯语用户可能被「礼貌性降级」，得不到同等深度的分析。如何设计实验区分这两种成因，是决定 AI 全球化部署公平性的关键。
▸ 2 条关联资料
▼