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が約31万件のClaude.ai会話を4軸に圧縮し、Sonnet 4.6・Opus 4.6・Opus 4.7の性格差と20言語の応答傾向差を可視化した研究を読み解きます。
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・言語間で比べた研究「Claude's values across models and languages」を公開しました。素材はClaude.aiの約31万件の会話で、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言語の応答傾向差を数値で描いています。
モデル選定や多言語運用の根拠にどこまで使えるのか。本稿は付録PDFの手法と限界まで踏まえ、その判断材料を示します。
同社が2025年に公開した先行研究「Values in the Wild」の続編にあたる研究です。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の研究と並べると、観測点が「何を教えるか」から「何が実際に表出しているか」へ広がってきた流れが見えます。
この研究の規模
分析した会話
309,815件
2026年5月の約2週間、Claude.aiの無料・Pro・Max
高レベル価値観
339個
ラベル付けと軸の算出に使う単位
4軸の説明力
約15%
タスク・話題・ユーザー価値観で統制した後の分散
1会話あたりの価値観
68個
Claude側。ユーザー側は43個
3,000個の価値観を、なぜ4本の軸にしたのか
Anthropicは2025年の「Values in the Wild」で、匿名化した70万件のClaude.ai会話から、Claudeが応答に反映する価値観を3,000以上抽出しました。ただ、一覧が長すぎて、「Sonnet 4.6のほうが多いか」「英語より日本語で多いか」を1項目ずつ突き合わせても傾向を語れません。
そこで今回は、共起する価値観をまとめて次元圧縮しました。「温かい」応答は「励まし」「前向きさ」と一緒に出やすく、「正確さ」「透明性」とは一緒に出にくい。この2群を結ぶ数直線が、Warmth vs. Rigor軸です。会話ごとの位置を平均すれば、モデル×言語ごとに1つの座標が得られます。
軸は「どちらかしか出せない」ことを意味しません。同じ会話で温かさと厳密さが両方出ることもあり、片方が増えるほどもう片方が減りやすい、という平均的な傾向を線にしたものです。
31万件の会話はどう4軸になったか
パイプラインは次の4段です。
会話から4軸が出るまで
- 1
価値観の統合
先行研究の3,307個を、テキスト埋め込みでクラスタリングしたうえで人手で確認し、339個の高レベル価値観にまとめます。
- 2
会話のサンプリング
主観的な判断を要する会話(全体の53.2%)だけを、3モデル×20言語の60組合せから抽出します。目標は1組合せ5,333件で、トラフィックが少ない一部の組合せは下回りました。
- 3
ラベル付け
プライバシー保護分析ツール(Clio系。Claudeを使用)が、各会話で339個の価値観を5段階の顕著さで採点します。3以上を「表出」とみなします。
- 4
統制と圧縮
各会話の価値観を比率にして平方根をとるHellinger変換を行い、線形回帰でタスク・話題・ユーザーの価値観の影響を取り除いて、残差にPCAをかけます。スクリープロットで4成分を残し、バリマックス回転で軸ごとの寄与を絞り込みます。
統制の効果は大きく、全変動の31.7%はタスク・話題・ユーザー側の価値観で説明されました。80%以上の会話に出る18個(helpfulness・clarity・following instructionsなど)は、解析を支配する一方で会話間の差の情報を持たないため除外しています。
分析対象は主観的な判断を要する会話に限られます。事実の検索や定型作業の会話は含まれません。
4軸は何と何の対か
| 軸 | 一方の極 | もう一方の極 |
|---|---|---|
| Deference vs. Caution | 一方の極要望への寄り添い・好みの尊重 | もう一方の極責任ある助言・危害の回避 |
| Warmth vs. Rigor | 一方の極肯定的な言い換え・励まし | もう一方の極正確性・透明性 |
| Depth vs. Brevity | 一方の極ニュアンス・批判的思考 | もう一方の極簡潔さ・指示への素直な遵守 |
| Candor vs. Execution | 一方の極誠実さ・不確実性の開示 | もう一方の極結果志向・最適化 |
見落としやすいのは、4本の軸が同じ性質ではない点です。付録によると、各極の上位5価値観の割合の相関は、Deference vs. CautionがSpearman r = −0.448、Warmth vs. Rigorが−0.465でした。この2軸は、同じ会話の中で実際にトレードオフになっています。
