Anthropic 研究 Claude 价值：300K+ 对话压成四轴

Anthropic 这篇 7 月 13 日研究值得放进深度页，原因不是它宣布了新模型，而是它把「Claude 是否更温暖、更谨慎、更坦率」这类通常停留在体感层面的评价，做成了一套可比较的坐标系。官方线程用 300K+ 段匿名对话概括样本，研究页方法段进一步给出 309,815 段 Claude.ai 主观任务对话。

已确认的事实相对清楚：研究比较 Sonnet 4.6、Opus 4.6、Opus 4.7 三种模型，以及 Claude.ai 使用量排名前 20 的语言。Anthropic 从旧研究识别出的 3,307 个价值出发，手工聚类为 339 个高阶价值，再用隐私保护分析工具给对话打标签，并把这些标签压缩成四条价值轴。

不确定部分也必须前置。四条轴只 capture 15% of the variation，也就是只解释 Claude 价值表达变化的一部分。论文没有证明某种语言或文化导致 Claude 更温暖或更严谨，也没有证明某个训练决策直接造成某个价值轴变化。它给的是相关性、可观测差异和下一步追问入口。

对模型团队和企业买方来说，这比普通「模型性格」讨论更有用。模型团队可以把它当作上线前后的行为仪表盘；企业买方则会看到一个更尖锐的问题：同一个 Claude 在不同语言里表现出的价值侧重是否足够一致，是否需要在治理、合规和本地化评估中单独列项。

发生了什么

Anthropic 的新研究题为「Claude’s values across models and languages」。它延续了 2025 年 Values in the Wild 的路线。旧研究分析 700,000 段匿名 Claude.ai 对话，识别出 Claude 回答中 3,000+ 个不同价值表达，例如 honesty、warmth、caution 等。

这一次的新增不在于再列一份更长清单，而在于把清单压缩成轴。研究页解释说，几千个价值逐项比较很难推理，所以团队先把 3,307 个细项价值聚类为 339 个高阶价值，再观察哪些价值在真实对话里倾向于一起出现，哪些倾向于互相替代。

得到的四条轴分别是 Deference vs Caution、Warmth vs Rigor、Depth vs Brevity、Candor vs Execution。它们不是互斥标签，而是坐标轴：一段对话可以同时有温暖和严谨，但在统计上，如果某侧价值出现更多，另一侧的相关价值往往出现更少。

这套方法随后被用于两个问题。第一，比较不同 Claude 模型的价值画像。第二，比较 Claude 在不同语言中的价值表达。Anthropic 特别强调，为了尽量测量 Claude 表达的价值，而不是用户在问什么，分析控制了对话任务、主题和用户表达出的价值。

方法和结论的边界

维度	Anthropic 披露	能说明什么	不能说明什么
当天新增样本	300K+ 匿名对话	可观察真实 Claude.ai 主观任务中的价值表达	不是全量 Claude.ai 行为审计
方法段样本	309,815 段对话	每个模型-语言组合约 5,000 段	不能覆盖所有语域和全部任务
历史基础	700,000 段旧对话	旧研究提供价值清单来源	不代表新研究沿用同一批样本
价值压缩	3,307 到 339	让价值标签从长清单变成可比较空间	聚类会损失细粒度差异
解释量	15% variation	四条轴捕捉主要可见模式之一	不能解释剩余大部分变化
语言覆盖	前 20 种语言	可比较 Claude.ai 常见语言体验	不能直接推断所有语言和文化

从模型侧看，研究页写道，Sonnet 4.6 被认为特别 warm，Opus 4.7 known for rigor。四轴画像大体匹配这种主观印象：Sonnet 4.6 更偏向对用户的 deferential 和 emotional warmth，Opus 4.7 更偏 accuracy、precision 和 guarding against misuse。

但这里有一个容易被误读的点。Anthropic 同时说，模型平均位置之间的差异相对单次对话之间的变化是小的，只是结构化且可检测。换句话说，不能把这项研究读成「Opus 4.7 就是严谨，Sonnet 4.6 就是温暖」。它更像在说，模型版本之间存在可测的平均倾向。

