Claudeの価値観をモデル間・言語間で測る — Anthropicが示した4軸の見取り図

Anthropicは2026年7月13日、Claudeが日々の会話で表出する価値観をモデル間・言語間で比較した研究「Claude's values across models and languages」を公開しました。Claude.aiで交わされた約31万件の会話を素材に、3,000以上あった価値観ラベルを4本の軸に圧縮し、Sonnet 4.6・Opus 4.6・Opus 4.7の性格差と、上位20言語間の応答傾向差を数値で描いています。

本稿は、この研究の骨子を、読者が「モデル選定や多言語運用でどこまで参照できる話なのか」を判断できるように読み解いたものです。同社が2025年に公開した先行研究「Values in the Wild」の続編にあたり、アラインメント訓練を「理由」で行う方針を扱ったTeaching Claude whyの読み解き、内部作業スペースを可視化したGlobal Workspaceの研究、憲法ベースの入出力検査を扱うConstitutional Classifiersの読み解きと並べて読むと、Anthropicが「何を教えるか」から「何が実際に表出しているか」へ観測点を広げてきた流れが見えてきます。

要点 — この研究が示していること

Anthropicが今回の論文で提示した主要メッセージは、次の5点に集約できます。

1. Claudeの表出価値観は「4軸」に圧縮できる — 3,307個の細粒度な価値観を339個の高レベル価値観にまとめ、そこから次元圧縮で4軸を取り出しました。この4軸で、会話ごとの価値観のばらつきの約15%を説明します。
2. Sonnet 4.6は温かく譲歩的、Opus 4.7は厳密で慎重 — モデル間の傾向差は、社内外の主観評価(「Sonnet 4.6は温かい」「Opus 4.7は厳密」)と概ね一致しました。
3. 同じ質問でも、言語が変わると答えの価値観が変わる — Warmth vs. Rigor軸の差が最大で、アラビア語・ヒンディー語で温かさに寄り、英語・ロシア語で厳密さに寄ります。
4. 手法は「Values in the Wild」を発展させたもの — 個々の価値観を延々並べる代わりに、共起パターンから軸を抽出することで、モデル選定やモニタリングに使えるスカラー指標を作りました。
5. 差の原因や妥当性はまだ未検証 — 訓練データの偏りが原因なのか、言語ごとの会話規範を反映した「望ましい変化」なのかは今後の課題として明示されています。

全体としては、「Claudeの人格差や言語差を、印象論ではなく再現可能なスカラーで扱えるようになった」という測定インフラの整備が今回の中心成果です。

背景 — なぜ「価値観の軸」が必要になったのか

Anthropicは2025年の「Values in the Wild」で、匿名化した70万件のClaude.ai会話を分析し、Claudeが応答に反映する価値観として3,000を超える語彙を抽出しました。「helpfulness」「honesty」「clarity」といった大枠から、より細かい応答スタンスまでを幅広く扱っています。

ただし、この一覧は数が多すぎて、モデル間・言語間で比較するには扱いにくいという問題がありました。3,000項目それぞれを「Sonnet 4.6のほうが多いか」「英語より日本語で多いか」と一つずつ突き合わせても、傾向を要約できないためです。

今回の研究では、共起する価値観をまとめて次元圧縮するアプローチで、この扱いにくさを解いています。「思いやり」「肯定的な言い換え」「励まし」がまとまって出る会話と、「正確性」「透明性」「批判的な検討」がまとまって出る会話は、たいてい相反する傾向として観測されるため、その2群を1本の軸(Warmth vs. Rigor)に還元できる、という発想です。

このやり方の効用は、モデル比較や言語比較を数個のスカラーに落とし込めることに尽きます。会話ごとの位置が数直線上のどこにあるかを平均すれば、モデル×言語ごとに1つの座標を割り当てられます。