一方、Depth vs. Brevityは0.004、Candor vs. Executionは0.007でほぼ無相関です。後者2本は、会話を統計的に整理する便利な座標であって、本当の対義語とは限りません。Brevityが少ない会話がDepthに寄るとは言えない、ということです。Depth vs. Brevityは偏りの大きい軸でもあります。位置は、簡潔さ側の価値観より深さ側の価値観が出たかどうかで決まりやすい構造です。なお各軸と、会話ごとに検出された価値観の数との相関は、r=−0.29〜0.26の弱い水準でした。
別手法のロジスティック因子モデルによる確認では、Warmth vs. Rigor・Deference vs. Caution・Candor vs. Executionに近い軸が再現しました。Depth vs. Brevityに直接対応する軸は出ず、代わりに「excellence vs. restraint」が現れています。
Sonnet 4.6とOpus 4.7は何が違うか
3モデルの平均位置は次のとおりです(Depth vs. Brevityまで。Candor vs. Executionは下で触れます)。
| モデル | Deference⇔Caution | Warmth⇔Rigor | Depth⇔Brevity |
|---|---|---|---|
| Sonnet 4.6 | Deference⇔CautionDeference寄り | Warmth⇔RigorWarmth寄り | Depth⇔BrevityBrevity寄り |
| Opus 4.6 | Deference⇔CautionDeference寄り | Warmth⇔RigorRigor寄り | Depth⇔BrevityBrevity寄り |
| Opus 4.7 | Deference⇔CautionCaution寄り | Warmth⇔RigorRigor寄り | Depth⇔BrevityDepth寄り |
差は会話ごとのばらつきより小さく、それでも構造がはっきりして検出可能な水準だとされています。両端の2モデルで、具体的な振る舞いを見るとこうなります。
両端のモデルの振る舞い
Sonnet 4.6
ユーザーの案や成果物を肯定する応答が最も多く、ユーモアや遊び心、判断を挟まない慰めが目立ちます。
Opus 4.7
聞かれていないリスクを警告し、ユーザーの前提を疑い、成果物へ率直な批評を返します。結論に至る推論も見せがちです。
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では、Opus 4.7が自分の限界を先に伝えるのに対し、Opus 4.6は依頼の範囲にとどまって仕上げる側でした。
この結果は、外から見た印象とも合います。Claude.aiのユーザーからは「Opus 4.7は他モデルより留保が多い」という声があり、社内ではOpus 4.7が透明性・誠実さ・謙虚さを相対的に強く、Opus 4.6が簡潔さを強く出すと語られてきました。Sonnet 4.6は、ローンチ時に温かく誠実でprosocialな性格と紹介されています。
印象論として語られていた差が事後的にスカラーで再現できた。これは、4軸が実際の振る舞いの差を追えていることを示唆する根拠です。
言語で、同じClaudeの答えの色は変わるか
20言語を同じ4軸に載せると、言語による位置の差は次のように出ました。
| 軸 | 一方に最も寄る言語 | 反対側に最も寄る言語 |
|---|---|---|
| Warmth⇔Rigor | 一方に最も寄る言語Warmth: ヒンディー語 | 反対側に最も寄る言語Rigor: ロシア語 |
| Depth⇔Brevity | 一方に最も寄る言語Depth: 英語 | 反対側に最も寄る言語Brevity: アラビア語 |
| Deference⇔Caution | 一方に最も寄る言語Deference: アラビア語 | 反対側に最も寄る言語Caution: 英語 |
| Candor⇔Execution | 一方に最も寄る言語Candor: オランダ語 | 反対側に最も寄る言語Execution: インドネシア語 |
図4の最大値はヒンディー語(温かさ)とロシア語(厳密さ)ですが、本文は温かさをヒンディー語・アラビア語、厳密さを英語・ロシア語としてまとめています。言語間の差が大きいのはWarmth vs. RigorとCandor vs. Executionです。Deference vs. CautionとDepth vs. Brevityは、言語をまたいでも比較的安定していました。
具体的な現れ方も報告されています。温かさ側は丁寧な言い回し、ユーモア、案や成果物への肯定です。厳密さ側は前提への異議、細部の訂正、根拠の要求でした。オランダ語では自分の誤りを認める応答が目立ちます。
Anthropicが挙げる帰結の例は、ビジネスプランへのフィードバックです。ヒンディー語とロシア語で同じ計画を見せた2人が、枠組みの違いから、評価の印象を別々に持ち帰りうる。
