‏ارزش‌های Claude چطور بین مدل‌ها و زبان‌ها فرق می‌کنه

به گفتهٔ Anthropic، وقتی کسی از Claude سؤالی می‌پرسه که جواب جهانی و درستِ واحدی نداره — مثل اینکه یه شغل جدیدو قبول کنه یا نه، یا یه دعوا با دوستشو چطور مدیریت کنه — پاسخ Claude ناگزیر یه‌سری ارزشو منعکس می‌کنه. این ارزش‌ها تو «قانون اساسی» Claude به‌شکل کلی اومدن، ولی هیچ سندی نمی‌تونه همهٔ ارزش‌هایی که تو میلیون‌ها گفتگوی روزانه ظاهر می‌شن رو پیش‌بینی کنه؛ برای همین سراغ اندازه‌گیری تجربی رفتن.

نویسنده‌ها می‌گن تو کار قبلی‌شون به اسم Values in the Wild بیش از ۳ هزار ارزش مجزا رو تو پاسخ‌های Claude شناسایی کرده بودن، ولی مقایسهٔ این حجم ارزش یکی‌یکی عملاً غیرممکنه. این بار اون‌ها رو به چند «محور ارزشی» فشرده کردن — هر محور یه خطه بین دو گروه ارزش و جای Claude روی اون خط نشون می‌ده به کدوم سمت متمایله. برای این کار با ابزار تحلیل حریم‌خصوصی‌شون حدود ۳۱۰ هزار گفتگو رو نمونه‌گیری کردن.

در نهایت چهار محور اصلی به دست اومد: تسلیم در برابر احتیاط (همراهی با خواستهٔ کاربر یا مراقبت از ریسک و آسیب)، گرمی در برابر دقت (مثبت‌نگری و توجه به فرد یا تأکید بر دقت و صحت)، عمق در برابر اختصار، و صراحت در برابر اجرا (پیش‌کشیدن عدم‌قطعیت خودش یا دادن یه جواب پرداخته‌تر و مطمئن‌تر). این چهار محور روی‌هم حدود ۱۵٪ از تغییرات ارزش‌ها رو توضیح می‌دن.

نکتهٔ جالب اینه که پروفایل ارزشی هر مدل با تصویری که آدم‌ها ازش دارن می‌خونه. Sonnet 4.6 که به گرم‌بودن معروفه، بیشتر به سمت تسلیم به کاربر و گرمی متمایله و زیاد با شوخی و دلگرمی جواب می‌ده. Opus 4.7 که به دقت شناخته می‌شه، بیشتر سمت دقت و صحت می‌ره، فرض‌های کاربرو به چالش می‌کشه و بی‌پرده کارشو نقد می‌کنه؛ همین‌طور سمت عمق و صراحت (روراست‌بودن دربارهٔ محدودیت‌هاش) متمایله.

به گفتهٔ نویسنده‌ها زبان هم روی ارزش‌ها اثر می‌ذاره. وقتی Claude انگلیسی حرف می‌زنه، ارزش‌های متفاوتی نسبت به پرتغالی، اندونزیایی یا چینی برجسته می‌کنه. بزرگ‌ترین تفاوت روی محور گرمی-دقته: Claude بیشترین گرمی رو تو عربی و هندی و بیشترین دقتو تو انگلیسی و روسی نشون می‌ده. تأکید می‌کنن این تفاوت‌ها چیزی نبوده که عمداً انتخاب کرده باشن.

Anthropic می‌گه ارزش این روش اینه که تا حالا این ارزش‌ها چیزی بودن که می‌شد تو آموزش شکل‌شون داد ولی موقع استفادهٔ واقعی به‌سختی رصدشون کرد. حالا با این ابزار می‌شه قبل و بعد از عرضهٔ یه مدل یه «پروفایل ارزشی» گرفت تا تغییرات غیرمنتظره رو تشخیص داد، و بررسی کرد که آیا این تفاوت‌ها به نفع کاربرهاست یا نه.

نکات کلیدی:

• Anthropic بررسی کرده ارزش‌های Claude بین مدل‌ها و زبان‌های مختلف چطور فرق می‌کنن
• بیش از ۳ هزار ارزش به چهار محور اصلی مثل «گرمی در برابر دقت» فشرده شده
• پروفایل هر مدل با برداشت ذهنی ازش می‌خونه: Sonnet گرم‌تر، Opus دقیق‌تر
• Claude تو عربی و هندی گرم‌تر و تو انگلیسی و روسی دقیق‌تر رفتار می‌کنه
• این روش می‌تونه بخشی از ارزیابی و پایش مدل‌ها قبل و بعد از عرضه بشه