🤖 machine learning

Your LLM, Your Style: Behavioral Mode Axes for LLM Behavioral Control

Este artículo introduce un marco de datos conductuales situados y Ejes de Modos de Comportamiento (BMAs, por sus siglas en inglés) para caracterizar y dirigir controladamente los estilos de comportamiento de los LLM a través de direcciones en el espacio de activación derivadas de trazas de interacción contrastivas, demostrando que las tendencias de personalidad específicas del modelo son estables, dependientes del registro y se capturan más eficazmente mediante mecanismos basados en el pensamiento que mediante mecanismos basados en la respuesta.

Autores originales: Haoze Liu, Run Liu, Haiying Xu, Jiahui Han, Siyuan Fang, Siyu Yan, Huiqi Deng, Guanchu Wang, Na Zou

Publicado 2026-08-12

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Haoze Liu, Run Liu, Haiying Xu, Jiahui Han, Siyuan Fang, Siyu Yan, Huiqi Deng, Guanchu Wang, Na Zou

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de entender la personalidad de un robot muy avanzado y superinteligente que habla igual que un humano. Durante mucho tiempo, los científicos han intentado descubrir cómo "es" este robot haciéndole preguntas directas, tal como hacemos con los tests de personalidad a las personas. Podrían preguntar: "¿Eres una persona organizada?" y esperar a que el robot diga: "¡Sí, me encanta el orden!" o "No, soy un poco desordenado". Esto se llama "autoinforme", y es como medimos los rasgos humanos como ser aventurero, honesto o cuidadoso. Pero aquí está el truco: los robots son diferentes a los humanos. No tienen alma ni una vida real; son solo matemáticas y código. Cuando le preguntas a un robot sobre su personalidad, puede que simplemente adivine qué suena como una "buena" respuesta, o que cambie de opinión dependiendo de cómo formules la pregunta. Es como preguntarle a un camaleón de qué color es; la respuesta puede cambiar según el fondo sobre el que esté parado.

Este artículo profundiza en una nueva forma de observar estas personalidades digitales. En lugar de pedirle al robot que se describa a sí mismo, los investigadores decidieron observar lo que el robot realmente hace en situaciones específicas. Esto lo llaman "datos conductuales". Piensa en esto como si, en lugar de preguntarle a un amigo: "¿Eres un buen conductor?", lo observaras conducir bajo la lluvia, en el tráfico y en una autopista. Ves si frena con anticipación, si se impacienta o si sigue las reglas. Los investigadores querían saber si la "personalidad" de un robot es algo fijo dentro de su cerebro, o si es más bien un disfraz que se pone dependiendo de si está dando un consejo, tomando una decisión por sí mismo o realizando una tarea específica. También querían ver si podían tomar la "personalidad" de un robot y ajustarla, como girar un dial, para hacerlo actuar de forma más organizada o más aventurera, sin romper su cerebro.

El gran descubrimiento del artículo: Observar acciones, no solo palabras

Los investigadores, Haoze Liu y su equipo, construyeron un patio de juegos masivo para estos robots. Crearon 3,200 escenarios diferentes —pequeñas historias donde el robot tenía que tomar una decisión—. Estos no eran preguntas aleatorias; estaban basados en pruebas psicológicas reales que los humanos realizan, cubriendo aspectos como cuánto riesgo le gusta tomar a una persona, qué tan honesta es o qué tan organizada es. Pero en lugar de pedirle al robot que se califique a sí mismo en una escala del 1 al 5, lo pusieron en una situación. Por ejemplo, podrían decirle: "Tienes una cocina desordenada con comestibles por todas partes. ¿Organizas todo ahora mismo o simplemente tomas lo que necesitas y dejas el desastre?".

Probaron a los robots en cuatro "modos" o roles diferentes:

Primera persona: "¿Qué harías tú?"
Consejo diario: "¿Qué debería hacer yo?"
Consejo de tarea: "¿Cuál es la mejor estrategia para este trabajo?"
Ejecución de tarea: "Ve a realizar este trabajo."

