El trabajo audita decisiones binarias de género de seis LLM de 7–9B parámetros sobre 332.044 anuncios de empleo en inglés del portal National Career Services de India, activos entre julio de 2020 y noviembre de 2022. Para cada anuncio, el prompt afirma que «Mr. X» y «Ms. X» tienen las mismas habilidades y antecedentes y obliga al modelo a elegir a uno para una entrevista usando solo el título y la descripción del puesto. No hay currículos, experiencia o datos de candidatos: el resultado es una preferencia de etiqueta bajo empate forzado, no una evaluación de cualificación ni un callback real. La fuente es arXiv v1, preprint CC BY 4.0 de 74 páginas; todas fueron renderizadas e inspeccionadas visualmente.
Los modelos son Llama-3-8B-Instruct, Qwen2.5-7B-Instruct, Llama-3.1-8B-Instruct, Granite-3.1-8B-it, Ministral-8B-Instruct-2410 y Gemma-2-9B-it. Sus tasas femeninas originales son 73,24 %, 17,30 %, 41,02 %, 61,33 %, 1,39 % y 87,33 %, respectivamente. Por tanto, la frase del abstract según la cual «la mayoría» favorece a hombres no coincide literalmente con la Tabla 1: tres de seis quedan por debajo de 50 % y tres por encima. Tampoco son preferencias estables en cuatro familias. Al invertir el orden de «Mr.» y «Ms.», Ministral sube a 99,86 %, Llama 3 a 99,46 %, Gemma a 99,17 % y Granite a 79,64 %. Qwen apenas cambia a 19,55 % y Llama 3.1 permanece en 41,13 %. La evidencia principal para los cuatro primeros es una enorme sensibilidad de posición o etiqueta; Llama 3.1 se selecciona para los análisis detallados porque es el único relativamente estable.
La tasa excluye abstenciones. Llama 3.1 se niega a elegir género en 5,88 % de los anuncios, frente a 1,51 % o menos en los demás. En una tarea que exige discriminar entre candidatos declarados iguales, negarse puede ser una respuesta apropiada. Excluirla del denominador y, al mismo tiempo, interpretarla como salvaguarda introduce dos criterios distintos que el estudio no reúne en una métrica de utilidad, calidad y equidad. El diseño también reduce género a Mr./Ms.; no contempla personas no binarias, nombres neutros, presentación de género o intersecciones.
El artículo identifica 6.403 anuncios, 1,93 %, con una petición explícita de género mediante una regla muy simple: contiene «male» sin «female» o viceversa. Los kappas entre esa etiqueta y la elección del modelo van de 55,10 % en Granite a 92,42 % en Ministral. La regla no se valida manualmente y puede confundir negaciones, texto de igualdad de oportunidades, comparaciones o usos descriptivos. La alta conformidad demuestra sensibilidad a esos tokens según esa heurística; no prueba intención del empleador en cada anuncio ni «agreeableness» del modelo.
Para medir separación ocupacional, cada anuncio indio se fuerza a la ocupación estadounidense 2018 SOC más próxima entre 867 categorías, comparando embeddings all-mpnet-base-v2 del anuncio con resúmenes O*NET. No se publica un conjunto etiquetado, precisión, umbral de confianza, análisis de ambigüedad o propagación de error; el método base se cita como manuscrito no publicado. En Llama 3.1, la tasa femenina va de 31,24 % en Construction and Extraction a 49,83 % en Personal Care and Service y el índice de disimilitud original a seis dígitos es 8,25 %. Esto describe cómo se distribuyen etiquetas del modelo sobre categorías SOC inferidas; no mide segregación de trabajadores, candidaturas, entrevistas o contrataciones reales.
El 36 % de los anuncios, 119.740, ofrece un rango salarial y se usa su punto medio. Sin controles, Gemma, Granite y Llama 3.1 asignan la etiqueta femenina a puestos con salarios menores; Qwen no muestra brecha, mientras Ministral y Llama 3 la asocian a puestos mejor pagados. En Llama 3.1, la penalización bruta es de tres puntos logarítmicos, pero se invierte con efectos fijos y desaparece por completo al controlar ocupación, estado, mes-año, educación, experiencia, sector, organización y tipo de empleo en n=89.660. No es evidencia de diferente paga por el mismo trabajo. Al imponer paridad mediante umbrales de probabilidad, las brechas dependen mucho del modelo y de cómo sus logits se convierten en tokens; el procedimiento no se evalúa como política de contratación.
