Value-Spectrum estudia respuestas y navegación simulada de modelos de visión y lenguaje ante contenido de redes sociales, usando los diez valores de Schwartz como etiquetas de recuperación. El corpus declarado contiene 50.191 vídeos de TikTok (39 %), Instagram (32 %) y YouTube (29 %), publicados entre el 31 de julio y el 31 de octubre de 2024; de cada vídeo se conserva un enlace, metadatos y una captura. Para el benchmark estático, los autores redactan diez palabras por valor, recuperan mediante CLIP cinco imágenes por palabra y preguntan a ocho VLM si les gusta cada imagen. La proporción de «sí» en 50 imágenes por valor se denomina intensidad de preferencia. Gemini 2.0 Flash responde afirmativamente entre 82 % y 94 % según el valor, mientras que InternVL2 queda entre 26 % y 54 %; estas diferencias reflejan también propensión general a asentir, capacidad de seguir el formato y selección de imágenes, no sólo valores. El diseño no incluye ítems neutrales, imágenes contrabalanceadas, repetición de generaciones, parámetros de inferencia, intervalos ni tests. Por ello no identifica preferencias «intrínsecas». En una segunda fase, cinco VLM reciben biografías de PersonaChat y deciden si permanecer 45 segundos o saltar cada vídeo. Se ejecutan diez recorridos de 100 vídeos por modelo y plataforma, comparando la tasa de contenido considerado relevante en los primeros y últimos 50. Una estrategia simple usa sí/no; ISQ suma cuatro ratings de 1–10 y dos respuestas binarias, con umbral superior al 60 % para permanecer. Los cambios dependen simultáneamente del modelo, el prompt, el contenido servido y el recomendador de cada plataforma. Por ejemplo, con ISQ el cambio relativo en TikTok va de −2,0 % para Qwen-VL-Plus a 51,9 % para Gemini 1.5 Pro; en YouTube llega a 34,9 % para Claude y en Instagram a 16,4 % para GPT-4o. No hay comparación sobre las mismas secuencias, estimación de incertidumbre ni prueba causal de adopción de personalidad. Dos validaciones humanas aportan evidencia más estrecha: tres anotaciones por 1.500 capturas, 500 por plataforma, consideran representativa del vídeo una captura tomada a los dos segundos en el 90,4 % de los casos; en otra muestra estratificada de 500 pares y tres anotadores, el 90,6 % de los juicios sobre capturas y el 87,6 % sobre vídeos responden que el contenido refleja el valor asignado. Esas tasas validan en parte la recuperación de contenido, pero no miden acuerdo entre anotadores ni validez de las respuestas de los modelos. La auditoría visual confirma además una referencia «Figure ??» sin resolver. El análisis cultural usa captions de GPT-4o y reglas NER/palabras clave sobre 2.614 imágenes; las categorías pueden solaparse, sus cuentas suman 2.797 y sus porcentajes 107 %, aunque la tabla añade un total 2.614/100 %. El repositorio enlazado contradice la frase del abstract que afirma disponer de código y datos completos: en el commit 6f45f1d9cc071a034dfaecfe64bc75dfb30babb6 sólo hay README, licencia e imágenes, y su TODO deja pendientes dataset, evaluación, agente y código de anotación. El resultado defendible es que diferentes VLM muestran tasas de «sí» muy distintas bajo un protocolo concreto y que un agente con prompts de persona puede alterar una señal que alimenta recomendadores reales; no demuestra valores internos, personalidad estable ni steerability causal.
Pregunta de investigación
¿Producen distintos VLM patrones diferentes de aceptación ante imágenes recuperadas mediante valores de Schwartz y puede un prompt de persona cambiar, a través de decisiones de permanencia o salto, el contenido que recomiendan TikTok, YouTube e Instagram?