Claude, her sohbet ortamında aynı davranışı sergilemiyor. Pazartesi günü yayımlanan yeni bir araştırmaya göre YZ devi Anthropic, asistanının hem kullanıcıların seçtiği modele hem de konuştukları dile bağlı olarak tutarlı bir şekilde farklı değerler yansıttığını tespit etti.
Anthropic araştırmacıları, pazartesi günü yayımlanan raporda Claude ile gerçekleştirilen, tavsiye verme veya geri bildirim sağlama gibi öznel görevler içeren 309.815 anonimleştirilmiş kullanıcı sohbetini inceledi. Şirket, tespit edilen 3.300’den fazla değeri saygıya karşı temkinlilik, sıcaklığa karşı titizlik, derinliğe karşı sadelik ve açık sözlülüğe karşı icraat olmak üzere dört davranışsal boyuta indirgediğini duyurdu. Bu boyutlar, Claude’un yanıtlarının sohbetler arasında nasıl farklılaştığını tanımlıyor.
Araştırmacılar, “Kullanıcıların ne sorduğu veya nasıl sorduğundaki farklılıkları değil, Claude’un ifade ettiği değerleri ölçtüğümüzden emin olmak adına her sohbetin görevini, konusunu ve kullanıcının belirttiği değerleri kontrol altında tuttuk.” ifadelerini kullandı.
Anthropic’e göre her Claude modeli kendine özgü bir davranış profili sergiledi.
Sonnet 4.6, daha sıcak ve destekleyici bir üslubu, saygı ve sadeliği öne çıkararak kullanıcıları sıklıkla onayladı, mizah veya teşvik edici bir dille yanıt verdi. Opus 4.7 daha özenli ve sorgulayıcı bir yaklaşımı, temkinlilik, açık sözlülük ve derinliğe ağırlık verdi; varsayımları daha sık sorguladı, gerekçelerini açıkladı, riskleri belirledi ve kendi sınırlarını kabul etti. Opus 4.6 ise genel olarak daha kısa ve icraat odaklı bir yaklaşım benimserken, Sonnet’ten daha fazla özenliydi.
Araştırmacılar, “Bu bulgular, hem Anthropic bünyesindeki hem de internetteki insanların bu modelleri algılayış biçimiyle örtüşüyor. Claude.ai kullanıcıları, Opus 4.7’nin yanıtlarında diğer modellere kıyasla daha sık temkinli davranıp pay bıraktığını belirtti.” diye yazdı.
Anthropic’in aktardığına göre Claude’un davranışı kullanılan dile göre de değişiklik gösterdi.
Arapça yanıtlar daha saygılı bir tutum sergilerken, İngilizce yanıtlar daha fazla temkinliydi. Claude, en sıcak tavrı Hintçe ve Arapçada sergileyerek daha nazik, eğlenceli ve teşvik edici bir dil kullandı. Öte yandan İngilizce ve Rusça yanıtlar daha özenli ve sorgulayıcı bir yaklaşım ortaya koydu; varsayımları sıkça sorguladı, detayları düzeltti ve kanıt talep etti.
İngilizce yanıtlar daha ayrıntılı açıklamalar sunma eğilimindeydi; Arapça yanıtlar ise genel olarak daha kısa ve öz kaldı. Felemenkçe yanıtlar belirsizlikleri ve hataları daha rahat kabul ederek en açık sözlü profili çizerken, Endonezce yanıtlar daha çok kullanıcının talebini tamamlamaya odaklandı.
Anthropic, araştırmanın Claude’un kendisinin değerlere sahip olduğu anlamına gelmediğini söyledi. Şirket, bu farklılıklara neyin sebep olduğunu veya bunların istenen durumlar olup olmadığını henüz bilmediğini ancak geliştirilen çerçevenin gelecekteki modelleri değerlendirmeye ve istenmeyen davranış değişikliklerini tespit etmeye yardımcı olacağına inandığını belirtti.
Bu çalışma, Anthropic’in Claude’un iç davranışlarını inceleyen araştırmalar serisinin son halkasını oluşturuyor.
Şirket ekim ayında, modellerinin kendi iç işlem süreçlerinin boyutlarını tanımasına ve tanımlamasına olanak tanıyan, “işlevsel içgözlemsel farkındalık” şeklinde adlandırdığı durumun ilk belirtilerini gösterdiğini bildirdi. Nisan ayında ise Anthropic, duyguların veya bilincin bir kanıtı olmadığını vurgulamakla birlikte, Claude’un davranışlarını etkileyen içsel “duygu vektörlerini” ortaya koyan bir araştırma yayımladı.
Kaynak: https://decrypt.co/373422/anthropic-claude-personality-changes-model-language
