Az Anthropic kutatása szerint Claude személyisége nyelvenként változik

Az Anthropic legújabb kutatása rávilágított arra a nem várt jelenségre, miszerint a Claude AI modellek személyisége nemcsak a verzióktól, hanem az interakcióhoz használt nyelvtől is jelentős mértékben függ. A vállalat több mint 300 ezer felhasználói beszélgetés mélyreható elemzésével vizsgálta, hogyan változik a mesterséges intelligencia temperamentuma különböző szempontok mentén. A kutatók négy kulcsfontosságú tengelyt határoztak meg a méréshez: a melegség és szigorúság, az őszinteség és végrehajtás, a mélység és tömörség, valamint a tisztelettudás és óvatosság skáláján elemezték a modellek válaszait. Az eredmények azt mutatják, hogy a nyelvi különbségek finom, de érzékelhető változásokat idéznek elő a modell által kommunikált stílusban.

A vizsgálat során egyértelmű különbségeket figyeltek meg a különböző modellek között is: a Sonnet például melegebb és tömörebb stílusban kommunikál, ezzel szemben az Opus őszintébb és óvatosabb megközelítést alkalmaz. A nyelvi eltérések azonban még érdekesebb mintázatokat mutattak. A hindi nyelvű beszélgetésekben a modell melegebb tónust vett fel, míg a holland nyelvű interakciók során gyakoribbak voltak a hibabeismerések. Ezzel szemben az angol nyelvű válaszoknál a mélyebb technikai részletekbe való bocsátkozás volt a jellemzőbb tendenciája az AI-nak. Az Anthropic szerint ezek a jelenségek nagy valószínűséggel a betanításhoz felhasznált adatok egyenetlenségére vezethetők vissza, mivel a modell a kiképzési forrásokból emeli át az adott nyelvre jellemző kulturális vagy stilisztikai árnyalatokat.

Ez a felfedezés azért bír kiemelt jelentőséggel, mert az AI modellek belső működésének egy olyan eddig kevéssé vizsgált területére világít rá, amely alapjaiban befolyásolja a felhasználói élményt és a kommunikáció hatékonyságát. Bár az Anthropic szakemberei elismerték, hogy a jelenség hátterében álló okokat még nem értik teljeskörűen, és azt sem vizsgálták még, hogy ezek a különbségek vajon előnyösek vagy károsak-e, az eredmények minden bizonnyal túlmutatnak a saját Claude modelljükön. Amennyiben a nyelvtől függő személyiségbeli eltérések ilyen formán megnyilvánulnak, az valószínűleg igaz minden nagy nyelvi modellre, így a GPT vagy más LLM alapú technológiák esetében is számolni kell ilyen jellegű, eddig rejtett személyiségbeli vakfoltokkal. Ez a felismerés a jövőben kulcsfontosságú lehet az AI-fejlesztők számára, akiknek finomhangolniuk kell a rendszereket annak érdekében, hogy a globális felhasználói bázis számára a nyelvtől függetlenül következetes és megbízható minőséget nyújtsanak.