差の由来について、同社は仮説を2つ置いています。1つは訓練データの分布差で、言語ごとの量の偏りに加え、職業的な文章の比率など構成も違います。もう1つは言語ごとの会話規範で、Claudeが規範に沿って応答を変えた可能性です。望ましい多様性なのか、意図に届いていない品質差なのかは、まだ判定されていません。
数字をどこまで信じてよいか
付録のlimitationsは多岐にわたります。読者が結果を使う前に押さえたいのは次の点です。
付録が挙げる、結果の読み方を変える限界
- ラベル付けがClaude製のため、言語依存のバイアスを含みうる。800件の会話を8言語(日本語を含む)に翻訳して調べたところ、339個中11個に偏りが出たが、最大の偏りでも言語間差の10分の1程度で、結論は変わらなかった
- 絵文字や親族を示す語がある応答に、温かさ系の価値観を多く付ける偏りがフィードバック共有データで見つかっている
- 測るのは価値観の有無であり、強さや頻度ではない
- 実際の利用を観察しているため、言語ごとの依頼の違いが言語の効果に混ざる。統制は線形・加法的で、タスクと言語の交互作用は残る
- 軸は相関であり、モデルや言語の因果効果ではなく、1会話の内部のパターンも表さない
もう1点、サンプル数にも差があります。Arabic×Opus 4.7が3,565件、Hindi×Opus 4.6が1,174件、Indonesian×Opus 4.7が1,537件と、目標の5,333件を大きく下回る組合せがあります。
統計面の堅牢性は高い、と報告されています。50回のブートストラップ再標本化で、各軸は元と同じ軸として再現しました(一致係数の5パーセンタイルが1.0)。1会話が1軸に与える寄与は最大でも0.033%にとどまります。つまり、ノイズや外れ値で出た軸ではなく、解釈の方に不確実性が残る構造です。
モデル選定や多言語運用に当てはめるなら
軸が数値になると、モデル選びを「どちら側の傾きが欲しいか」で話せます。次の読み替えは編集上の目安であり、論文が用途ごとの推奨を示しているわけではありません。
| 想定シーン | 効きそうな軸 | 候補になりやすいモデル |
|---|---|---|
| 相談・執筆補助で励ましが欲しい | 効きそうな軸Warmth・Deference寄り | 候補になりやすいモデルSonnet 4.6 |
| 監査・レビューでリスクを拾いたい | 効きそうな軸Caution・Candor寄り | 候補になりやすいモデルOpus 4.7 |
| 短い往復で素早く返してほしい | 効きそうな軸Brevity・Execution寄り | 候補になりやすいモデルOpus 4.6 |
差は、訓練上の判断などで生じた数直線上の位置の違いと考えられます。システムプロンプトなどで傾きを調整できるかは、今後検証される課題とされています。Feature Steeringで社会的偏見を抑える実験のような特徴量操作の研究とは、別の角度から同じ問いに近づいています。
多言語プロダクトでは、同じ質問でも言語ごとに応答の枠組みが変わりうる点が効きます。ユーザー調査で「言語による体験差」が出たとき、プロンプトや機能の差の前に、モデル側の表出差も切り分け候補に入ります。言語ごとの拒否率の違いは、Opus 4.7のシステムカード(56ページ)にも載っています。システムカードの数字が保証するものはClaudeシステムカードの読み方で扱っています。
憲法ベースの訓練に、観測側の道具が加わった
Constitutional Classifiersは入出力を憲法で検査する外側の防御、Teaching Claude whyは理由を教える内側の訓練でした。どちらも「Claudeにどうあってほしいか」を注入する側の仕事です。人格ドリフトを防ぐAssistant Axisは、一貫した人格を保つ方向から同じ問題に迫っています。
今回の研究は、デプロイ後に実際に出る価値観を数える側にあたります。同社は、価値観は訓練で形作れても、デプロイ後に確実に観測する手段がなかったと述べています。意図して選んだわけではない形で価値観が変わっている事実を、数字で見られるようになりました。
論文が挙げる次の課題は6つです。
- 差の由来:どのデータ・訓練段階が軸の差を生むかをたどる
- ユーザーへの影響:Anthropic Interviewerで、ウェルビーイングや信頼、判断の質と軸位置を結ぶ
- 言語ごとの望ましい分布:憲法は言語別の分布を規定しておらず、話者の意向を踏まえる必要がある
- ほかの要因:年代・職業・地域などの影響を同じ軸で見る
- 狙った調整:キャラクター訓練やシステムプロンプトの変更で軸が動くかを検証する
- 評価への組み込み:リリース前後の価値観プロファイルでずれを検知する
最後の項目は「評価工程に組み込める」という構想の段階です。
まとめ
4軸が与えるのは「このモデルは、どちら側に傾いた答えを返しやすいか」を言葉にする座標です。選定の理由には、自社のタスクで試した出力を重ねて読むための補助線という位置が収まりがよく、合否を決める数字ではありません。