手法 — 30万件の会話をどう4軸まで縮めたか

Anthropicが取ったパイプラインは、大きく4ステップに整理できます。

1. 語彙の再編成:Values in the Wildで得た3,307個の細粒度価値観を、意味が近いものを手動でまとめて339個の高レベル価値観にしました。
2. サンプリング:プライバシー保護分析ツール(Clio系のフレームワーク)を使い、主観的な問いを含む会話を対象にClaude.aiから会話をサンプリング。総数は309,815件で、Sonnet 4.6・Opus 4.6・Opus 4.7の3モデル×20言語の組合せに均等配分し、1組合せあたり約5,000件です。
3. ラベリング:各会話ごとに、339個の高レベル価値観を「表れているか/表れていないか」でラベル付けし、同時にユーザー側が示した価値観、会話のタスク、話題も抽出しました。
4. 次元圧縮と統制:タスク・話題・ユーザー側価値観で統制した上で次元圧縮をかけ、変動の大部分を説明する4本の軸を得ました。

サンプルは2026年5月のおよそ2週間の会話です。また、「helpfulness」「clarity」「follows instructions」のように80%以上の会話に出現する18個の準ユニバーサルな価値観は除外しています。これらは共起パターンの解析を支配してしまい、モデル間・言語間の差を打ち消すためです。

分析対象は「主観的なタスクを含む会話」に絞られている点にも注意が要ります。事実確認だけで済むような会話ではなく、助言・意思決定・感情のケアなど、応答スタイルに人格的な選択が入り込む場面が主戦場です。

4軸の意味 — Claudeが会話ごとに揺れる方向

抽出された4本の軸は次の対で表されます。

いずれも「良い/悪い」の対ではなく、同じ会話でどちらに寄せるかというトレードオフを表しています。Deference側に寄れば「ユーザーの計画を支持する」応答が増え、Caution側に寄れば「そのアプローチには次のリスクがあります」といった注意喚起が増える、というイメージです。

Anthropicは4軸を、339個の価値観のうち特に寄与の大きい少数の価値観が引っ張っていると説明しています。ほとんどの価値観は平均以下の寄与しか持たず、軸の色は「少数の代表的な価値観」で決まっている、というのが技術的な要点です。

モデル間の差 — Sonnet 4.6・Opus 4.6・Opus 4.7の性格分布

3モデルを4軸に載せた平均位置は、次のように整理できます。

差そのものは、会話ごとのばらつきに比べれば小さめです。ただし方向としてはっきりしており、統計的にも検出可能な水準だとAnthropicは述べています。

軸ごとの具体的な現れ方を、論文で挙げられている観察と合わせて要約すると次のようになります。

• Deference vs. Caution:Sonnet 4.6はユーザーの案や成果物を肯定する応答が最も多く、Opus 4.7は聞かれていなくてもリスクの注意喚起を挟む頻度が高い、という差が観測されました。
• Warmth vs. Rigor:Sonnet 4.6はユーモアや遊び心を交えた励ましが目立ち、Opus 4.7はユーザーの前提を検討し、成果物に率直な指摘を返す傾向が強い、という対比です。
• Depth vs. Brevity:Opus 4.7は結論に至る筋道を可視化する応答を選びやすく、Opus 4.6は「聞かれたことに一直線で答える」応答が最も目立ちます。
• Candor vs. Execution:Opus 4.7は自分の限界や不確実性を先出しし、Opus 4.6は依頼スコープの中に収めた仕上げを優先する、という差が観測されました。

これらの数値は、Anthropic社内・社外いずれの主観的評価とも整合します。Claude.aiユーザーからは「Opus 4.7は他モデルより慎重に留保をつける」という声があり、社内では「Opus 4.7は透明性・誠実さ・謙抑がやや強く、Opus 4.6は簡潔さが強い」と語られてきました。Sonnet 4.6のローンチ発表でも「温かく、誠実で、pro-social」と紹介されています。

この一致は測定手法の妥当性を裏づけます。印象論として語られていた性格差が、事後的にスカラーで再現できたということは、この軸が「本当にモデル間で差がある側面」を追えている可能性を示唆します。

