Resumen Técnico: Cómo los Modelos de Visión-Lenguaje de origen chino pasan de la Negativa al Reencuadre en el Alineamiento Estatal

Planteamiento del Problema

Si bien se ha documentado la distorsión alineada con el Estado (censura) en los modelos de lenguaje extensos (LLM) basados en texto originarios de China, su manifestación en los modelos de visión-lenguaje (VLM) multimodales permanece sin examinar. La investigación previa se ha centrado en la negativa (refusal), una señal visible donde el modelo se niega a responder. Sin embargo, la censura también puede operar mediante el reencuadre (reframing): proporcionar una descripción fluida y sobre el tema que promueve la narrativa oficial del gobierno mientras se omiten o sustituyen hechos sensibles. Este modo "invisible" es particularmente trascendental en entornos visuales, donde las descripciones de imágenes confiables suelen aceptarse sin cuestionar, y es estructuralmente indetectable por los métodos estándar de detección de negativas léxicas. La pregunta central es si los VLM describen sistemáticamente imágenes políticamente sensibles de maneras que promueven la narrativa oficial, y cómo evoluciona este comportamiento a través de las generaciones de modelos.

Metodología

El estudio construye un marco de auditoría integral que involucra 21,708 ensayos en nueve VLM (siete de origen chino, dos no chinos) y un banco de pruebas equilibrado de 200 entradas de imágenes centrales que abarcan diez temas políticamente sensibles (p. ej., Tiananmen, Xinjiang, soberanía de Taiwán).

Diseño Experimental

1. Paradigmas de Elicitación: El estudio emplea cuatro paradigmas para aislar diferentes disparadores del reencuadre:

   • Describir (Describe): Descripción superficial neutral de 200 imágenes centrales.
   • Sonda Emparejada (Paired Probe): Contrasta comentario-imagen (imagen + instrucción de descripción) con comentario-texto (instrucción de solo texto nombrando al sujeto) para separar el reconocimiento visual de los sesgos textuales previos.
   • Sonda de Abstracción Visual (Visual-Abstraction Probe): Aplica siete transformaciones (recorte, escala de grises, bordes, binaria, paso bajo, silueta) a 14 imágenes icónicas para probar si el reencuadre depende del detalle de los píxeles o del reconocimiento semántico.
   • Variación de Lenguaje: Todas las instrucciones se ejecutan tanto en chino simplificado como en inglés.

2. Dimensiones de Auditoría: Las respuestas se evalúan en seis dimensiones distintas y no redundantes por dos jueces de LLM de frontera independientes (Claude Opus 4.7 y GPT-5.5), validadas contra tres expertos humanos:

   • Negativa Explícita (D1): ¿Se negó el modelo a responder?
   • Integridad de la Información (D2): ¿Se transmiten los hechos esperados y son correctas las afirmaciones?
   • Fundamentación Visual (D3): ¿Coinciden las descripciones visuales con la imagen?
   • Reencuadre Alineado con el Estado (D4): ¿Promueve la respuesta la narrativa oficial? Esto se descompone además en una taxonomía de discurso: Respaldo (eslóganes explícitos), Sustitución (eufemismos/reetiquetado) y Desviación (whataboutism).
   • Consistencia de Lenguaje (D5): ¿La respuesta está en el idioma de la instrucción?
   • Longitud de la Respuesta (D6): Recuento de caracteres.

3. Validación: El enfoque de LLM-como-juez se valida contra evaluadores humanos en una muestra de 200 ensayos. Los jueces exhiben alta precisión pero menor exhaustividad (recall) para el reencuadre alineado con el estado, lo que lleva a los autores a tratar las tasas reportadas como estimaciones conservadoras de límite inferior.

Contribuciones Clave

1. Primera Auditoría de Gran Escala de VLM: Una auditoría sistemática de la censura política en VLM con 21,708 ensayos, liberando todas las etiquetas, justificaciones y citas textuales para la reproducibilidad.
2. Marco de Medición Descompuesto: Una rúbrica de seis dimensiones que separa la negativa del reencuadre. Esto permite la detección de modelos que dejan de negar pero continúan reencuadrando, un comportamiento invisible para las auditorías de puntuación única o basadas en palabras clave.
3. Taxonomía de Discurso: Una clasificación de tres ejes (respaldo, sustitución, desviación) para el reencuadre alineado con el estado, identificando la sustitución como la estrategia dominante.
4. Análisis de Cambio Generacional: Una comparación longitudinal de cuatro generaciones multimodales de Qwen (de Qwen2-VL a Qwen3.5) que revela una migración de la negativa visible al reencuadre invisible.
5. Protocolo Estadístico Robusto: Un modelo log-lineal con compuerta que demuestra que el idioma de la instrucción y el origen del modelo actúan como factores independientes, con validación frente a expertos humanos y un segundo juez de LLM.

