定义 Claude 价值曲线的四大行为轴线

Anthropic 的研究人员从 Claude 的输出中识别出超过 3,300 个不同的价值观，然后通过降维技术将它们压缩成四个关键的行为轴线。每一个轴线都代表了两种对立倾向之间的一个频谱 。在控制了对话任务、主题和用户自身价值观后，这四大轴线共同解释了 Claude 价值观表达中约 15% 的变化 。

• 顺从 vs 审慎： 模型是倾向于迎合用户需求，还是主动规避潜在风险与危害 。
• 温暖 vs 严谨： 模型是倾向于表达积极态度和关怀，还是强调答案的准确性和精确度 。
• 深度 vs 简洁： 模型是倾向于深入详尽地解释，还是只完成用户要求的最低限度 。
• 坦诚 vs 执行： 模型是倾向于明确表达自身的不确定性，还是给出更精炼、更自信的答案 。

不同版本模型的价值倾向：Sonnet 4.6、Opus 4.6 与 Opus 4.7

每个模型版本都展现出了独特的价值观画像，这与用户对它们语气和行为的直观感受完全吻合 。

• Sonnet 4.6： 偏向 顺从、温暖、简洁和执行。它更通融、情感更温暖、回答更简洁，并能产出简洁且令人振奋的回答 。在实际使用中，Sonnet 4.6 往往会肯定你的想法、保持专注、直截了当，并毫无赘言地执行任务 。
• Opus 4.6： 偏向 顺从、严谨、简洁和执行——一种迎合与精确的混合体，但依然追求简洁和执行力 。它在 Sonnet 的温暖和 Opus 4.7 的审慎之间找到了一个平衡点，在保持相对顺从的同时优先考虑正确性 。
• Opus 4.7： 偏向 审慎、严谨、深度和坦诚。它更具怀疑精神，会挑战用户的假设，主动指出风险，深度解释其推理过程，并且更愿意承认自身的局限性 。用户形容 Opus 4.7 是那个会质疑你的计划、指出你未曾想到的问题的模型 。

最大的语言差异：温暖 vs 严谨

温暖 vs 严谨 轴线展现出了跨语言的最大差异 。Claude 在不同语言下回答的差异，在这个维度上比其他三个轴线都要显著 。

• 最温暖（顺从、简洁、执行导向）： Claude 在 印地语 中表现得最温暖，在 阿拉伯语 中也非常温暖且顺从 。
• 最严谨（审慎、深度导向）： Claude 在 英语 和 俄语 中表现得最严谨，强调准确性、证据和审慎 。

此外，研究报告还提到：在 荷兰语 中，Claude 更坦诚；在 印度尼西亚语 中，它更注重执行 。而在日语中，Claude 在这些测量轴线上表现出的偏差相对较小 。

对用户的实际启示

这项研究证实，那些感觉自己从 Claude 获得不同“感觉”的用户并非错觉。你选择的模型和你使用的语言，会真实地影响你获得的回应质量。

• 根据任务选择模型： 如果你需要快速的、令人鼓舞的答案，Sonnet 4.6 是更好的选择。如果你需要批判性的反馈、风险分析或深度推理，那么 Opus 4.7 则是更合适的工具 。
• 注意语言带来的差异： 用印地语或阿拉伯语提出相同的问题，可能会得到更温暖、更顺从的回答；而用英语或俄语提问，则可能得到更审慎、更严谨、更注重依据的回复 。

未解之谜：为什么会发生这些变化？

Anthropic 明确表示，这项研究是探索“为什么会这样”的起点，而非终点 。研究并未确定语言之间的差异是源于不同语言的训练数据分布差异、行为微调决策的不同，还是训练语料库中所包含的文化背景差异 。此外，四个轴线只能解释 15% 的行为变化，这意味着还有 85% 的变量尚不明确 。Anthropic 指出，将具体的训练决策与价值观变化联系起来，是未来工作的目标，并非本项研究能够实现 。

