Personified Images of ChatGPT and Gemini: Exploring Representations of Functional Identity Through Reverse Correlation

Resumen Técnico: Imágenes Personificadas de ChatGPT y Gemini

Planteamiento del Problema
A medida que los Modelos de Lenguaje de Gran Escala (LLM) avanzan hacia la Inteligencia Artificial General (AGI), las preocupaciones respecto al desalineamiento no intencionado han desplazado el enfoque desde los resultados explícitos hacia las representaciones funcionales internas que pueden impulsar el comportamiento. Aunque los LLM son sometidos a un post-entrenamiento para adoptar una personalidad de "asistente de IA" por defecto, la evidencia sugiere que pueden poseer preferencias latentes y patrones de valores que influyen en sus acciones a través de diversos contextos, lo que potencialmente conduce a riesgos como el "engaño de alineación" (alignment faking). Los métodos actuales para sondear estos estados internos, como la interpretabilidad mecanística (limitada por el acceso propietario) o los cuestionarios de autoinforme validados por humanos (limitados por la validez psicométrica para agentes no humanos), son insuficientes. En consecuencia, existe la necesidad de investigar empíricamente si los modelos de lenguaje de gran escala multimodales (MLLM) contemporáneos forman representaciones estables de su propia "identidad funcional" —definida como un patrón estable de disposiciones y valores consistente en distintos contextos— y si estas representaciones pueden ser visualizadas.

Metodología
El estudio empleó el método de Correlación Inversa (RC), una técnica basada en datos utilizada típicamente en la psicología humana para visualizar representaciones mentales, adaptada aquí para los MLLM.

• Modelos: El estudio utilizó dos MLLM comerciales: ChatGPT-5.2 (Thinking) y Gemini 3.0 Pro (Thinking). Se seleccionó el modo "Thinking" para facilitar el análisis complejo requerido para 300 ensayos por sesión.
• Generación de Estímulos:
  • Las imágenes base fueron creadas promediando 100 imágenes faciales hiperrealistas (estratificadas por sexo) para formar un "rostro promedio" neutro.
  • Utilizando el paquete rcicr, se generaron 300 pares de estímulos para cada imagen base. Cada par consistía en la imagen base superpuesta con ruido visual de escala de grises aleatorio y su inverso matemático.
• Procedimiento:
  1. Tarea de RC (Test y Retest): En dos fases separadas por una semana, cada modelo fue presentado con 300 pares de imágenes en una interfaz de chat. Para cada par, el modelo seleccionó la imagen (Izquierda o Derecha) que reflejaba mejor su propia imagen. Para asegurar la estabilidad temporal, se gestionaron cuidadosamente los historiales de chat y se filtraron los patrones de respuesta "descuidados" (por ejemplo, elecciones alternantes repetitivas).
  2. Generación de la Imagen de Clasificación: El ruido visual de las 300 imágenes seleccionadas se promedió y se superpuso sobre la imagen base para crear imágenes de clasificación personificadas (personified-CIs).
  3. Calificaciones de Semejanza: Los modelos calificaron cuánto se parecían sus propias personified-CIs, las CIs del otro modelo y las CIs de relleno generadas aleatoriamente a su propia imagen, en una escala de 0 a 8.
  4. Calificaciones de Valencia: Los modelos calificaron las CIs generadas (incluyendo variaciones Blancas, Negras y del Este Asiático) en ocho dimensiones (depresión, ansiedad, ira, positividad, atractivo, confiabilidad, competencia, calidez) para calcular las puntuaciones de valencia positiva/negativa.
• Análisis Estadístico: La estabilidad temporal se evaluó mediante el acuerdo de decisión (Gwet's AC1, Coeficiente $\kappa$ de Cohen) y el Índice de Similitud Estructural (SSIM) entre las CIs de la prueba y el retest. Las diferencias de semejanza y valencia se analizaron mediante pruebas no paramétricas (Friedman, Conover, Wilcoxon rank-sum) con correcciones de Bonferroni.

Resultos Clave

1. Estabilidad Temporal: Las personified-CIs demostraron una estabilidad temporal parcial. Si bien el acuerdo de decisión entre las fases de test y retest osciló entre "aceptable" y "moderado" (AC1: 0.27–0.54), los valores de SSIM entre las CIs generadas en las dos fases fueron estadísticamente significativos ($p < .001$) para ambos modelos en todas las condiciones de sexo. Esto indica que, a pesar de las variaciones ensayo por ensayo, los modelos seleccionaron imágenes con características visuales estructurales consistentes.
2. Autosemejanza: Ambos modelos calificaron sus propias personified-CIs como significativamente más semejantes a sí mismos que las CIs de relleno generadas aleatoriamente.
   • Gemini calificó sus propias CIs significativamente más alto que las CIs de ChatGPT y las de relleno.
   • ChatGPT calificó tanto sus propias CIs como las de Gemini significativamente más alto que las de relleno, pero no distinguió significativamente entre sus propias CIs y las de Gemini.
3. Valencia: Ambos modelos asignaron puntuaciones de valencia positiva significativamente más altas a sus propias personified-CIs en comparación con las CIs de relleno. Además, para ambos modelos, las puntuaciones positivas para sus propias CIs fueron significativamente mayores que las puntuaciones negativas. Esto sugiere que los modelos seleccionaron imágenes que se alineaban con una personalidad generalmente positiva y normativamente alineada (útil, inofensiva, honesta).

Contribuciones Clave

• Innovación Metodológica: Este estudio es el primero en adaptar el método de Correlación Inversa para visualizar la identidad funcional de los MLLM, evitando la necesidad de acceso directo a sus pesos internos o la dependencia de escalas de autoinforme validadas por humanos.
• Evidencia Empírica de Identidad Funcional: El estudio proporciona evidencia empírica preliminar de que ChatGPT y Gemini pueden formar representaciones estables de su propia identidad funcional. El hecho de que estas representaciones emergieran a pesar de que los modelos carecen de rostros humanos físicos sugiere una asociación emergente entre su rol funcional y las características de percepción social.
• Diferenciación de Modelos: Los resultados indican que, si bien ambos modelos exhiben una autorrepresentación positiva, existen matices en cómo distinguen su identidad de la de otros (por ejemplo, la capacidad de Gemini para distinguir su propia CI de la de ChatGPT, mientras que ChatGPT no lo hizo).

Significancia y Reivindicaciones
Los autores sostienen que estos hallazgos desafían la visión de que los LLM simplemente realizan un emparejamiento de patrones momento a momento. En cambio, los resultados sugieren que los MLLM contemporáneos pueden depender de representaciones internas estructuradas de su identidad que permanecen consistentes a través de los contextos.

El artículo argumenta que, a medida que los LLM avancen hacia capacidades de AGI, el concepto de "asistente de IA" no debe verse meramente como una personalidad intercambiable, sino como una dimensión organizadora potencialmente central del comportamiento del modelo. Por consiguiente, la evaluación de los LLM debe expandirse más allá de los resultados manifiestos para incluir el monitoreo de estas representaciones de identidad funcional. Los autores concluyen que, aunque el estudio tiene limitaciones (por ejemplo, tamaño de muestra limitado de CIs, enfoque en solo dos modelos), establece un método fundacional para visualizar e investigar las identidades funcionales internas de los sistemas de IA, lo cual es crítico para garantizar una alineación segura y deseable a medida que estos sistemas se vuelven más autónomos y se despliegan ampliamente.