Este preprint retirado de ICML 2026 examina cuánto cambia la respuesta de GPT-4o a un IPIP-50 cuando se reordenan las preguntas. Compara dos instrucciones explícitas: responder como una persona estadounidense típica y responder como una persona chino-estadounidense. Su tesis es que una persona LLM tendría dos componentes: medias Big Five relativamente robustas al marco de análisis y una supuesta geometría de correlaciones dependiente de que todas las respuestas compartan el mismo orden. Los números muestran sensibilidad al orden y a la forma de construir features, pero el diseño no valida una geometría temporal interna ni una personalidad cultural.
El modelo es gpt-4o-2024-05-13, temperatura 0,7 y máximo 150 tokens. No usa system prompt. En orden fijo, todas las llamadas reciben los 50 ítems en la misma secuencia; en orden aleatorio, cada llamada recibe una permutación distinta. La muestra principal reportada contiene 193 respuestas fijas, 96 estadounidenses y 97 chino-estadounidenses, y 187 aleatorias, 92 y 95, 380 en total. Existe una contradicción: el apéndice afirma que se recogieron 100 llamadas válidas por cada una de cuatro celdas y que las inválidas se reemplazaron, lo que debería dar 400. No se publican los 20 casos ausentes ni el número de reintentos. Un estudio grande apunta a 500 por celda, pero reporta 1.931 respuestas completas y después titula sus tablas de clustering como N=2.000.
La aportación técnica es una matriz 10×5 por respuesta. Cada columna contiene los diez ítems de un rasgo Big Five en el orden en que aparecen; luego se calcula una correlación Pearson 5×5 entre columnas y se aplica logaritmo matricial para obtener features SPD. El problema es fundamental: una fila no contiene cinco variables observadas en un mismo instante. Empareja el primer ítem encontrado de extraversión con el primero encontrado de amabilidad, responsabilidad, estabilidad emocional e intelecto, aunque cada uno apareció en una posición temporal distinta y pregunta por contenido diferente. La segunda fila hace lo mismo con los segundos ítems. Es una correlación entre emparejamientos arbitrarios por rango dentro de cada rasgo, no covariación multivariante contemporánea. La validez del IPIP como escala agregada no valida esta nueva geometría.
Las tres condiciones analíticas son FO, RO y RO-BTSP. Esta última no vuelve a consultar el modelo bajo un marco temporal compartido. Toma las respuestas ya generadas con órdenes aleatorios distintos y, en cada iteración, recompone todas sus matrices con una misma permutación nueva. Así rompe la relación con el orden real de generación y fuerza post hoc el mismo emparejamiento semántico entre ítems. Si el clustering se recupera, demuestra que un esquema de emparejamiento común hace más separables las salidas de dos prompts; no demuestra que una coordinación autoregresiva latente reaparezca al alinear tiempo. La afirmación de «computational connectivity» es una interpretación mecanicista no medida: no se inspeccionan activaciones, atención o estados internos.
En la muestra principal, el acuerdo entre dos clusters y las etiquetas de prompt es 96,89 % para medias Big Five en orden fijo y 75,90 % en orden aleatorio. Para las features SPD es 95,34 %, 52,94 % y 84,50 % en FO, RO y RO-BTSP. Los autovalores dan 61,14 %, 50,27 % y 59,20 %; el autovector principal 50,78 %, 50,27 % y 63,10 %. Solo SPD exhibe la V fuerte. Los autovalores muestran una recuperación pequeña y el autovector empieza y permanece al azar antes de subir por encima de su valor fijo. Por eso la afirmación textual de que todas las features geométricas colapsan catastróficamente y se recuperan no coincide con la propia tabla.
El abstract denomina 21 % a la caída agregada: son 20,99 puntos porcentuales o 21,66 % respecto al valor fijo. Para SPD, la pérdida total es 42,40 puntos. La diferencia entre 84,50 y 95,34 atribuida al orden es 10,84 y la diferencia entre 52,94 y 84,50 atribuida al marco es 31,56: 25,6 % y 74,4 % del total. La conclusión imprime 78 % de degradación por desalineación, no el 74 % de la tabla. Son inconsistencias de presentación, no pruebas de una ontología dual.