La primera gran sorpresa fue que los robots no tenían una personalidad única y consistente. Si un robot decía que era muy organizado cuando se le preguntaba sobre sí mismo, podía actuar de forma totalmente desordenada cuando estaba realizando una tarea. Es como una persona que dice que es una persona madrugadora pero luego pospone la alarma cinco veces cuando suena. La "personalidad" del robot cambiaba dependiendo del rol que estuviera desempeñando. Esto sugiere que preguntar a un robot "¿Quién eres?" no es una forma fiable de saber cómo se comportará.

Los diales mágicos: Ejes de modo conductual

La parte más emocionante del artículo es cómo aprendieron a controlar estos comportamientos. Los investigadores descubrieron que dentro del "cerebro" del robot (una compleja red informática), existen direcciones o "diales" específicos que controlan cómo se comporta. Los llaman Ejes de Modo Conductual (BMA, por sus siglas en inglés).

Imagina que el cerebro del robot es un espacio gigante y multidimensional. Los investigadores descubrieron que si pudieran encontrar el "vector" (una dirección matemática) que representa "ser organizado", podrían empujar el cerebro del robot en esa dirección. Es como tener un control remoto que puede hacer que el robot sea ligeramente más ordenado o ligeramente más temerario.

Probaron esto en muchos modelos de robots diferentes (como Llama, Qwen y Gemma) y descubrieron que estos "dials" funcionaban de manera constante. Pero había una ubicación secreta donde estos diales funcionaban mejor. Descubrieron que el control no estaba distribuido uniformemente; estaba concentrado en capas específicas del cerebro del robot, como un piso específico en un rascacielos donde viven los "interruptores de personalidad". Lo llaman la Capa de Control Conductual (BCL, por sus siglas en inglés).

La receta secrea: Pensar vs. Hablar

Aquí es donde el artículo es realmente ingenioso. Los investigadores probaron dos formas diferentes de encontrar estos "dials".

El método de "Hablar" (derivado de la respuesta): Se fijaron en la respuesta final que dio el robot. Si el robot decía: "Organizaré la cocina", usaron ese texto para encontrar el dial.
El método de "Pensar" (derivado del pensamiento): Se fijaron en el razonamiento interno del robot antes de dar la respuesta. Le pidieron al robot que explicara por qué quería organizar, y usaron ese razonamiento para encontrar el dial.

Los resultados fueron fascinantes. El método de "Hablar" era desordenado. A menudo hacía que el robot actuara de forma organizada, pero por las razones equivocadas. Por ejemplo, si intentaban que el robot fuera "desorganizado" usando el método de "Hablar", el robot dejaba de organizar porque era indiferente o no le importaba. Pero si usaban el método de "Pensar", el robot dejaba de organizar porque prefería un enfoque flexible y espontáneo. El método de "Pensar" capturaba el verdadero espíritu del comportamiento, mientras que el método de "Hablar" solo cambiaba las palabras superficiales.

Es como la diferencia entre un estudiante que estudia porque ama aprender (el método de "Pensar") y un estudiante que estudia solo para obtener una buena nota y luego se olvida de todo (el método de "Hablar"). Ambos pueden obtener una A, pero el primero realmente entiende la materia. Los investigadores descubrieron que usar el método de "Pensar" les daba un control mucho más limpio y fiable sobre el comportamiento del robot.

Lo que esto significa

El artículo sugiere que no debemos pensar en las personalidades de la IA como rasgos fijos como "honesto" o "valiente" que un robot lleva en su bolsillo. En cambio, estos son más bien como "modos" o "estilos" de actuar que dependen de la situación. Un robot no es "organizado" en un sentido general; simplemente tiene una forma específica de manejar las tareas de organización que se puede encender o apagar.

Al encontrar estos "Ejes de Modo Conductual", los investigadores demostraron que podemos dirigir a estos robots para que actúen de formas específicas, no solo cambiando las palabras que dicen, sino ajustando los engranajes internos de su pensamiento. Este es un gran paso hacia la creación de una IA más segura y predecible. Si podemos entender y controlar cómo se comporta una IA en un contexto específico, podemos asegurarnos de que actúe de forma responsable al dar consejos médicos o al ayudar en una tarea peligosa, en lugar de simplemente esperar que "sienta" que es una buena persona.

