Este preprint presenta ARPM, un prototipo de memoria externa para conservar continuidad factual y temporal en diálogos largos. Su aportación más sólida no es una personalidad psicológica nueva, sino una arquitectura inspeccionable: separa conocimiento estable de experiencias conversacionales, recupera ambos por rutas distintas, fusiona vector y una variante BM25 mediante RRF, aplica decaimiento por distancia de ronda y tiempo físico, ordena cronológicamente las evidencias y exige una fase de análisis antes de responder. Así convierte parte de la continuidad en estado, retrieval, prompt y logs auditables, en vez de dejarla enteramente en pesos o contexto.
En dos pruebas estructuradas de 50 rondas, una regla automática marca 27/50 respuestas correctas con señal:ruido 1:5 y 22/50 con 1:200+; la revisión manual las eleva a 50/50 y 40/50. La auditoría reproduce exactamente esa aritmética desde los CSV: hay 23 y 18 cambios, todos de 0 a 1, y ninguno inverso. La etiqueta final no es recall clásico, sino un juicio conjunto de evidencia presente, apoyo y respuesta correcta. Sin segundo anotador, cegamiento de condición, acuerdo o auditoría inversa, la diferencia prueba desacuerdo con la regla automática, no una estimación imparcial de ventaja frente a otro sistema.
La hoja de ablación permite reconstruir los titulares con otra frontera. Desactivar historial corresponde a seis preguntas con cuatro etiquetas normales y dos errores: 66,7 %. Sin retrieval híbrido hay 20 filas: 16 correctas, tres «apenas correctas» y una errónea; el 80 % cuenta solo las 16 estrictas. H y A2 tienen 20/20 y ninguna anomalía. Pero los grupos cambian en tamaño, fecha, prompt, preset y vocabulario; no hay réplicas, aleatorización, seeds, intervalos ni inferencia. Son ablations descriptivas de un log, no efectos causales precisos.
La prueba cross-model encadena modelos a medida que avanza una conversación con contexto limpiado y un sustrato descrito como 5,1 millones de caracteres chinos de novela-ruido. El paper afirma 183 rondas y dos timeouts excluidos, pero el agregado y los tres logs públicos cubren índices 1-172. Phase II contiene 154 bloques de memoria, no una tabla de once rondas que reconcilie 183. El denominador no es reproducible. Además, modelo, ronda, tema, contaminación acumulada y dificultad cambian juntos; la caída de Qwen2.5, recuperación de Qwen3/LongCat y deriva de MiniMAX son observaciones de una trayectoria, no un leaderboard causal.
«Consistencia de persona» mezcla tono, profesión, forma de dirigirse al usuario, tarea, referencias sensoriales, recuerdo factual, tiempo y cumplimiento de etiquetas. La escala A-E carece de validez psicométrica, estructura factorial, fiabilidad o ground truth humano. El protocolo admite mezcla de puntuación humana y model-assisted. El constructo fiel es continuidad externa de hechos, referencias y estilo en un caso, no personalidad, identidad o experiencia subjetiva.
El repositorio es valioso e inspeccionable, pero la auditoría ejecutada encuentra defectos. El peso temporal supera 1 con timestamps futuros y se queda silenciosamente en 1 con timestamps timezone-aware; una prueba produjo 1,15356 para +24 h y 1,0 para -24 h con zona. Knowledge usa inner product no normalizado mientras historial usa coseno normalizado aunque comparten umbral 0-1. El «BM25+» es una variante propia con IDF desplazado. Faltan init de paquetes y otro package storage bloqueó imports. Los tests del snapshot pasan 9/10 configuración, 9/11 role validator y 3/5 retriever; fallos persisten en main, sin CI ni tag del paper. Main ya es v4.1.
Un documento público contiene además una credencial API en claro, no reproducida aquí; debe revocarse y purgarse. Flask carece de autenticación, enlaza 0.0.0.0, activa debug por defecto fuera de Docker y expone borrado/vaciado; la UI guarda la clave en localStorage. Es prototipo local, no servicio listo para red.
En conjunto, ARPM demuestra factibilidad e inspeccionabilidad de continuidad factual-temporal. Los CSV sostienen los recuentos manuales y la hoja las etiquetas descriptivas. No demuestra 183 rondas, comparación causal entre modelos, superioridad frente a otras memorias/long context ni personalidad psicológica. Las declaraciones de disponibilidad «not applicable» contradicen el repo y el artefacto actual no es el snapshot exacto del envío.