言語間の差 — 同じClaudeでも英語とアラビア語で応答色が変わる

Claudeは学習データや会話規範の違いから、言語ごとに応答の色合いが変わりうる、というのはAnthropicが以前から観測してきた事実です。同社のClaude Opus 4.7 System Cardでも、benign requestに対する拒否率が言語で異なることが報告されています(system cardのpage 56参照)。

今回、20言語をこの4軸に載せた結果、次の傾向が示されました。

軸のなかで最も言語間差が大きかったのはWarmth vs. Rigorです。同じClaudeでも、アラビア語では譲歩・簡潔・温かさに寄り、英語では慎重・深掘り・厳密さに寄る、という方向が観測されました。

これらの差が起きる理由として、Anthropicは仮説を2つ挙げています。1つは訓練データの分布差で、言語ごとにデータ量そのものが異なり、また職業的な文章の比率など構成にも偏りがあります。もう1つは言語ごとの会話規範の差で、Claudeが規範に沿った応答を選んだ結果として表出が変わっているケースです。

同社は、この差が「望ましい多様性」なのか「意図しない品質差」なのかを、この段階では判定できないと明言しています。「言語コミュニティによってClaudeの体験が実際に違っている」という事実は動きませんが、それを一律に是正すべきかどうかは価値判断を伴う、という留保です。

手法上の限界 — Anthropic自身が付けた但し書き

論文の主張の強さは、4軸で説明できる分散の割合に現れています。タスク・話題・ユーザー価値観で統制したあとの4軸は、変動の約15%しか説明できません。裏返すと、Claudeの応答の価値観差の大半はこの4軸の外にあり、細粒度の339語彙側に散っている、ということでもあります。

もう1つの但し書きは、次元圧縮の恣意性です。共起パターンから軸を取り出す方法は、扱いやすさと引き換えに、どの軸を残しどれを丸めるかに一定の解釈が入り込みます。Anthropicは付録で手法・プロンプト・追加分析・limitationsを開示しており、軸の解釈は文脈込みで慎重に扱う必要があります。

さらに、Claudeがラベル付けを担っている点も自己言及的な弱点として残ります。表出価値観のラベルはClaudeベースのプライバシー保護分析ツールが与えており、モデル自身のバイアスがラベル分布に染み込む余地があります。この点は「アラインメント研究者にとっては測定インフラ、外部監査には第三者ツールが要る」という位置づけと読めます。

使いどころ — この研究がモデル選定や運用に効く場面

軸ごとの傾向が数値化されると、モデル選定は「印象」ではなく「軸のどちら側が欲しいか」で議論できます。編集視点で整理すると、次のような読み替えが可能そうです。

これは「そのモデルにしろ」と断定する話ではありません。3モデルはいずれもClaudeの憲法に沿った応答をベースにしており、差は数直線上の位置に現れる程度の話です。ただし、ユーザー体験のトーンをコントロールしたいときの参照系として、この4軸は使い勝手が良さそうです。

言語別の差は、多言語プロダクトで顕在化しやすい観点でしょう。同じ機能でも、英語UIでは丁寧に留保を返すClaudeが、アラビア語UIでは踏み込んで肯定してくる、という体験差が起こりうる、ということを設計判断に織り込めるようになります。

「憲法」から「観測」へ — Anthropicの安全性スタックのなかで何を意味するか

Anthropicの安全性の取り組みは、これまで「訓練で憲法を教える」側に軸足がありました。Constitutional Classifiersは入出力を憲法ベースで検査する外側の防御、Teaching Claude whyは行動より理由を教える内側の訓練、というふうに、「Claudeにどうあってほしいか」を注入する方向のプロジェクトが並んできました。