从语言侧看，研究页明确写出 largest variation is in the Warmth vs Rigor axis。Claude 用英语回答时，更偏 caution、rigor、depth、candor；在阿拉伯语中，则更偏 deference、warmth、brevity、execution。官方 X 线程进一步补充，Arabic 和 Hindi 最偏 warmth，Russian 更偏 rigor。

这仍然不能推出因果。语言差异可能来自用户任务分布、训练数据分布、翻译语料、评估提示、产品使用场景，也可能来自模型在不同语言中学习到的表达习惯。Anthropic 自己在官方线程里也写到，还不理解这些差异为什么出现，或这些差异是否是期望的。

为什么重要

Claude Constitution 是 Anthropic 对 Claude 价值和行为意图的高层描述。它说明 Claude 应该体现怎样的判断、诚实、谨慎和帮助性。但宪法文本不可能预先覆盖每天数百万段 Claude.ai 对话里的所有边界情境，也很难回答「新模型上线后价值表达有没有漂移」。

这篇研究的价值在于把抽象原则转成仪表盘。四条轴未必完整，却能让模型团队看到某个版本是否更偏执行、是否更愿意呈现不确定性、是否在某些语言中更少追问证据。对齐工作因此从「写原则」向「看真实交互里的分布」迈了一步。

监管和企业治理会关心另一个问题：多语言一致性。一个客服、法律、医疗或教育场景里的模型，如果英语里强调证据与精度，另一种语言里更强调安抚与顺从，这不一定错误，但需要被看见、解释和测试。否则全球产品的风险评估只在英语里完成，覆盖面会天然不足。

开发者也需要读懂这个边界。四轴不是提示词调参菜单，不能简单理解成「把 warmth 降低、rigor 提高」就能得到更好模型。研究页说这些轴基于价值共现关系构建，且只解释 15% 变化。真正的系统控制仍然要回到训练、评估、拒答策略和产品场景。

还有一个容易被忽视的影响对象是评测团队。传统安全评测更擅长问「模型是否拒绝危险请求」或「事实题是否答对」，但用户在主观任务里经常问职业选择、冲突处理、道歉邮件、健康和教育建议。这些问题没有唯一正确答案，模型每一次排序、措辞和追问都在表达价值。Anthropic 的轴方法至少给评测团队一个抽样方式：不要只测拒答率，也要看模型在模糊问题里把什么价值放在前面。

对产品团队来说，这也会改变 A/B 测试语言。过去「新版 Claude 更有帮助」可能只靠满意度、留存或人工偏好描述。现在可以进一步追问：新版是更愿意执行，还是更愿意坦白不确定；是更会安抚用户，还是更常要求证据。指标不必替代用户研究，但可以让「性格」从营销词变成可回看、可报警、可比较的上线风险。

接下来看什么

第一，看 Anthropic 是否发布附录、提示词、数据字段和稳健性检验。当前研究页给出方法摘要，但如果外部研究者不能复现 339 个高阶价值和四条轴，行业只能把它当作官方自测，而不是公共评估工具。

第二，看四条轴在新 Claude 版本里是否稳定。研究覆盖 Sonnet 4.6、Opus 4.6、Opus 4.7，已经展示了版本间差异。下一步更重要的是，当新模型上线或 character training 改动后，同一套轴是否能提前发现价值漂移。

第三，看语言差异会不会进入企业评测。今天的结论只说 Claude 在前 20 种语言中价值表达不同，且 Warmth vs Rigor 变化最大。真正的产品问题是：这些差异在哪些行业场景可接受，在哪些场景需要更强一致性。

第四，看独立评估器能否复核。研究用 Claude 对 Claude 对话中的价值做标签，这在隐私保护和规模化上很实用，但也会带来评估器同源问题。如果未来能用不同模型、人工抽样或公开合成任务交叉检查，四轴才更接近行业通用基准。