Anthropic: поведение Claude меняется в зависимости от модели и языка

Что произошло

Anthropic выпустила отчет, в котором исследователи изучили 309 815 анонимизированных диалогов пользователей с Claude по субъективным задачам — например, с просьбами дать совет или обратную связь.

Компания заявила, что более 3 300 выявленных «ценностей» были сгруппированы в четыре поведенческих измерения: уступчивость против осторожности, теплота против строгости, глубина против краткости, а также откровенность против ориентации на выполнение.

Как различались модели Claude

По оценке Anthropic, каждая модель Claude показала собственный поведенческий профиль. Sonnet 4.6 чаще делал акцент на теплоте, уступчивости и краткости, поддерживая пользователей с юмором или ободрением.

Opus 4.7, напротив, чаще подчеркивал строгость, осторожность, откровенность и глубину: оспаривал предположения, объяснял ход рассуждений, указывал на риски и признавал ограничения. Opus 4.6 в целом был более кратким и ориентированным на выполнение, при этом уделял больше внимания строгости, чем Sonnet.

Языковые различия

Исследователи также обнаружили различия между языками. Ответы на Arabic чаще были более уступчивыми, а ответы на English — более осторожными. Claude был наиболее теплым в Hindi и Arabic, используя более вежливый, игривый и ободряющий язык.

Ответы на English и Russian чаще были более строгими: модель оспаривала предположения, исправляла детали и просила доказательства. Ответы на English также чаще содержали более подробные объяснения, тогда как ответы на Arabic обычно были более краткими.

Ответы на Dutch оказались наиболее откровенными: Claude охотнее признавал неопределенность и ошибки. В Indonesian ответы сильнее фокусировались на выполнении запроса пользователя.

Почему это важно

Anthropic уточнила, что исследование не означает, будто у Claude есть собственные ценности. Компания также заявила, что пока не знает, чем вызваны такие различия и являются ли они желательными.

При этом Anthropic считает, что предложенная схема может помочь оценивать будущие модели и выявлять непреднамеренные изменения в поведении.

Контекст

Это исследование продолжает серию работ Anthropic о внутреннем поведении Claude. Ранее компания сообщала о ранних признаках того, что она назвала «функциональной интроспективной осведомленностью», а также публиковала работу о внутренних «векторах эмоций», влияющих на поведение Claude, подчеркивая, что они не являются доказательством эмоций или сознания.