Claude Values：Anthropic 给模型性格画了四根轴 (2026)

Anthropic 这次量的不是 Claude 会不会答对，而是它在没有唯一正确答案的问题里，会偏向哪种回答方式。研究团队从 309,815 条 Claude.ai 真实对话里抽样，把此前识别出的 3,307 个价值观压缩成四根轴：顺从还是谨慎，温暖还是严谨，深入还是简短，坦诚还是执行。1

这件事值得单独看，因为它把「模型性格」从主观感受推到了一套可重复测量的方法。用户常说某个模型更会安慰人，某个模型更爱挑错，某个模型更啰嗦。Anthropic 现在试图问：这些感觉能不能从大规模对话里被量出来，能不能拿来比较不同模型和不同语言里的 Claude。

先看结论：这不是价值观清单，而是行为坐标轴

Anthropic 之前的 Values in the Wild 研究分析过 70 万条匿名 Claude.ai 对话，识别出 3,000 多个 Claude 在回复里表现出的价值观。问题是，3,000 多个标签太碎，几乎没法用于模型对比。1

新研究的做法，是把 3,307 个原始价值观先合并成 339 个高层价值，再用隐私保护分析工具给真实对话打标签。每条对话都会被标出 Claude 表达了哪些价值、用户表达了哪些价值、任务是什么、主题是什么。附录说明，研究只纳入需要主观判断的对话，这类对话占全部对话的 53.2%。2

最后留下四根轴：

价值轴	它在区分什么	读者可以怎么理解
Deference vs. Caution	更顺着用户偏好，还是更主动提醒风险	模型是「帮你往前走」，还是「先问这样做是否安全」
Warmth vs. Rigor	更照顾情绪，还是更强调准确和精确	模型是先安慰鼓励，还是先校正问题
Depth vs. Brevity	更愿意展开解释，还是只做被要求的事	模型是多讲推理过程，还是尽快交付答案
Candor vs. Execution	更暴露不确定性，还是给出更成型的结果	模型是坦白说哪里没把握，还是把答案打磨得更顺

四根轴合起来解释了 Claude 价值表达中约 15% 的变异。1 这个比例不高，但很关键：它说明这套方法不是在给 Claude 贴一个总性格标签，而是在抓最明显、最可解释的几类差异。

方法关键：先把「用户问了什么」扣掉

这类研究最容易犯的错，是把任务差异误当成模型差异。比如用户用英文问职业选择，用另一种语言问亲密关系冲突，Claude 表现出的价值当然会不同；这不一定是语言导致的。

Anthropic 的处理方式是先控制对话任务、主题和用户自己表达的价值。附录写明，他们在 Hellinger 转换后的价值矩阵上，把任务、主题和用户表达价值能解释的部分回归掉，这一步解释了 31.7% 的总变异。剩下的部分再做 PCA，并用 varimax 旋转得到更容易解释的四根轴。2

这段方法翻成工程语言，就是先尽量回答一个问题：如果用户问的任务、话题和价值诉求相近，Claude 的回答风格还会不会因为模型或语言而变。

样本也做了分层。研究覆盖 Claude Sonnet 4.6、Claude Opus 4.6 和 Claude Opus 4.7，覆盖 Claude.ai 上最常见的 20 种语言，采样窗口是 2026 年 5 月的两周。研究目标是每个模型-语言组合约 5,333 条对话，但阿拉伯语、印地语、印尼语的一些组合因为流量不足低于这个阈值。2

模型差异：Sonnet 更暖，Opus 4.7 更会刹车

模型之间的差异符合很多用户对 Claude 的直觉。

Sonnet 4.6 更偏向顺从、温暖和简短。官方图表给出的平均位置是：顺从 0.14 个标准差，温暖 0.17 个标准差，简短 0.14 个标准差。它更常见的行为包括肯定用户想法、模仿用户语气、使用幽默、给出不带评判的安慰。1

