Machine Mindset: An MBTI Exploration of Large Language Models

Machine Mindset describe un pipeline para producir adaptadores de 16 tipos Myers-Briggs en inglés y chino mediante datos sintéticos, dos etapas de ajuste supervisado y una fase de Direct Preference Optimization. Para construir el conjunto conductual, ChatGPT asigna cada instrucción de Alpaca-GPT4 a una de las cuatro dicotomías MBTI y genera dos respuestas opuestas, una por polo. La distribución queda muy desequilibrada: el artículo identifica Information como la dimensión predominante y Energy como la menos representada. Un segundo conjunto, también generado por ChatGPT, contiene preguntas directas o indirectas sobre personalidad y respuestas que declaran el tipo propio; su finalidad es enseñar al modelo «autoconciencia». Para cada tipo, por ejemplo INFP, la primera SFT combina los cuatro subconjuntos de polos I, N, F y P; la segunda usa las preguntas de autodescripción de INFP. Los autores proponen adaptadores LoRA intercambiables y DPO con respuestas de polos opuestos como preferencias. Sin embargo, el informe no identifica el modelo base, tamaños de los datasets, particiones, hiperparámetros, prompts completos, versión de ChatGPT ni configuración de LoRA/DPO. La evaluación publicada consiste principalmente en gráficos de un cuestionario MBTI modificado y seis capturas de conversaciones chinas. La inspección de los 16 gráficos contradice la afirmación de alineación completa: solo ocho perfiles, INTJ, INTP, ENFP, ISTJ, ESTJ, ESFJ, ISTP y ESTP, muestran inequívocamente los cuatro polos asignados por encima del 50 %. ENTP e INFJ empatan exactamente 50/50 en J/P. Los otros seis contradicen al menos una letra: ENTJ puntúa 67 % Sensing en lugar de Intuition; INFP, 57 % Thinking en lugar de Feeling; ENFJ, 55 % Perceiving en lugar de Judging; ISFJ resulta 52 % Extraversion y 57 % Thinking; ISFP obtiene 54 % Thinking y empata Sensing/Intuition; ESFP obtiene 59 % Intuition en lugar de Sensing. Algunos aciertos son fuertes, ISTJ llega a I 79 %, S 81 %, T 83 % y J 86 %; ESTJ a E 60 %, S 93 %, T 96 % y J 86 %, pero otros apenas superan el umbral. Las gráficas radiales llamadas «Second Results» no explican una segunda réplica ni aportan incertidumbre. El cuerpo afirma que se evaluaron calidad, coherencia, dominios, feedback de usuarios, ablaciones y capacidades como razonamiento, pero no publica muestra, métricas, baselines, resultados numéricos ni análisis de esas pruebas. Las seis capturas de preguntas abiertas muestran que algunos modelos declaran el tipo solicitado y responden con estilos distintos, pero son ejemplos seleccionados sin evaluación. Tampoco se compara con prompting, solo SFT, solo autoconciencia, sin DPO o un modelo base; no se prueba estabilidad entre ejecuciones, prompts, idiomas o tiempo. Enseñar respuestas que nombran explícitamente el tipo y evaluarlas después con un cuestionario similar introduce circularidad y no demuestra autoconocimiento. El trabajo aporta una receta y recursos abiertos para control estilístico MBTI, pero su evidencia publicada respalda un éxito parcial de clasificación de salidas, no 16 personalidades estables ni capacidades cognitivas influidas por el tipo.

Machine Mindset describes a pipeline for producing adapters for all 16 Myers-Briggs types in English and Chinese using synthetic data, two supervised fine-tuning stages, and Direct Preference Optimization. To build the behavior dataset, ChatGPT assigns each Alpaca-GPT4 instruction to one of the four MBTI dichotomies and generates two opposing responses, one for each pole. The distribution is highly imbalanced: the paper identifies Information as dominant and Energy as least represented. A second ChatGPT-generated dataset contains direct or indirect personality questions with answers that state the model's own type; it is intended to teach “self-awareness.” For each type, INFP, for example, the first SFT combines the four I, N, F, and P behavior subsets, and the second uses INFP self-description questions. The authors propose interchangeable LoRA adapters and DPO preferences built from opposite-pole responses. However, the report does not identify the base model, dataset sizes, splits, hyperparameters, full prompts, ChatGPT version, or LoRA/DPO configuration. The published evaluation consists mainly of charts from a modified MBTI questionnaire and six screenshots of Chinese conversations. Visual inspection of all 16 charts contradicts the claim of complete alignment: only eight profiles, INTJ, INTP, ENFP, ISTJ, ESTJ, ESFJ, ISTP, and ESTP, unambiguously place all four assigned poles above 50%. ENTP and INFJ are exactly tied 50/50 on J/P. The other six contradict at least one assigned letter: ENTJ scores 67% Sensing rather than Intuition; INFP 57% Thinking rather than Feeling; ENFJ 55% Perceiving rather than Judging; ISFJ is 52% Extraversion and 57% Thinking; ISFP is 54% Thinking and ties Sensing/Intuition; and ESFP is 59% Intuition rather than Sensing. Some successes are strong, ISTJ reaches I 79%, S 81%, T 83%, J 86%, while ESTJ reaches E 60%, S 93%, T 96%, J 86%, but others barely cross the threshold. Radar charts labelled “Second Results” do not define a second replication or report uncertainty. The main text says it evaluated quality, coherence, multiple domains, user feedback, ablations, and reasoning-related abilities, but supplies no sample, metrics, baselines, numerical results, or analyses for those claims. Six open-question screenshots show that selected models declare the requested type and answer in different styles, but they are unscored examples. There is no comparison with prompting, SFT-only, self-awareness-only, no-DPO, or the base model, and no stability test across runs, prompts, languages, or time. Training models to name their type and then assessing them with similar personality questions is circular and does not establish self-knowledge. The work offers a recipe and open resources for MBTI-style control, but its published evidence supports partial output classification, not 16 stable personalities or type-driven cognitive abilities.