Este preprint estudia cómo instrucciones explícitas de Big Five cambian las respuestas de modelos visión-lenguaje y sus resultados en captioning y visual question answering (VQA). El término del título «multi-personality» debe leerse con precisión: el experimento no combina personas, identidades, agentes ni personalidades completas, sino dos direcciones seleccionadas de rasgos Big Five dentro de un mismo prompt. Tampoco observa una personalidad espontánea. Primero se ordena al modelo actuar con nivel alto o bajo de Amabilidad, Responsabilidad, Extraversión, Neuroticismo o Apertura. Después se mide si sus autodescripciones en BFI-44 e IPIP-NEO-120 se mueven en esa dirección y cómo cambian métricas multimodales. Se intentan dos técnicas publicadas: P2, que convierte cada rasgo en descriptores conductuales en lenguaje natural, y Big5-Scaler, que expresa intensidades numéricas. Los modelos base son LLaVA-v1.6-7B y Qwen2.5-VL-7B, sin IDs de repositorio, revisiones o checkpoint exactos. Los autores consideran que Big5-Scaler falla en Qwen y P2 falla en LLaVA; por ello, los análisis centrales de composición y cambio usan solo P2 con Qwen2.5-VL-7B. Para composición, un LLM auxiliar no identificado fusiona dos prompts y se publican nueve pares escogidos tras observar los efectos de rasgos individuales y priorizar tendencias alineadas. Para switching, el modelo mantiene un turno previo bajo una dirección del rasgo y recibe después la dirección opuesta dentro del mismo historial. La evaluación de personalidad usa las medias de BFI e IPIP-NEO. Captioning usa subconjuntos de 500 ejemplos de DOCCI y COCO-LN, con BLEU-4, CAPTURE, Objects F1 y Relations F1. El método también anuncia METEOR, pero no publica ningún valor METEOR. VQA abarca CCBench, HallusionBench, MathVista, MMBench, MMMU, MMStar y SEED-Bench. Los resultados muestran un fuerte seguimiento de instrucciones en los cuestionarios. Con P2 y Qwen, las direcciones alta y baja separan claramente la media del rasgo objetivo; por ejemplo, Extraversión BFI pasa de 3,38 en baseline a 5,00 o 1,13. También cambian dimensiones no objetivo. Esto demuestra que el prompt altera el autoinforme generado, pero no valida una personalidad latente, estable o equivalente a la humana: los dos inventarios son autodescripciones producidas por el mismo modelo bajo una instrucción que nombra y describe exactamente el rasgo que después se pregunta. No hay convergencia con conducta independiente, fiabilidad test-retest, validez discriminante ni invariancia al prompt. Varias medias llegan a 1,000 o 5,000, de modo que suelo y techo pueden comprimir artificialmente las diferencias en condiciones compuestas. En captioning, casi todas las condiciones superan el baseline en las métricas mostradas. Responsabilidad alta, por ejemplo, eleva BLEU-4 de 22,68/29,11 a 32,28/36,31 en DOCCI/COCO y CAPTURE de 55,89/44,12 a 58,39/45,90. Sin embargo, no se controla longitud, verbosidad ni formato, no hay evaluación humana de fidelidad y no se publican captions. Un prompt que pide estilo detallado puede producir textos más largos y con más objetos o relaciones, mejor alineados con referencias largas, sin que eso pruebe mejor razonamiento visual y quizá añadiendo detalle no sustentado. En VQA, el efecto depende mucho de tarea y dirección. HallusionBench qACC baja de 40,6 a 14,1 con Extraversión alta, mientras algunas direcciones bajas mejoran benchmarks concretos, como MMMU con Extraversión baja. El artículo interpreta que expresividad causa sobreafirmación y que contención reduce errores bajo incertidumbre, pero son explicaciones post hoc: no hay taxonomía de errores, análisis de longitud, anotación de alucinaciones ni ablación causal. Tampoco se informa cumplimiento del formato o fallos del parser; cambiar verbosidad, hedging o forma de la respuesta puede reducir una métrica exact-match sin demostrar deterioro del razonamiento. La composición de dos rasgos conserva en general las direcciones instruidas con valores menos extremos, mejora las métricas de captioning respecto al baseline y suele degradar parte de VQA. Los autores llaman a esas diferencias balancing, superposition, cancellation o compensation. Son patrones descriptivos interesantes, pero el diseño es selectivo: de cuarenta pares posibles de direcciones alta/baja que no enfrentan el mismo rasgo, solo se muestran nueve, elegidos después de mirar el rendimiento individual y buscando tendencias compatibles y rendimiento óptimo. El LLM auxiliar, su versión, prompt, parámetros y salidas compuestas no se revelan, así que cada efecto mezcla los rasgos con paráfrasis y descriptores desconocidos. No es un factorial exhaustivo ni una estimación confirmatoria de interacción. En switching, la segunda instrucción suele dominar, pero las medias son menos extremas que con una inducción fresca; captioning permanece sobre baseline y varios resultados VQA quedan entre los extremos individuales. El paper lo interpreta como residuo de la personalidad anterior. El experimento, no obstante, retiene la instrucción previa, el mensaje del usuario y la respuesta del propio modelo, y añade una instrucción contraria. Recencia textual, conflicto entre instrucciones y autocontinuación bastan para generar atenuación sin postular memoria de un estado psicológico interno. Además, la figura representa un segundo mensaje de sistema después de una respuesta de asistente, pero no explica cómo se serializa ese rol en cada chat template. El método habla de una serie multironda, mientras el experimento efectivo usa un único turno antes de un único cambio; no evalúa conmutaciones repetidas, estabilidad longitudinal ni personalidad que evoluciona naturalmente. La evidencia estadística es especialmente débil. Se publican puntos únicos sin semillas, repeticiones, intervalos, tests pareados o corrección por la gran cantidad de rasgos, modelos, métodos, métricas y benchmarks. El texto llama «significativas» a diferencias de cuestionario sin test, unidad de muestreo, p-value o intervalo. Tampoco se describen prompts completos, parser y reverse scoring de BFI/IPIP, tratamiento de respuestas inválidas, parámetros de generación, software, hardware, versiones de datasets o comandos de evaluación. La figura 1 contiene además una contradicción verificable: etiqueta una condición como baja Responsabilidad pero usa los descriptores organizada, disciplinada y fiable, iguales a los de alta Responsabilidad, mientras otro ejemplo bajo usa descriptores distintos y coherentes. El artefacto arXiv contiene TeX y figuras estáticas; no hay código, datos, prompts, respuestas, checkpoints ni repositorio público, y el propio paper condiciona la liberación del código a una futura aceptación. La conclusión fiel es acotada: en la configuración principal reportada, instrucciones Big Five cambian mucho lo que Qwen2.5-VL-7B dice de sí mismo y alteran métricas de captioning y VQA; las combinaciones seleccionadas y un cambio de instrucción dentro del historial producen resultados intermedios. No se demuestra personalidad humana, múltiples personalidades, persistencia interna, causalidad del mecanismo, significación estadística ni reproducibilidad independiente.
Pregunta de investigación
¿Cómo cambian los autoinformes Big Five y el rendimiento en captioning y VQA de modelos visión-lenguaje cuando reciben instrucciones de un rasgo alto/bajo, una composición seleccionada de dos rasgos o una instrucción opuesta después de un turno de conversación?