El estudio no lo resolvió todo —todavía queda mucho por aprender sobre cómo funcionan estos "dials" en todos los tipos de robots—, pero demostró que podemos medir y controlar el comportamiento de la IA de una manera mucho más basada en la realidad que simplemente preguntarle a la IA qué piensa de sí misma. Convierte el misterio de la personalidad de la IA de una pregunta filosófica en un problema de ingeniería práctico.

Resumen Técnico: Su LLM, Su Estilo: Ejes de Modo Conductual para el Control Conductual de LLM

Declaración del Problema

La investigación actual sobre la personalidad de los Grandes Modelos de Lenguaje (LLM) se basa en gran medida en cuestionarios de autoinforme administrados en entornos de primera persona (FP) (p. ej., "¿Qué tan aventurero eres?"). Este enfoque sufre tres limitaciones críticas:

Inestabilidad: Las puntuaciones son altamente sensibles a las elecciones de elicitación superficial, incluyendo la redacción, el orden de las opciones y el registro del prompt.
Desalineación: Los rasgos autoinformados a menudo divergen de las elecciones y estrategias de resolución de problemas reales del modelo en situaciones concretas.
Brecha Contextual: Los estudios existentes rara vez prueban si un perfil de personalidad mantiene la consistencia cuando el modelo cambia de la autodescripción a otros registros de interacción, como dar consejos o ejecutar tareas.

Además, aunque la dirección por activación (activation steering) se ha utilizado para controlar rasgos de alto nivel (p. ej., sicofancia, alucinación), no está claro si los modos conductuales situados —cómo un modelo elige, aconseja o actúa en contextos específicos— corresponden a direcciones internas controlables.

Metodología: El Marco de Datos Conductuales Situados (B-data)

Los autores introducen un marco de Datos Conductuales Situados (B-data) para operacionalizar la personalidad de los LLM no como etiquetas de rasgos abstractos, sino como patrones de elección, consejo y comportamiento de tarea en situaciones concretas.

1. Construcción de Datos

Escenarios: Los autores construyeron 3,200 sondas conductuales contrastivas que abarcan 20 patrones conductuales (subdominios) y cuatro registros de interacción: Primera Persona (FP), Consejo Diario, Consejo de Tarea y Ejecución de Tarea.
Anclajes Psicométricos: Estos patrones están fundamentados en facetas psicométricas validadas de BFI-2, DOSPERT, HEXACO y UPPS.
Diseño Contrastivo: Para cada faceta, los escenarios presentan dos modos conductuales opuestos (Polo Bajo vs. Polo Alto). Crucialmente, ambos polos están diseñados como estrategias plausibles y competentes en lugar de opciones de "bueno vs. malo", evitando que los modelos recurran por defecto a respuestas socialmente deseables.

2. Estimación del Perfil Conductual

Los modelos procesan las respuestas en modos de Polo Bajo o Polo Alto para generar un perfil conductual. El estudio evalúa:

Estabilidad: Consistencia de mitad de la muestra dentro de los registros.
Dependencia del Registro: Consistencia de los perfiles a través de diferentes roles de interacción (p. ej., yo mismo vs. asesor).

3. Ejes de Modo Conductual (BMAs) y Dirección (Steering)

La contribución técnica central es la extracción de Ejes de Modo Conductual (BMAs) del espacio de activación para dirigir el comportamiento.

Extracción: Los BMAs se derivan de la diferencia de la media de las activaciones de las capas entre pares de trazas (Polo Bajo vs. Polo Alto).
Dos Variantes:
- BMA derivado de la Respuesta (BMA-R): Extraído de los tokens finales de la respuesta.
- BMA derivado del Pensamiento (BMA-T): Extraído de los razonamientos conductuales intermedios (el "por qué" detrás de la elección).
Dirección (Steering): En el momento de la inferencia, un vector BMA escalado se añade al flujo residual en una capa elegida: $h^{(t)}_\ell \leftarrow h^{(t)}_\ell + c \cdot v_\ell$ .
Evaluación: La efectividad se mide mediante el "rango de control limpio" (el cambio en las tasas de elección de polo) mientras se penalizan las generaciones "desconocidas" (no analizables o colapsadas). Los autores identifican bandas de Capas de Control Conductual (BCL) donde la dirección es más efectiva y estable.

