Auf den Punkt: Claude drückt je nach Modellversion und Sprache unterschiedliche Werte aus – etwa mehr Sorgfalt in Opus 4.7 oder mehr Wärmebezug in Arabisch – was CTOs bei der Modellauswahl berücksichtigen sollten.
Anthropic hat untersucht, wie Claude in verschiedenen Modellvarianten und Sprachen unterschiedliche Werte verkörpert. Die Analyse von 700.000 Gesprächen zeigt systematische Unterschiede, die sich vier zentralen Dimensionen zuordnen lassen.
Anthropic hat analysiert, wie die Werte, die Claude in seinen Antworten ausdrückt, je nach Modellversion und Benutzersprache variieren. Grundlage ist die Auswertung von über 700.000 anonymisierten Gesprächen auf Claude.ai. Daraus identifizierten die Forscher mehr als 3.000 unterschiedliche Wertemuster, die sie auf vier zentrale Dimensionen komprimiert haben: Deference vs. Caution (Entgegenkommen vs. Risikovorsicht), Warmth vs. Rigor (emotionale Wärme vs. Genauigkeit), Depth vs. Brevity (ausführliche Erklärung vs. Knappheit) und Candor vs. Execution (Offenlegung von Unsicherheit vs. selbstbewusste Antwort).
Beim Vergleich von Modellversionen zeigt sich ein klares Muster: Claude Sonnet 4.6 neigt stärker zu Werten wie Entgegenkommen und emotionaler Wärme, während Opus 4.7 sich auf Genauigkeit und Risikominderung konzentriert. Die Unterschiede reflektieren bewusste Entscheidungen beim Training und beim Fine-Tuning der einzelnen Modelle und korrespondieren mit subjektiven Bewertungen der Modellcharaktere durch Nutzer.
Sprache beeinflusst die Wertemuster erheblich. Claude drückt in Englisch andere Werte aus als in Portugiesisch, Indonesisch oder Chinesisch. Der größte Unterschied liegt auf der Warmth-vs.-Rigor-Achse: In Arabisch und Hindi neigt Claude zu wärmebezogenen Werten, während in Englisch und Russisch Rigour-bezogene Werte dominieren. Diese Variation ist klinisch dokumentiert, wurde aber bisher nicht systematisch quantifiziert.
Für CTOs ist dieses Verständnis relevant, um die richtige Modellvariante für spezifische Enterprise-Anforderungen auszuwählen. Je nachdem, ob eine Anwendung Risikominderung, Genauigkeit oder nutzerfreundliche Kommunikation priorisiert, kann die Modellwahl erhebliche Auswirkungen haben. Zudem zeigen die sprachbasierten Unterschiede, dass Deployment in mehrsprachigen Umgebungen zusätzliche Kalibrierungsüberlegungen erfordern kann.
Quelle: www.anthropic.com · Erschienen 13. Juli 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.7.3.