今回の「Claude's values across models and languages」は、その延長線上に観測側の道具立てを置いたと読めそうです。訓練でどんなにClaudeの人格を整えても、実際にデプロイされた会話でどんな価値観が表出するかは、モデルバージョンや言語で変わりうる、という事実に対して、追跡可能なスカラーを与えるパートです。

論文の「Looking forward」節では、次の課題が提示されています。

• 差の由来を追う:pretraining/fine-tuningのどの段階、どのデータが個々の軸差を生んでいるかをトレースし、必要なら訓練データや訓練プロセスに介入する。
• ユーザーへの影響を測る:Anthropic Interviewerのようなツールで、ウェルビーイングやClaudeへの信頼、判断の質と、軸上の位置を相関で結ぶ。
• 言語ごとの「望ましい価値観分布」を決める:Claudeの憲法は各言語での分布を規定しておらず、この点は言語コミュニティの意向を反映して合意形成が要る。
• モデル・言語以外のドライバーを探す:年代・職業・地域といったデモグラフィックが表出価値観にどう効くかを、同じ軸で見る。
• 狙って動かせるか:キャラクター訓練の変更やシステムプロンプトの改修で、軸上の位置を意図通り動かせるかを検証する。
• リリース前後のバリューモニタリングを標準工程に入れる:リリース前後で軸の位置が想定外にずれていないかを機械的にチェックする。

これらは1本の記事にまとめ切れる粒度ではありませんが、方向としては「訓練→観測→検証→介入」のループを、価値観の解像度で回そうとしている、と読めます。

現時点で言えること・言えないこと

論文が現時点で言えているのは、次のところまでです。

• Claudeの表出価値観は4軸に圧縮でき、その4軸で会話ごとのばらつきの約15%を説明できる。
• 3モデル(Sonnet 4.6・Opus 4.6・Opus 4.7)と20言語のあいだで、軸上の位置に有意な差が観測される。
• モデル差は社内外の主観評価と整合する方向に出ており、測定手法として妥当性がありそうに見える。

一方で、次の点はまだ言えないと明示されています。

• 差の原因は追えていません。訓練データの偏りか、会話規範の反映か、モデルの意図せぬ副作用か、いずれとも判定できない段階です。
• 差がユーザーにどんな影響を与えているかは、この論文では扱っていません。ウェルビーイングや信頼、判断の質との相関は、次のステップです。
• 軸ごとの位置が「望ましい」かどうかの判断基準は、まだ整備されていません。特に言語間の差については、価値判断を含むため、判定に時間がかかる論点です。

まとめ — 誰に何が関係するか

• アラインメント研究者・安全性チーム:モデルの人格差・言語差を1本のスカラーで扱えるようになりました。訓練の改修が意図通り軸を動かせているかの検証や、リリース前後のモニタリングに組み込みうる道具立てです。
• プロダクトのモデル選定担当:Sonnet 4.6・Opus 4.6・Opus 4.7の性格差が数値で示された点は、印象論に頼らずに用途別のモデル選定を議論する材料になります。多言語UIでは、同じモデルでも言語UIごとに表出色が違うことを設計に織り込む余地が出ました。
• 多言語プロダクトのUX担当:英語UIで慎重に留保を返すClaudeが、アラビア語UIでは肯定に寄る、といった応答色の差が測定されました。ユーザー調査で「言語による体験差」が出たときに、モデル側の要因かどうかを切り分ける参考系として使えます。
• AIガバナンス・研究に関心がある層:Anthropicが「訓練で価値観を教える」だけでなく「デプロイ後にどんな価値観が実際に出ているか」を継続観測する方向に足を踏み入れた、という位置づけの研究です。

Claudeを日々使う立場では、モデル差や言語差を「なんとなくの体感」で語らずに済むボキャブラリーが1つ増えた、と読めます。次に「Opus 4.7は慎重すぎる」と感じたときに、それがCaution軸とCandor軸の両方で最上位に寄っている設計上の傾向なのだ、と読み替えられるだけでも、モデルの使い分けが少し楽になりそうです。