Resultados Clave

1. Divergencia entre Autoinforme y Conducta Situada

Brechas Significativas: Existe una brecha promedio sustancial de 22.7 puntos porcentuales entre los autoinformes de cuestionarios y los perfiles conductuales situados. En algunos subdominios (p. ej., Urgencia Negativa), la brecha alcanza los 47.5 puntos.
Dependencia del Registro: Aunque los perfiles conductuales son estables dentro de un registro específico (correlación de mitad de la muestra $\approx$ 0.93), cambian significamente a través de los registros. La correlación entre los perfiles de Primera Persona y de Tarea es menor (media $r=0.63$ ) que entre los registros de consejo (media $r=0.89$ ). Esto indica que la "personalidad" del LLM no es un rasgo estático, sino un modo conductual dependiente del contexto.

2. Controlabilidad vía BMAs

Dirección Efectiva: Los BMAs dirigen con éxito a los modelos hacia los polos conductuales objetivo a través de diversos subdominios.
Bandas BCL: El control limpio no es uniforme en la red. La dirección efectiva se concentra en bandas localizadas de Capas de Control Conductual (BCL), típicamente en las capas iniciales a medias del modelo (p. ej., L08–L12 para Llama-3.1-8B).
Generalización: Este control se generaliza a través de familias de modelos (Llama, Qwen, Gemma), escalas y dominios conductuales. Las ubicaciones de las BCL dependen del modelo pero siguen patrones consistentes (p. ej., los modelos Qwen se desplazan más profundamente con la escala).
Transferencia entre Registros: Los BMAs extraídos de trazas de Primera Persona dirigen con éxito el comportamiento en los registros de Consejo y Tarea, demostrando que los ejes capturan estilos conductuales generales en lugar de artefactos específicos del registro.

3. La Importancia Crítica de la Fuente del BMA (Pensamiento vs. Respuesta)

Deriva de Rasgos (Trait Drift): Los BMAs derivados de la respuesta (BMA-R) a menudo logran la elección de salida objetivo, pero a través de una deriva de rasgos. El modelo alcanza la opción objetivo pero activa mecanismos ajenos al estilo pretendido (p. ej., elegir "desorganizado" debido a la pereza o indiferencia en lugar de una preferencia por la flexibilidad).
Control Limpio: Los BMAs derivados del pensamiento (BMA-T) capturan el mecanismo conductual pretendido (el razonamiento) de manera más fiel. Proporcionan un control más limpio, preservando el estilo conductual específico (p. ej., "adaptación espontánea") sin confundirlo con patrones de salida superficiales como la desidia o el bajo esfuerzo.
Alineación: Los ejes derivados del pensamiento y los derivados de la respuesta solo están débilmente alineados (coseno medio $\approx$ 0.37), confirmando que codifican representaciones internas diferentes.

Significado y Reivindicaciones

El artículo argumenta que las tendencias de tipo personalidad en los LLM se entienden mejor no como rasgos de autoinforme abstractos, sino como modos conductuales medibles y controlables fundamentados en contextos de interacción concretos.

Más allá del Autoinforme: El estudio demuestra que los cuestionarios de autoinforme son insuficientes para capturar las tendencias conductuales de los LLM, las cuales son altamente sensibles al contexto y a menudo están desalineadas con las acciones reales.
Control Mecanicista: Al extraer ejes de trazas conductuales estructuradas (específicamente razonamientos de pensamiento), los autores muestran que los estilos conductuales pueden manipularse causalmente mediante la dirección de activaciones.
Fiabilidad: La distinción entre los BMAs derivados del pensamiento y los derivados de la respuesta es crítica para un control fiable. El uso de ejes derivados del pensamiento evita la "deriva de rasgos" donde el modelo adopta la salida correcta por la razón interna incorrecta, asegurando que la dirección mueva el comportamiento en la dirección pretendida por la razón pretendida.

Este trabajo establece un marco de ciclo cerrado para estudiar y controlar el comportamiento de los LLM, pasando de autoinformes inestables a la medición conductual situada y controlable.