Claude 的价值观，不是一个开关
第一性原理 佛学觉照

Claude 的价值观，不是一个开关

| 阅读 9 分钟

Claude 的“价值观”不该被理解成一个开关。

它更像一组上线后的行为倾向：在没有唯一正确答案的问题里，模型会怎样取舍，怎样表达谨慎，怎样保持温度，怎样决定是深入解释还是快速执行。

Anthropic 最新研究把这个问题从主观感受拉回到可测量的层面。他们分析了 309,815 条真实 Claude.ai 对话，覆盖 Sonnet 4.6、Opus 4.6、Opus 4.7，以及 Claude.ai 上最常用的 20 种语言。研究不是在说 Claude 内心真的拥有价值观，而是在观察 Claude 的回答中反复出现的 normative tendencies。

这个边界很重要。

如果把它写成“Claude 有人格”，就是过度拟人化。如果把它写成“不同语言的人价值观不同”，又会滑向粗糙的文化标签。真正值得看的，是 Anthropic 把这些输出倾向压缩成了四条可解释的轴。

四条轴，而不是一个人格

这四条轴分别是：

  • Deference vs. Caution：更顺从用户，还是更谨慎地设边界。
  • Warmth vs. Rigor：更温和支持，还是更严格分析。
  • Depth vs. Brevity：更深入展开，还是更简洁完成。
  • Candor vs. Execution：更直接指出问题，还是更专注把事情做完。

这些轴解释的是控制任务、主题和用户表达之后仍然存在的一部分差异。它不是在说四条轴解释了 Claude 的全部行为，更不是在给模型做道德排名。

但“可被稳定观察到”已经足够重要。

因为用户平时感到“这个模型更谨慎”“那个模型更温暖”“这个版本更会执行”，往往不是幻觉。它可能来自稳定的行为分布。

研究里，这些倾向不是互斥标签，而是会重叠的行为偏移：Sonnet 4.6 更偏温暖、顺从和简洁；Opus 4.6 同时偏严格、顺从、简洁和执行；Opus 4.7 更偏谨慎、深入、严格和坦率。换句话说，同一个 Claude 品牌下，不同模型可能给用户带来不同的行为质感。

这对产品不是小事。

当模型被用在写作、咨询、教育、医疗、法律、代码审查或组织决策里，“更温暖”和“更坦率”不是单纯的语气问题。它会影响用户是否过度信任、是否收到必要提醒、是否理解风险，以及系统是否在关键时刻给出拒绝。

多语言 Claude 不是简单翻译

更敏感的是语言差异。

研究发现，Warmth vs. Rigor 和 Candor vs. Execution 在不同语言之间变化更明显。Anthropic 给出的例子里，Hindi 和 Arabic 的回答更偏温暖，English 和 Russian 更偏严格；English 更偏谨慎和深入，Arabic 更偏顺从和简洁；Dutch 更偏坦率，Indonesian 更偏执行。

这些发现最容易被误读。

它们不应该被解释成某种语言社区“本来就怎样”。模型的输出不是文化本体。它受到训练数据、用户任务分布、语言资源质量、标注流程、产品反馈和安全策略共同影响。

真正的问题是：多语言模型是否给不同语言用户提供了同等质量的服务。

如果某种语言里 Claude 更简短，用户得到的是高效回答，还是缺少必要解释？如果某种语言里 Claude 更顺从，用户得到的是尊重语境，还是缺少风险提醒？如果某种语言里 Claude 更严格，用户得到的是高质量分析，还是过度冷硬的交互体验？

这些问题不能靠平均分解决。

它们需要语言社区参与，需要用户影响研究，需要外部复核，也需要发布后的监控。

价值轴真正指向的是可观测性

Anthropic 这篇研究最有价值的地方，不是给 Claude 画了一张性格图。

它更像是在给模型发布系统加一个仪表盘。

过去，模型上线前主要看能力、安全、拒答率、幻觉率、成本和延迟。以后还应该看：开放式对话里的价值表达是否漂移，某个模型版本是否突然更顺从或更冷硬，某些语言用户是否持续收到不同质量的回答。

这会影响三类系统。

第一是模型发布。新模型不只要通过能力测试，也要检查 value profile 是否发生异常偏移。

第二是多语言产品。翻译质量之外，还要看不同语言里的谨慎、解释深度、坦率程度和执行倾向是否形成不公平体验。

第三是模型路由。一个更坦率、更谨慎的模型，可能更适合高风险建议；一个更执行导向的模型，可能更适合明确边界内的操作任务。但这种路由必须透明、可解释，不能让用户在不知情时被不同价值风格影响。

可测量不等于已经被治理

这里也要保留批判距离。

Anthropic 的方法由 Anthropic 设计，标注和解释流程仍然需要独立审计。把 Claude 的回答压缩成 339 个 high-level values，再降维成四条轴，是一个很有用的研究框架，但它还不是公共治理本身。

更大的风险是：一旦“模型价值观”变成内部产品指标，公司可能用它来悄悄调节用户体验。

让模型更温暖，可能是改善体验；也可能是在降低用户警惕。

让模型更谨慎，可能是安全升级；也可能是不透明的过度拒答。

让模型更会执行，可能提高生产力；也可能让系统在不该继续时继续推进。

所以 value profile 不能只停在公司内部 dashboard。它需要和外部审计、公开说明、用户申诉、异常回滚连接起来。

尤其是多语言场景。如果某个模型版本在某些语言里出现异常漂移，发布系统应该能暂停、回滚、解释并修正，而不是让用户长期生活在一个他们无法看见的差异里。

近 30 天围绕 Anthropic 另一条 interpretability 研究线的讨论，也提醒我们保留这个边界。global workspace / J-space 讨论的是模型内部表征可观察性；本文讨论的是对话输出里的价值表达分布。前者不能拿来证明 Claude 有意识，后者也不能拿来证明 Claude 有内心。它们共同说明的是：模型行为越来越需要被观测，但观测结果必须被谨慎解释。

不是让 Claude 变成一种声音

这篇研究最后留下的问题，不是“怎样让 Claude 在所有语言里完全一样”。

完全一样也未必是公平。不同语言有不同表达习惯，不同场景也需要不同交互风格。一个教育场景可能需要更温暖，代码审查可能需要更坦率，高风险建议可能需要更谨慎。

真正的问题是：哪些差异是合理适配，哪些差异是训练数据、产品策略或安全机制造成的不平等。

这需要比“统一人格”更细的治理。

Claude 的价值观不是一个开关，也不是一个人格。

它是一组可以被观察、比较和纠偏的行为倾向。

当模型越来越多地进入跨语言、跨职业、跨制度的真实使用场景，最重要的不是让它显得更像人，而是让它的行为差异能被看见、能被解释、能被挑战，也能在出错时停下来。

参考来源

💬 评论