El preprint presenta DISCA, un controlador de inferencia para acercar decisiones morales de un LLM a promedios nacionales de Moral Machine/MultiTP sin cambiar pesos. Ejecuta el mismo modelo con un prompt base y cuatro personas, jóvenes, mediana edad, mayores y agregado nacional, simetriza A/B, busca una corrección escalar de logits mediante importance sampling con utilidad asimétrica inspirada en Prospect Theory y la reduce cuando dos pasadas independientes discrepan. Cultural alignment significa aquí menor distancia L2 entre seis AMCE del modelo y el vector AMCE humano medio del país; no significa legitimidad moral, fidelidad individual, representación completa de una cultura ni seguridad.
Las personas sí consumen datos por país. Se construyen desde World Values Survey Wave 7: medias no ponderadas por cohorte en diez dimensiones, normalización y descriptores por cortes deterministas de cuartil. Por tanto, «sin etiquetas por país» sólo es fiel si significa sin etiquetas MultiTP/AMCE por país durante la inferencia; no significa alineación sin datos nacionales. No se publican pesos de encuesta, N por cohorte ni incertidumbre. El fallback manual tampoco queda validado en el panel principal: Arabia Saudí, el ejemplo citado, está excluida de los 20 países.
La Proposición 1 demuestra un resultado más estrecho que el producto. Si cada persona fuera una observación insesgada, i.i.d. y con varianza común alrededor de un logit humano no observado, la varianza entre agentes estimaría el ruido y existiría un shrinkage escalar óptimo en MSE. El paper reconoce que las personas comparten modelo y escenario. El factor óptimo depende además del target humano no observado y no puede calcularse. DISCA lo sustituye por PT-IS y una compuerta exponencial entre dos runs. La prueba motiva la forma cualitativa, pero no demuestra que el controlador completo sea MSE-óptimo, que la variación de prompts estime incertidumbre humana ni que dos pasadas midan desacuerdo demográfico en vez de ruido Monte Carlo.
En la tabla principal de 20 países, los seis modelos seleccionados de al menos 3,8B reducen MIS 10,3%-23,6%; Gemma-4-E2B 2B mejora 3,4%. Llama-3.3-70B y Qwen3-VL-8B mejoran en 20/20 países; Phi-4 en 18/20 y obtiene la menor MIS, 0,346. Phi-4+DISCA queda por debajo de Llama-3.3-70B vanilla, 0,346 frente a 0,849, y de Llama+DISCA, 0,668. En Phi-4, DISCA supera PRISM prompt 0,384, MC-Dropout 0,403, activation steering 0,430, WVS Profile 0,453 y vanilla 0,454. Es un resultado descriptivo fuerte en ese benchmark, no una ley de que calibración venza a escala.
La selección limita la generalización. Los siete modelos se eligen explícitamente por los gains más robustos tras 28 combinaciones; la tabla ampliada omite nueve modelos con ganancia no positiva. El panel de prototipado BRA/CHN/DEU/JPN/USA está incluido en los 20 países finales. El headline describe una selección favorable, no la tasa de éxito sobre arquitecturas no seleccionadas. Las tres semillas prueban estabilidad del muestreo del controlador, std macro hasta 0,006, pero no incertidumbre de WVS, del target humano o de escenarios.
En abierto, Claude 3 Opus lee cada respuesta, devuelve A/B y confianza y el estudio la transforma en pseudo-logit. Los cuatro modelos mejoran en media: 6,85% Llama, 6,67% Phi-4, 4,55% Qwen2.5 y 2,13% Phi-3.5. Sin embargo, la tabla contiene siete celdas país-modelo negativas, no seis como dice el texto; la peor es -3,10%. No hay validación humana de la decisión del juez, calibración de confianza ni equivalencia cultural. Añadir ruido gaussiano a pseudo-logits comprueba ruido numérico, no sesgo semántico. En BLEnD factual, siete de 16 países mejoran pero SEM-B agregado cae 4,4 puntos.
El vínculo WVS→AMCE está sobreinterpretado. Se ajustan diez predictores con sólo 20 países; con intercepto quedan nueve grados de libertad residuales. El texto destaca R² crudo 0,55-0,69, pero la tabla da R² ajustado 0,05-0,35, 0,05 en Age y 0,09 en Species, sin cross-validation, intervalos ni corrección por multiplicidad. La llamada causal impact matrix es una ablación leave-one-descriptor-out del controlador, no identificación causal de cómo WVS produce preferencias humanas. Una lengua por país también confunde cultura con traducción, tokenización y competencia lingüística.
Hay conflictos internos. Magistral tiene MIS 0,350 en la tabla principal y 0,334 en la ablación de los mismos 20 países. La comparación de la cuarta persona informa 0,4252 para el agregado y 0,4049 para el ancla utilitaria en Phi-4/20 países, incompatibles con el 0,346 principal; 0,4252 coincide con N=2 en otro sweep. Tail safety da ΔMIS 0,096 en 120 celdas, mientras las seis medias headline implican 0,1015. La batería llamada nueve checks muestra ocho filas. El arXiv dice 57 páginas y el PDF v2 renderiza 48. El oversampling con reemplazo duplica escenarios y cambia pesos; no añade información independiente.
La reproducibilidad pública no permite resolverlo. El paquete contiene TeX, bibliografía y cinco figuras, pero no código, perfiles WVS derivados, prompts completos, IDs de escenarios, logits, candidatos IS, gates, respuestas, juicios, resultados por run, sweep completo, entorno o revisiones exactas de modelos. El texto activo afirma que hay implementaciones en un archivo de código, mientras un comentario del fuente dice que se publicarán tras aceptación; no hay archivo ni repositorio enlazado. La lectura fiel es que DISCA reduce la distancia a promedios AMCE en una selección favorable de modelos y suele hacerlo en un track abierto mediado por Claude. No demuestra alineación cultural general, optimalidad del algoritmo completo, legitimidad normativa, protección de minorías ni reproducibilidad independiente.