El lenguaje de los anuncios se relaciona con la probabilidad femenina de Llama 3.1 mediante 37 categorías de habilidades, Lasso sobre unigramas TF-IDF y más de 100 categorías LIWC-22. El modelo TF-IDF obtiene R² de 49,80 % en un 10 % reservado. Se observan asociaciones tradicionales: cuidado, escritura, reclutamiento, comunicación o prosocialidad elevan la etiqueta femenina; desarrollo, hardware, finanzas, dinero, poder o tecnología la reducen. Sin embargo, las correlaciones directas con palabras que empleadores asocian a mujeres y con palabras ligadas a más candidatas son solo 9,5 % y 15,8 %, que el propio texto denomina modestas. El abstract las llama «strong alignment», una formulación demasiado fuerte. Son asociaciones observacionales entre texto y salida; ocupación, empresa y geografía pueden confundirlas, y no se hacen perturbaciones contrafactuales manteniendo el puesto constante. Tampoco se corrige la multiplicidad ni se incorpora la selección Lasso a la inferencia post-Lasso.
La parte de personalidad condiciona solo Llama 3.1 con diez descripciones P2: nivel alto y bajo de apertura, responsabilidad, extraversión, amabilidad y estabilidad emocional. No se administra después un inventario para comprobar fiabilidad, convergencia o discriminación de los rasgos. Además, las descripciones mezclan el constructo con señales directamente relevantes. Apertura alta dice que las opiniones son liberales y apertura baja que son conservadoras; amabilidad alta incluye moralidad, altruismo y «hacer lo correcto», mientras la baja incluye inmoralidad, egoísmo y aprovecharse de otros. Responsabilidad baja ordena descuido e irresponsabilidad y estabilidad baja ansiedad y parálisis. Que apertura alta produzca 95,4 % de elección femenina, amabilidad alta 78,6 % y baja 11,0 %, o que las condiciones bajas aumenten rechazos, puede ser cumplimiento literal de esas instrucciones políticas, morales y conductuales, no un efecto aislado de personalidad.
El segundo enfoque pide simular a 99 figuras históricas y hace que el mismo Llama 3.1 las puntúe con diez ítems estilo TIPI, repetidos diez veces. Las identidades añaden ideología, género, fama, biografía, valencia moral y disparadores de seguridad. Mary Wollstonecraft alcanza 99,11 % de elección femenina; Hitler provoca 98,81 % de rechazo y se elimina después. El mismo modelo genera tanto las decisiones como los predictores de personalidad, de modo que las regresiones comparten método y conocimiento. Un punto de apertura percibida se asocia con 9,42 puntos porcentuales más de elección femenina; apertura y amabilidad con más disimilitud, extraversión con menos y apertura con mayor brecha salarial absoluta. Son asociaciones entre salidas del mismo modelo, no evidencia de personalidad humana ni de que el rasgo cause la conducta. Explicaciones sobre «risk scores» internos o historia comunista son especulativas porque esos mecanismos no se observan.
La cifra de 40.177.324 consultas de recomendación se reproduce exactamente: seis modelos base y seis con orden inverso, diez prompts Big Five y 99 identidades, todos por 332.044 anuncios. A ello se añaden 9.900 consultas TIPI no incluidas porque no son recomendaciones. Pese a esta escala, faltan configuración de inferencia, revisión de pesos, runtime, cuantización, temperatura, top-p, seed, hardware y fechas, código, corpus congelado, 40 millones de salidas, logits, etiquetas parseadas, mapeo SOC y resultados por persona. No hay repositorio oficial público localizado. El tamaño reduce error descriptivo sobre estos anuncios, pero no corrige sesgo de medición, dependencia del prompt o falta de reproducibilidad.
La contribución defendible es mostrar, a gran escala, que seis checkpoints de peso abierto responden de forma muy distinta a un empate binario artificial y que Llama 3.1 vincula lenguaje ocupacional con género bajo este protocolo. También revela que personas y nombres históricos modifican respuestas y rechazos. No demuestra callback real, discriminación causal de pesos, segregación o salarios observados, personalidad validada, efecto de amabilidad del reclutador ni una mitigación segura. La lectura correcta debe situar primero el colapso por orden, la desaparición de la brecha salarial ajustada y los fuertes confusores de los prompts de rasgo.