定义 Claude 价值曲线的四大行为轴线

Anthropic 的研究人员从 Claude 的输出中识别出超过 3,300 个不同的价值观，然后通过降维技术将它们压缩成四个关键的行为轴线。每一个轴线都代表了两种对立倾向之间的一个频谱 。在控制了对话任务、主题和用户自身价值观后，这四大轴线共同解释了 Claude 价值观表达中约 15% 的变化 。

• 顺从 vs 审慎： 模型是倾向于迎合用户需求，还是主动规避潜在风险与危害 。
• 温暖 vs 严谨： 模型是倾向于表达积极态度和关怀，还是强调答案的准确性和精确度 。
• 深度 vs 简洁： 模型是倾向于深入详尽地解释，还是只完成用户要求的最低限度 。
• 坦诚 vs 执行： 模型是倾向于明确表达自身的不确定性，还是给出更精炼、更自信的答案 。

不同版本模型的价值倾向：Sonnet 4.6、Opus 4.6 与 Opus 4.7

每个模型版本都展现出了独特的价值观画像，这与用户对它们语气和行为的直观感受完全吻合 。

• Sonnet 4.6： 偏向 顺从、温暖、简洁和执行。它更通融、情感更温暖、回答更简洁，并能产出简洁且令人振奋的回答 。在实际使用中，Sonnet 4.6 往往会肯定你的想法、保持专注、直截了当，并毫无赘言地执行任务 。
• Opus 4.6： 偏向 顺从、严谨、简洁和执行——一种迎合与精确的混合体，但依然追求简洁和执行力 。它在 Sonnet 的温暖和 Opus 4.7 的审慎之间找到了一个平衡点，在保持相对顺从的同时优先考虑正确性 。
• Opus 4.7： 偏向 审慎、严谨、深度和坦诚。它更具怀疑精神，会挑战用户的假设，主动指出风险，深度解释其推理过程，并且更愿意承认自身的局限性 。用户形容 Opus 4.7 是那个会质疑你的计划、指出你未曾想到的问题的模型 。

最大的语言差异：温暖 vs 严谨

温暖 vs 严谨 轴线展现出了跨语言的最大差异 。Claude 在不同语言下回答的差异，在这个维度上比其他三个轴线都要显著 。

• 最温暖（顺从、简洁、执行导向）： Claude 在 印地语 中表现得最温暖，在 阿拉伯语 中也非常温暖且顺从 。
• 最严谨（审慎、深度导向）： Claude 在 英语 和 俄语 中表现得最严谨，强调准确性、证据和审慎 。

此外，研究报告还提到：在 荷兰语 中，Claude 更坦诚；在 印度尼西亚语 中，它更注重执行 。而在日语中，Claude 在这些测量轴线上表现出的偏差相对较小 。

对用户的实际启示

这项研究证实，那些感觉自己从 Claude 获得不同“感觉”的用户并非错觉。你选择的模型和你使用的语言，会真实地影响你获得的回应质量。

• 根据任务选择模型： 如果你需要快速的、令人鼓舞的答案，Sonnet 4.6 是更好的选择。如果你需要批判性的反馈、风险分析或深度推理，那么 Opus 4.7 则是更合适的工具 。
• 注意语言带来的差异： 用印地语或阿拉伯语提出相同的问题，可能会得到更温暖、更顺从的回答；而用英语或俄语提问，则可能得到更审慎、更严谨、更注重依据的回复 。

未解之谜：为什么会发生这些变化？

Anthropic 明确表示，这项研究是探索“为什么会这样”的起点，而非终点 。研究并未确定语言之间的差异是源于不同语言的训练数据分布差异、行为微调决策的不同，还是训练语料库中所包含的文化背景差异 。此外，四个轴线只能解释 15% 的行为变化，这意味着还有 85% 的变量尚不明确 。Anthropic 指出，将具体的训练决策与价值观变化联系起来，是未来工作的目标，并非本项研究能够实现 。