同一个模型，换种语言，连「价值判断」都会变 (2026)

语言不是外壳

Anthropic 7 月 13 日发布的一项研究，把一个常被当成「表达风格」的问题测出了具体差异：同一个 Claude，在不同语言里会表现出不同的谨慎、温度、深度和坦诚倾向。研究团队分析了 2026 年 5 月两周内的 309,815 段 Claude.ai 主观任务对话，覆盖 Sonnet 4.6、Opus 4.6、Opus 4.7 三个模型和 20 种常用语言。1

这里的「价值」不是说模型真的拥有某种内在信念。Anthropic 把它定义为回答中体现出来的规范性取向，比如是否优先照顾用户偏好、是否主动提醒风险、是否承认不确定性。研究把 3,307 个具体价值归并成 339 个较高层级的价值，再压缩成四条轴：礼让与谨慎、温暖与严谨、深度与简洁、坦诚与执行。四条轴合计解释了控制任务、话题和用户表达的价值之后，跨对话价值差异的 15%。1

Anthropic 对 Claude 在不同语言和模型中价值表达的对比图 — 图中右半部分显示了 English 和 Arabic 在四条轴上的不同偏向。1

同一个问题，可能得到不同的「建议姿态」

跨语言结果最值得注意的地方，不是某种语言的答案一定更好，而是模型回答主观问题时采取的姿态会变。英语对话里的 Claude 更偏向谨慎、严谨、深度和坦诚，常见表现是挑战假设、纠正细节、要求证据；阿拉伯语里则更偏向温暖、礼让、简洁和执行，常见表现是礼貌、肯定用户想法、直接推进任务。印地语的表达最偏向温暖，俄语最偏向严谨。1

对话语言	研究中观察到的倾向	具体表现
英语	谨慎、严谨、深度、坦诚	更常挑战假设、纠正细节、要求证据
阿拉伯语	温暖、礼让、简洁、执行	更常使用礼貌表达，肯定用户的想法和工作
印地语	温暖	更多礼貌、幽默和肯定
俄语	严谨	更常挑战假设、纠正细节、要求证据
中文	与其他语言存在差异，但原文没有单列具体方向	研究确认存在跨语言变化，未给出中文的四轴画像

这会影响什么？假设两个人让 Claude 评价同一份商业计划书，一个用印地语，一个用俄语。他们未必会得到事实相反的结论，但可能分别感受到「这个想法值得鼓励」和「这个论证需要证据」。Anthropic 也用这个例子说明，语言改变的可能是评价被组织和传达的方式，进而改变用户对方案质量的印象。1

这不是说中文用户应该改用英语才能得到更可靠的答案。原文明确提到中文的价值表达与其他语言不同，却没有给出中文具体偏向哪一端，因此不能据此推断中文回答更温和、更简短或更谨慎。能确认的只有一件事：语言不是透明的输入管道，它可能参与塑造模型如何提出异议、如何表达不确定性，以及何时选择直接执行。

研究的边界，比结论更重要

这项研究测量的是 Claude「表达出来的价值」，不是模型是否真的有价值观，也没有测量这些差异是否让用户做出了更好的决定。Anthropic 还不知道差异来自哪里：可能是不同语言的预训练数据数量不均，也可能是数据中职业写作、对话规范等组成不同。不同语言的差异也未必都该被抹平，因为语言本来就携带不同的礼貌和沟通习惯。1

「15%」也不能被读成模型只有 15% 的价值变化。它表示这四条轴在特定分析方法下解释了多少跨对话差异，而且是在控制了任务、话题和用户表达的价值之后得到的结果。其余差异可能来自没有纳入的上下文，也可能来自更细的价值组合。研究团队自己把用户福祉、信任和决策质量列为下一步要测的对象。1

真正的缺口在这里：我们已经能看到模型的「回答性格」在变，却还不知道哪一种变化对谁有利。一个更愿意纠正你的模型，可能帮你避开错误，也可能在开放式创作里显得僵硬；一个更愿意肯定你的模型，可能降低交流成本，也可能让糟糕的想法更难被及时指出。把「有礼貌」直接当成「更好用」，和把「更严格」直接当成「更可靠」，都还差一段证据。

给实际使用者的三个提醒

主观问题可以做一次跨语言复核。 不是为了找一个「正确语言」，而是观察模型是否在不同语言里改变了反驳强度、证据要求和不确定性表达。差异只能算第二个观察角度，不能替代事实核验。
评价模型时要看它怎么判断，不只看它答对多少。 对求职建议、方案评审、学习反馈和风险判断这类没有唯一答案的任务，语言维度的严谨度、坦诚度和用户赋能方式同样会影响结果。
「模型人格」需要按语言持续监测。 Anthropic 已经提出把价值画像用于上线前后监控，检查模型是否出现了没有被刻意选择的偏移。对中文用户来说，未来更值得追问的不是模型有没有统一人格，而是它在中文里是否符合使用者希望它具备的行为。1

速览

Arvind Narayanan：AI 越能执行，人越要决定「问什么」

普林斯顿大学计算机科学教授 Arvind Narayanan 在 7 月 8 日 ICML 2026 邀请报告中说，AI 的能力提升不会自动把所有工作变成自动化。研究者和开发者的时间会逐渐从直接解决问题，移向提出问题、形成概念、评估和监控；产业里的领域知识、关系能力、审美判断与规范判断会更重要。2

他在 7 月 13 日的演讲文字稿中还提出一个暂时的限制：通用型 agent 很难同时满足通用、高风险部署和完全自动化这三个条件。这个判断与本期主线相接：模型可以改变执行方式，但「什么算完成」和「哪种判断值得信任」仍然没有被它自动解决。3

OpenAI：连评测题本身也可能是坏的

OpenAI 7 月 8 日审计 SWE-Bench Pro 的 731 道公开任务，自动数据质量流程标记出 200 道问题任务，占 27.4%；由五名有经验的软件工程师组成的人工复核则标记出 249 道，占 34.1%。OpenAI 因此估计约 30% 的任务存在破坏性问题，并撤回了此前推荐采用该基准的建议。4

这条信号不只关于 benchmark。它说明，当 AI 能参与检查题目、测试和失败轨迹时，人的工作会转向定义什么算公平、什么算有效、什么算真正完成。评测标准本身也需要被评测。

同一个模型，换种语言，连「价值判断」都会变