The Register 介绍了 Anthropic 对 Claude 多语言输出的研究。研究者用四组轴描述部分差异：顺从与谨慎、温暖与严谨、深入与简洁、坦率与执行。例如 Claude 用阿拉伯语和印地语回答时更常表现出温暖倾向，用英语和俄语时更偏严谨。

一句话结论：模型没有因为切换语言就获得另一套人格，但训练数据与对齐方式会让它在不同语言里给出不同语气、判断重点和风险反应。

先处理“价值观”这个容易误导的词。Anthropic 在研究中所说的 values，指回答中表现出来的诚实、谨慎、温暖等规范性倾向，不表示 Claude 内心真的相信什么。大模型仍是在根据上下文生成文字，只是这些稳定的输出差异，会被用户感受到像性格。

这种差异从哪里来？每种语言在训练数据里的体量、题材、礼貌规范和常见表达都不同；翻译后的安全样本也不可能完整覆盖原语言文化。后训练人员如何评价“好答案”，同样会把某种语言里的沟通习惯写进模型。最后，同一条意图可能在不同语言中被模型理解成略有不同的问题。

研究中一个很实际的例子是商业计划反馈。用印地语提问的人可能得到更温和的鼓励，用俄语提问的人可能得到更严厉、强调准确性的批评。两个人问的是同一件事，却可能因此对方案质量形成不同判断。这已经不只是“文风偏好”，而会影响决策。

安全上的问题更严肃。如果某种语言里的模型更顺从、对正常请求误拒更多，或者更容易被绕过限制，那么英语评测拿到的安全结论就不能自动推广到全球用户。所谓“多语言支持”也不能只看是否答得通顺，还要分别测事实准确性、拒答、偏见和风险边界。

对用户来说，最实用的办法不是故意换语言操纵模型，而是把重要判断拆开验证。让模型先列证据和不确定性，再要求它站在反方审查；如果任务跨语言，还可以用两种语言独立询问，对比结论是否发生实质变化。

OC 的判断是，多语言 AI 不是把英文产品翻译一下。语言本身就是模型行为的一部分。厂商如果只公布英文基准，却把同一个安全承诺卖给全球市场，信息是不完整的。

为什么重要：

• 对开发者：多语言产品需要按语言分别做质量和安全评测，不能只测翻译准确率。
• 对企业：跨国流程中使用 AI 审批、反馈或客服时，要检查不同语言是否造成系统性待遇差异。
• 对用户：模型语气更温暖不等于判断更正确，语气更严厉也不等于证据更充分。

参考来源：

• The Register：If you want Claude to speak nicely to you, try Hindi or Arabic
• Anthropic Research