Anthropic заявила, что Claude демонстрирует разные ценностные установки в зависимости от выбранной модели и языка общения. К такому выводу компания пришла после анализа 309 815 анонимизированных диалогов на 20 языках.
Ключевые выводы:
- Anthropic изучила 309 815 анонимных диалогов в Claude.ai по субъективным заданиям, охватив три модели и 20 самых популярных языков платформы.
- Четыре оси — почтительность против осторожности, теплота против строгости, глубина против краткости и откровенность против ориентированности на результат — объясняют 15% вариации.
- Компания признаёт, что пока не понимает, какая часть этой вариативности действительно желательна.
Исследование Anthropic: как устроены «ценностные оси» Claude
В понедельник компания опубликовала результаты исследования, основанного на диалогах в Claude.ai, собранных за две недели в мае 2026 года. Исходной базой стали 3 307 ценностей, выделенных в предыдущей работе; затем их вручную сгруппировали в 339 укрупнённых категорий. Специальный инструмент с защитой приватности разметил каждую беседу, после чего статистическая компрессия свела эти метки к четырём основным осям.
Выборка была сбалансирована по трём моделям — Sonnet 4.6, Opus 4.6 и Opus 4.7 — и 20 наиболее часто используемым языкам платформы. В среднем по каждой паре «модель–язык» насчитывалось около 5 000 диалогов, преимущественно по субъективным запросам, а не по простым фактическим вопросам.
Читать также: Ставки на Dodgers достигли $68 млн: Polymarket и Kalshi делают ставку на борьбу за плей-офф MLB
Как меняются ценности Claude в зависимости от языка
Четыре оси противопоставляют почтительность осторожности, теплоту — строгости, глубину — краткости, а откровенность — фокусу на исполнении. Вместе они объясняют 15% различий в декларируемых моделью ценностях при условии, что тип задания, тема и собственные установки пользователя зафиксированы. В арабском языке Claude чаще склоняется к почтительности и краткости, тогда как в английском — к осторожности и более развёрнутым ответам.
Наиболее «тёплыми» оказались ответы на хинди, наиболее «строгими» — на русском, а на голландском Claude чаще всего прямо признаёт ошибки.
Авторы отмечают, что пока не понимают, насколько такая вариативность желательна. В числе вероятных причин они называют неравномерность тренировочных данных: объём и структура корпусов на разных языках существенно различаются. В результате два предпринимателя, получающие обратную связь по одному и тому же бизнес-плану — один на хинди, другой на русском, — могут сформировать разные представления о его качестве, предупреждают исследователи.
Вопросы к срокам и актуальности исследования Anthropic
В статье нет конкретных кейсов, где Claude по-разному рассуждает о моральной дилемме на двух языках, и критики уже обратили внимание на этот пробел, в частности в публикации. Комментаторы также отмечают, что все три модели, участвовавшие в исследовании, сейчас считаются устаревшими: после сбора данных компания уже вывела на рынок Opus 4.8, Fable 5 и Sonnet 5.
Работа продолжает многолетнюю линию внутренних исследований Anthropic своих систем.
Предыдущее крупное исследование Values in the Wild проанализировало 700 000 анонимизированных диалогов и выявило более 3 000 различных ценностных паттернов в ответах Claude. Компания также сообщала о внутренних «эмоциональных векторах» и ранних признаках интроспективной осознанности — при этом каждый раз подчёркивая, что результаты не свидетельствуют о наличии у Claude собственных ценностей или сознания.
Читайте далее: Ethereum обгоняет Bitcoin, проверяя бычий сценарий Тома Ли на 2026 год