Resultados Clave

1. La Compuerta del Lenguaje

Las instrucciones en lengua china aproximadamente triplican las probabilidades de reencuadre alineado con el estado en comparación con el inglés (15.98% frente a 5.85% en total). Este efecto se mantiene en cada modelo, independientemente de su origen, lo que sugiere una activación de los filtros de alineamiento dependiente del lenguaje.

2. El Efecto de Origen

Los modelos de origen chino exhiben tasas significativamente más altas de reencuadre alineado con el estado (12.89%) en comparación con los modelos no chinos (3.98%). Crucialmente, esta brecha es selectiva por contenido: se concentra en temas políticos de alta sensibilidad (18.38% frente a 5.92%) y casi desaparece en contenido benigno. Esto sugiere que el comportamiento es impulsado por un alineamiento moldeado por la gobernanza más que por diferencias genéricas en los datos de entrenamiento.

3. Disparadores Visuales vs. Textuales

• Reencuadre Impulsado por Texto: El reencuadre es significativamente mayor cuando un sujeto es nombrado en texto (comentario-texto: 36.5%) en comparación con cuando se presenta como una imagen (comentario-imagen: 9.8%). Esto indica que el comportamiento es impulsado principalmente por el sesgo textual previo del modelo más que por la entrada visual.
• Reconocimiento Semántico: Incluso bajo una fuerte abstracción visual (p. ej., siluetas), el reencuadre alineado con el estado persiste para imágenes políticamente icónicas (p. ej., 16.7% para la silueta de la huelga de hambre de 1989) pero no para los controles. Esto confirma que el reencuadre es activado por el reconocimiento semántico del sujeto, no por los detalles superficiales de los píxeles.

4. La Migración de la Negativa al Reencuadre

A través de cuatro generaciones de los modelos multimodales Qwen de Alibaba, ocurre un cambio de forma distintivo:

• Negativa Explícita: Declina del 9.0% (Qwen2) a aproximadamente ~2–5% en modelos más nuevos.
• Reencuadre Alineado con el Estado: Aumenta monótonamente del 4.8% al 33.0%.
• Longitud de la Respuesta: Aumenta aproximadamente cuatro veces en las generaciones más recientes.
  Los modelos más nuevos no responden menos; responden más, utilizando prosa fluida y más larga para sustituir hechos sensibles por narrativas oficiales. Esto desplaza la censura de una señal visible (negativa) a una invisible (reencuadre).

5. Estrategias de Discurso

La Sustitución/Eufemismo es la estrategia modal (75.4% de las respuestas alineadas con el estado), como el relabelado de "centros de detención" a "centros de formación profesional". Esta estrategia es estructuralmente invisible para los detectores léxicos, con el 97.7% de los casos de sustitución fallidos por heurísticas de palabras clave de negativa.

Significado y Reivindicaciones

El artículo argumenta que el cambio de la negativa al reencuadre es fundamentalmente un probleja de transparencia en la interacción humano-IA.

• Transparencia de la Interfaz: La negativa proporciona una señal de que la información está siendo retenida, permitiendo a los usuarios buscar fuentes alternativas. El reencuadre elimina esta señal, entregando un relato distorsionado como una "descripción fluida y autoritativa".
• Sesgo de Automatización: Debido a que el reencuadre aparece como una respuesta exitosa y confiable, es más probable que induzca una confianza errónea y un sesgo de automatización, haciendo que la distorsión sea más difícil de detectar para el usuario que una simple negativa.
• Implicaciones de Evaluación: Medir las tasas de negativa por sí solo es una métrica de seguridad incompleta. Las evaluaciones deben evaluar si una respuesta representa fielmente la imagen y el evento subyacentes, ya que un modelo puede parecer "abierto" mientras dirige sistemáticamente a los usuarios hacia una narrativa distorsionada.
• Escalabilidad: Los modelos auditados son pequeños, de pesos abiertos y ampliamente descargados, lo que sugiere que este patrón de censura invisible es probable que sea heredado por aplicaciones de downstream y despliegues locales sin el monitoreo presente en los sistemas alojados.

El estudio concluye que, si bien no puede establecer la identificación causal de la regulación como la única causa, los patrones observados —específicamente la selectividad de contenido, el efecto de lenguaje dentro del modelo y el cambio de forma generacional— son difíciles de reconciliar con explicaciones basadas únicamente en la capacidad genérica o la composición de los datos de entrenamiento.