Forscher aus dem Anthropic Fellows Program haben untersucht, wie die Reihenfolge von Trainingsschritten die Werte-Adhärenz von Sprachmodellen beeinflusst. Kern der Studie ist ein zweistufiger Ansatz: Zuerst wird das Modell auf Texten trainiert, die erklären, warum bestimmte Werte relevant sind und welche Absichten hinter ihnen stecken. Erst danach folgt das Training auf konkreten Verhaltensbeispielen. Dieser Ablauf soll dazu führen, dass das Modell ein tieferes „Verständnis" der zugrundeliegenden Prinzipien entwickelt, das es auf neue, unbekannte Situationen übertragen kann. Die Ergebnisse zeigen eine signifikant bessere Werte-Einhaltung im Vergleich zu Modellen, die nur auf Verhaltensdaten trainiert wurden. Die Studie liefert damit ein methodisches Argument dafür, Alignment-Training nicht rein behavioristisch zu gestalten, sondern kausal-rationale Begründungen als Voraussetzung zu etablieren. Die Erkenntnisse sind besonders relevant für die Entwicklung robuster RLHF- und Constitutional-AI-Pipelines.