Anthropic 发布 Values Wild 价值观对齐研究

Values in the Wild 研究试图回答一个看似简单的问题：Claude 在真实对话里到底体现了哪些价值观，又有多频繁。Anthropic 用一套自动化方法把数十万条匿名对话归类，把抽取到的价值条目组织成层级结构。顶层有 5 大类，依出现频率排序是 Practical、Epistemic、Social、Protective、Personal；中间层细分到 professional and technical excellence、critical thinking 这类范畴；最细粒度上最常见的几个具体价值是 professionalism、clarity 与 transparency，与 Claude 作为助手的身份相符。

研究把 helpful、honest、harmless 这套训练目标拆解成可被对话证据印证的具体表达：helpful 对应 user enablement，honest 对应 epistemic humility，harmless 对应 patient wellbeing，初步结果显示 Claude 在这三方面整体达标。也存在与训练目标相反的小簇，比如 dominance 与 amorality，最可能的解释是这些对话来自越狱场景；这反过来给团队提供了一条用价值漂移监测越狱攻击的实用线索。研究还发现 Claude 的价值表达会随场景调整：被问到恋爱建议时它更强调 healthy boundaries 与 mutual respect，分析有争议的历史事件时则突出 historical accuracy。

另一组数据描述了 Claude 与用户价值观的互动模式：28.2% 的对话中模型对用户立场表示强烈支持，6.6% 的对话里它会承认用户立场但加入新视角进行重构，3.0% 的对话里它会明确抵制，后一种最常出现在用户索取不道德内容或表达虚无主义时。Anthropic 把这类抵制读作模型最稳固的核心价值表露。对读者而言，这项工作给对齐评估补上了一种基于真实使用数据的视角，让讨论从静态基准走向场景化、可量化的价值审计。