El análisis principal ajusta UMAP a todas las observaciones y luego spectral clustering con k=2 sobre el mismo conjunto. La accuracy maximiza la permutación de etiquetas. No hay train/test, validación cruzada, prompts retenidos, órdenes retenidos o réplica externa; es separación in-sample, no precisión predictiva ni validez psicométrica. Seeds y opciones completas de UMAP/clustering faltan. También se publican AUC 0,98 y 0,61 sin definir score, orientación o estimador para obtener ROC a partir de clusters no supervisados. En la muestra grande se cambia a k-means sobre features crudas; por ello, comparar el estudio principal con el grande mezcla tamaño muestral y algoritmo, y no valida un tamaño «óptimo» de unas 100 respuestas.
Los tests t con 1.999 grados de libertad tratan 2.000 permutaciones post hoc de las mismas 187 respuestas como si fueran la muestra inferencial. El t=102,69 y d=2,30 para la recuperación SPD proceden de la dispersión entre marcos impuestos; aumentar el número de iteraciones aumenta el t sin añadir llamadas independientes, modelos, personas o prompts. De hecho, solo 86,8 % de las iteraciones supera las medias Big Five, una descripción más directa que p<0,001. Esos p-valores miden precisión Monte Carlo condicionada al dataset y no incertidumbre de generalización.
La afirmación de que las matrices son SPD tampoco queda garantizada solo por tener forma 10×5. Centrar datos puede reducir el rango; columnas Likert constantes o dependientes producen correlaciones singulares, y el logaritmo matricial exige autovalores positivos. No se describen umbrales, regularización, nearest-SPD, exclusiones o comprobaciones de autovalor mínimo. El claim de Random Matrix Theory también es insuficiente: se dice que los espaciados siguen Wigner-Dyson y por ello no son ruido, pero no se publica ajuste, test, null, unfolding ni forma de pooling. Wigner-Dyson es precisamente una ley de ensembles de matrices aleatorias; una semejanza visual no refuta por sí sola una explicación aleatoria ni demuestra coordinación semántica.
Hay un límite psicométrico adicional. La clave oficial de los 50 marcadores IPIP denomina al factor 4 Emotional Stability y puntúa en sentido inverso estrés, preocupación e inestabilidad emocional. El apéndice sigue esa dirección, pero las tablas llaman Neuroticism al resultado. Salvo que el código aplique una segunda inversión no documentada, la variable impresa como neuroticismo tiene realmente dirección de estabilidad emocional. Tampoco se publica el mapeo numérico A-E, el procesamiento de ítems inversos ni si las matrices usan puntuaciones crudas o corregidas.
La clasificación cultural debe interpretarse como obediencia a dos prompts, no como medida de población. La etiqueta está explícita en la instrucción y se pide reflejar valores «típicos». La versión chino-estadounidense presupone una única mezcla que «caracteriza» esa experiencia. No hay participantes, validación comunitaria, subgrupos, variantes del prompt, baseline neutral o análisis de estereotipos. La referencia citada como base de diferencias culturales conserva en la bibliografía un identificador placeholder, arXiv:2401.xxxxx. El experimento no demuestra cómo son personas estadounidenses o chino-estadounidenses ni prevalencia de sesgos del modelo.
El archivo es arXiv v1 y SSRN; ambos indican retirada de ICML 2026. El pie «Proceedings of ICML / PMLR 306» es residuo de plantilla y no prueba aceptación. La fuente promete código y datos solo «upon acceptance», pero no existe publicación ni repositorio localizado. El tar contiene TeX y siete figuras, no respuestas, código, seeds o logs. La contribución defendible es estrecha: el orden de preguntas cambia de forma importante salidas y medias de GPT-4o, y una evaluación seria debe variar el orden, revelar todas las decisiones de feature engineering y probar fuera de muestra. No se establece una naturaleza dual de la personalidad, conectividad computacional o traits humanos simulados.