你用英语问Claude一个没有标准答案的问题——比如该不该换工作——它会给你谨慎、深入、带点坦率的回答。换成阿拉伯语问同样的问题，它变得更温暖、更顺从、更简洁。
这不是翻译问题，是价值观漂移。
四条轴线量出AI的性格
Anthropic分析了70万条匿名Claude对话，从中识别出3000多种价值观，然后用降维技术把它们压缩成四条关键轴线：
顺从 vs. 谨慎：是迁就用户的想法，还是主动提醒风险。Sonnet 4.6最偏顺从，经常肯定用户的工作；Opus 4.7最偏谨慎，会主动发出未被要求的风险警告。
温暖 vs. 严谨：是表达关怀鼓励，还是强调准确精确。Sonnet 4.6用幽默和不加评判的方式安慰用户；Opus 4.7挑战假设、坦率批评。
深度 vs. 简洁：是展开解释推理过程，还是只做被要求的事。Opus 4.7展示结论背后的推理；Opus 4.6直奔主题。
坦诚 vs. 执行：是把不确定性摆上台面，还是给出精炼自信的回答。Opus 4.7承认自身局限；Opus 4.6待在用户请求的范围内。
这四条轴线捕捉了Claude价值观变化的15%。比例不大，但结构清晰且可检测。
语言不同，性格不同
跨语言差异比跨模型差异更值得关注。
温暖 vs. 严谨轴变化最大：Claude在印地语和阿拉伯语中最温暖（礼貌用语、幽默俏皮、肯定用户），在英语和俄语中最严谨（挑战假设、纠正细节、要求证据）。
这意味着什么？两个人拿同一份商业计划书找Claude要反馈，一个用印地语，一个用俄语，得到的评价可能截然不同。印地语版本可能更鼓励人，俄语版本可能更挑刺。
Anthropic不确定这种差异有多少是合意的。不同语言有不同的对话规范，Claude可能在适配文化习惯。但也可能某些语言的训练数据不够或构成偏差，导致Claude对某些语言社区的服务质量不如其他语言。
价值观从哪来，能不能改
价值观差异的来源大致有三：
训练数据分布不均。有些语言的数据远多于其他语言，价值观校准在数据充足的语言中更有效。数据构成也不同——某些语言在职业写作中占比过高，可能反映不同的价值观倾向。
性格训练决策。每个Claude模型有不同的微调策略，价值观轴线方法可以量化这些差异，最终追溯到具体的训练选择。
文化背景。Claude可能基于不同语言的对话规范调整自己的价值观表达。
Anthropic计划用价值观画像做发布前后的模型监控——标记意外的价值观变化，识别价值观和问题行为之间的相关性。
源势AI观点
价值观漂移是大模型出海必须面对的工程问题，不是学术话题。
如果你的产品用同一个模型服务全球用户，那它在中文里表现出的谨慎和在西班牙语里表现出的热情，可能就是两个不同的产品体验。用户不会意识到这是"价值观轴线偏移"，他们只会觉得"这个AI对我不太对"。
解决办法不是追求"所有语言完全一致"——那会丢掉文化适配的价值。而是建立价值观监控管线：在每次模型更新后，用标准化的多语言测试集跑一遍价值观画像，检查各语言间的偏移是否在可接受范围内。Anthropic的四轴线方法提供了一个可操作的框架，企业可以直接复用。
对中文用户来说，一个具体的启示：如果你的AI应用面向多语言用户，别假设"换个语言接口就行"。你需要为每种语言单独测试AI的行为特征，尤其是涉及主观判断的场景（推荐、建议、评价）。
---
来源：
1. Anthropic Research《Claude's Values Across Models and Languages》(2026-07-13)
2. Anthropic《Values in the Wild》：70万条对话中识别3000+价值观
3. Claude.ai前20种语言的价值观画像分析
