Claude、言語でトーン異なる

Anthropicは、2026年5月の2週間の期間に収集された30万9815件の匿名化された会話に基づいて、Claudeの表現された価値観がモデルバージョンと言語間でいかに変わるかを検証する新しい研究を発表した。会話はClaudeがトレードオフを比較衡量したり主観的判断を下す必要があった事例から抽出され、サンプルはSonnet 4.6、Opus 4.6、Opus 4.7の3つのClaudeモデル、および Claude.aiで最も使用されている20言語全体に均等に分布していた。

研究はAnthropicの先行研究「Values in the Wild」に基づいており、この研究は3307個の個別価値用語を特定している。チームはこれらを339個のより高レベルの価値にグループ化し、統計的次元削減を適用して、それらの価値が会話全体でどのように共起するかのパターンを特定した。この分析は4つの中核軸をもたらした：「配慮と慎重さ」「温和さと厳密さ」「深さと簡潔さ」「率直さと実行性」である。測定された違いが会話のトピックやユーザーが提供した価値観の変動ではなく本物のモデル動作を反映していることを確保するため、Anthropicはタスクタイプ、主題、ユーザー値に対して統計的に制御した。4つの次元は、これらの制御後の残存変動の約15%を説明する。

モデルは明確な動作プロフィールを示した。Sonnet 4.6はユーザーの考えを肯定する傾向があり、ユーモアに傾き、判断なしで安心を提供する。対照的に、Opus 4.7は求められていないリスク警告、仮定への疑問、率直な批判、および自身の誤りや限界の指摘を行う。Opus 4.6はより直接的に答え、タスクに近い状態を維持し、余分な精密化を避ける。Anthropicによると、これらのプロフィールは主観的なユーザーの印象と一致している。ユーザーはSonnet 4.6を特に温和と見なす一方、Opus 4.7からのより頻繁にヘッジングと慎重な言葉使いに気づく。

言語差異は同様に顕著であることが判明した。「温和さ対厳密さ」と「率直さ対実行性」は言語全体で最も広い変動を示した。Claudeはヒンディー語で最も温和な表現を示し、次にアラビア語が続く。両言語とも丁寧な表現、ユーモア、遊び心、および肯定が特徴である。英語とロシア語では、Claudeはより厳密に応答し、仮定に疑問を呈し、詳細を修正し、証拠を求める。アラビア語の回答は全体的に最も配慮を示し、英語の回答は最も慎重さを示す。オランダ語での回答は特に率直で開放的な傾向があり、インドネシア語での回答はより多く行動と結果に傾く。Anthropicは、同じビジネスプランをClaudeに評価するよう求める2人の人がいる場合を指摘している。1人はヒンディー語で、もう1人はロシア語で尋ねると、非常に異なる感じのフィードバックを受け取る可能性がある。チームは学習データの不均衡な量、データ構成の違い、特定のテキストタイプの過剰代表、言語固有の会話規範を考えられる原因として指摘している。

Anthropicの分析は、実世界の使用中に言語モデルの行動差異を検証するための体系的な方法を呈示しているが、方法には制限がある。すべての4つの軸が真の対立を形成するわけではなく、より多くの配慮は慎重さの低下で発生する傾向があり、より多くの温和さは厳密さの低下で発生するが、「深さと簡潔さ」および「率直さと実行性」は同じ会話で一緒に現れることができる。さらに、研究されているClaudeの動作を分析した同じファミリーのモデルであるClaudeのSonnet 4.6がラベル付けを実施したため、Claude Sonnet 4.6そのものが研究対象の価値観ラベルを割り当てた。Anthropicは人的レビューにより方法を検証し、8言語に翻訳された800件の会話をテストしたが、言語依存のバイアスの残存を排除していない。同社は明確にClaudeを主体として価値観を帰属させていないと述べているが、むしろ回答の規範的なパターンを記述しているのみである。結果はAnthropicが既に記述したモデルプロフィール定義と大方一致しており、これは独立した検証ではないことを意味する。言語差異が異なる言語社会への望ましい適応を表すのか、意図しない学習効果を表すのかは、引き続き開かれた問題である。

Anthropicの研究は、3307個の価値用語を特定した先行研究（Values in the Wild）に基づいている。同社はこれを339個のより高レベルの価値にグループ化し、統計的次元削減を適用して4つの中核軸を分離した。タスクタイプ、主題、ユーザーが導入した価値観を統計的に制御することで、Anthropicはモデルの動作を混乱要因から分離しようとした。これは方法論的に妥当な動きであり、本物の体系的な違いを分離しているが、4つの軸は残存変動の約15%しか説明しないため、Claudeの動作が他の多くの隠れた次元によって形作られているか、現在のフレーミングが回答差異を駆動する要因の一部しか捉えていないかのいずれかを示唆している。

言語の知見は具体的な実用的問題を指摘している。学習データのアンバランスと構成の違いがClaudeの言語間での動作を駆動しているようである。Anthropicは学習データの不均衡、データ構成の違い、特定のテキストタイプの過剰代表、言語固有の会話規範をあげており、これらはすべてモデルがどのように構築されたかに遡及可能であり、意図的な価値観の調整ではない。これは、これらの違いが望ましいもの（モデルが異なる言語社会に適切に適応している）なのか問題のあるもの（ユーザーを誤解させる可能性のある意図しない学習成果物）なのかについての疑問を提起している。

重要な制限は、すべての回答を分類するために使用された価値観ラベルがClaudeのSonnet 4.6そのものによって割り当てられたという点である。つまり、研究されている同じファミリーのモデルが分析を実施した。Anthropicは人的レビューにより方法を検証し、8言語に翻訳された800件の会話をテストしたが、このセルフ測定アプローチは完全な独立性を欠いている。結果はAnthropicが既に公開しているモデルプロフィール定義と密接に一致しており、これは独立した検証ではない。ユーザーにとって実際の効果は明かな主体性と区別がつかない一方で、同社は値をClaudeエージェントとして帰属させていないと明確に述べており、むしろ規範的なパターンを記述しているだけである。言語差異が異なる言語社会への望ましい適応を表すのか、意図しない学習効果かは依然として開かれた問題である。

まだコメントがありません。最初のコメントを投稿しましょう！