Opus 4.6 则更偏向严谨、顺从和简短。它的特点是更快进入任务范围，较少展开额外提醒。1

Opus 4.7 的变化最明显：它更偏向谨慎和深入，官方图表给出的平均位置是谨慎 0.24 个标准差、深入 0.23 个标准差。具体表现是更可能指出用户前提错误，主动提示风险，坦白自己的限制，并给出后续步骤。1

这解释了一个产品上的现象：同样叫 Claude，不同档位的模型不只是能力强弱不同，也可能在「该不该顺着用户做」和「该不该先纠错」上有不同取舍。对企业内部工具来说，这会直接影响体验。客服场景可能更需要温暖和简短，代码审查、安全分析、法律草稿则更需要谨慎和坦诚。

语言差异：同一类请求，中文用户也可能拿到不同语气

研究还发现，Claude 在不同语言里的价值表达并不完全一致。官方正文说，Warmth vs. Rigor 和 Candor vs. Execution 两根轴的语言差异最大；Deference vs. Caution 和 Depth vs. Brevity 相对更稳定。1

几个方向很清楚：Claude 在阿拉伯语里最偏顺从和简短，在英语里最偏谨慎和深入；在印地语和阿拉伯语里更偏温暖，在英语和俄语里更偏严谨；在荷兰语里更偏坦诚，在印尼语里更偏执行。1

这对中文读者的提醒不是「哪种语言更好」。更现实的问题是，多语言产品不能只用英文评测来判断模型气质。如果一个团队要把 Claude 接进中文、日文、印尼语或阿拉伯语用户流量，同一套提示词在不同语言里可能带来不同的拒答边界、反馈强度和安慰风格。

Anthropic 自己也没有把原因说死。官方列出的可能因素包括训练数据数量不均、不同语言数据的文本类型不同、语言本身的对话规范不同，以及模型是否在某些语言里更接近预期行为。1

这项研究最有用的地方：上线后监控

这篇文章表面上在讲价值观，实际更像一套模型行为监控工具。

过去，模型发布前的评测更容易覆盖知识、推理、拒答率、越狱、安全分类这些指标。但开放式对话里更微妙的问题很难量化：模型是不是越来越会讨好用户，某个版本是不是更爱给不必要的免责声明，某种语言里是不是更少指出风险。

四轴方法给了一个可操作入口。Anthropic 在正文里也说，这套方法未来可以进入模型发布前评估和上线后监控，用来发现价值表达的异常变化，并检查这些变化是否和不符合 Claude constitution 的行为相关。1

这对外部团队同样有用。真正部署大模型时，问题往往不是「模型是否足够聪明」，而是它在你的业务里是否稳定表达你想要的判断方式。一个医疗问答系统不能太顺从，一个创意写作助手不能太爱打断，一个面向青少年的学习产品也不能只追求执行效率。

现在不能过度解读什么

这篇研究有几个边界，需要放在主结论旁边看。

第一，分析工具本身也是 Claude。附录承认，隐私保护分析工具可能带有 Claude 自己的语言条件偏差。研究团队做了翻译控制实验，发现这种偏差较小，但它仍然是方法边界。2

第二，四根轴是相关结构，不是因果结论。附录明确说，这些轴描述的是对话之间价值比例如何一起变化，不是模型或语言造成某种价值表达的因果效应，也不能拿来解释单条对话内部的行为模式。2

第三，轴的两端不一定是真正的行为反义词。因为每条对话的价值会被归一化成比例，一个价值组变多，其他价值组的比例会被机械压低。附录说，前两根轴更像真实 trade-off，后两根轴更像统计上有效的组织方式。2

第四，15% 的解释量意味着大量差异没有被这四根轴捕捉。它适合做监控仪表盘，不适合当完整人格画像。2

这篇研究的价值，正在于它没有把「价值观」讲成一套抽象宣言。它把主观对话拆成可测量的行为差异，再把这些差异放回模型训练、语言覆盖和上线监控里。下一步要看的，是 Anthropic 能不能把这套测量方法真的接进模型迭代：当某个新 Claude 变得更谨慎、更坦诚或更顺从时，团队是否能说清楚这是有意训练出来的，还是部署后才暴露出的漂移。

Claude Values：Anthropic 给模型性格画了四根轴