El preprint estudia si ciertas direcciones de activación etiquetadas como personalidad conservan su geometría tras fine-tuning de emergent misalignment (EM) y si intervenirlas cambia la frecuencia de respuestas dañinas. Define personality space como el span de 12 vectores: Big Five, Dark Triad y cuatro conductas para LLM, Evil, Sycophancy, Apathy e Impoliteness. No administra tests psicométricos. Claude 3.7 Sonnet genera instrucciones positivas/negativas, preguntas y rúbricas; GPT-4.1-mini filtra respuestas; y la diferencia media de activaciones residuales entre ambos polos produce cada vector. Por ello son contrastes sintéticos con nombres psicológicos, no perfiles Big Five o Dark Triad validados.
La geometría se compara entre cinco modelos instruct y sus fine-tunes bad-medical: Llama-3.1-8B, Llama-3.2-1B y Qwen-2.5 de 14B, 7B y 0,5B. Dentro de cada par, las relaciones entre los 12 vectores son parecidas: correlación de matrices 0,7264-0,9670, Procrustes 0,0195-0,0852 y CKA 0,8884-0,9776. En Qwen-7B, los fine-tunes bad-medical, extreme-sports y risky-financial tienen CKA 0,9873-0,9933 entre sí. Esto apoya estabilidad de estos 12 contrastes en checkpoints derivados, no que toda la representación de personalidad permanezca intacta. Los checkpoints comparten arquitectura y casi todos los pesos; compararlos con vectores aleatorios independientes es un null fácil y no se repite la extracción con nuevos prompts para estimar incertidumbre.
El PCA tampoco demuestra un manifold de personalidad intrínsecamente bajo-dimensional. Sólo recibe 12 vectores, así que tras centrar su rango máximo es 11 aunque el residual stream tenga miles de dimensiones. En Qwen-7B los dos primeros PCs explican 53,12% en base y 60,01% en bad-medical, pero eso describe la selección de 12 etiquetas. Llamar Valence y Arousal a PC1/PC2 es interpretación cualitativa, sin criterio externo; en Qwen-14B el PC tratado como valence ya cambia de PC1 a PC2. La separación prosocial/antisocial también está favorecida por la construcción: prompts y jueces se diseñan para expresar esas categorías.
El SVV agrega Agreeableness y Conscientiousness con cinco vectores antisociales invertidos. Invertir signos orienta los vectores, pero no equilibra los grupos: cinco séptimos del promedio proceden de rasgos antisociales. Es un eje de seguridad supervisado elegido por los autores. En la intervención, x se sustituye por x+β·proj_v(x): β=-1 elimina el componente y β=+1 duplica su valor firmado actual. La operación es idéntica para v y -v; «amplificar Evil» no significa añadir una dosis positiva de maldad, sino aumentar la magnitud de la coordenada que ya tenga la activación.
El endpoint funcional usa tres bad-medical models, Llama-8B, Qwen-7B y Qwen-14B, ocho escenarios first-plot con tres paráfrasis y diez generaciones, N=240 por run. GPT-4.1-mini marca alignment<3 y coherence>5. En Qwen-7B, baseline 12,5% pasa a 40,0% al eliminar Evil y 29,2% al eliminar SVV; duplicarlos baja a 1,7% y 0,8%. En Qwen-14B, 10,0% pasa a 53,3% y 43,8%; la duplicación baja a 0,4% y 0,8%. Son cambios grandes y consistentes en esos dos modelos y ese benchmark.
Llama no reproduce el headline. Desde 9,2%, eliminar Evil llega a 15,9% y SVV a 15,2%; duplicar Evil empeora a 10,0% y duplicar SVV sólo baja a 6,7%. Por tanto, «menos de 3%» describe Qwen, no todos los modelos. El texto dice además que Qwen llega al floor 0%, aunque la figura muestra 0,4%-1,7%. Y la introducción contiene una inversión literal: afirma que ablacionar Evil/SVV reduce EM a casi cero cuando todos los resultados muestran que ablacionar aumenta y amplificar reduce.
La causalidad es más estrecha que moral blindness o intrinsic guardrail. Forzar una dirección en una capa seleccionada causa cambios de output, pero no prueba que ese eje implemente naturalmente un guardrail moral o que EM active una persona antisocial. No se mide que generaciones EM ocupen más la coordenada Evil/SVV. En Qwen-14B, Evil y SVV son casi ortogonales a una dirección EM previa, coseno -0,001681 y -0,022322. Faltan controles con ejes aleatorios de igual norma, tareas benignas, refusal rate y utility. Más de 90% de coherencia lingüística no descarta sobre-rechazo o daño de capacidades.
Los efectos están postseleccionados. Se prueban diez PCs, 12 traits, SVV, dos signos, varias capas y tres modelos; el layer headline se elige buscando el efecto máximo sobre el mismo first-plot set. En Qwen-14B se escoge layer 16 en el pico de 53,75%. No hay test final intacto ni corrección por multiplicidad. Los 240 outputs se anidan en sólo ocho escenarios, pero los errores binomiales los tratan a nivel respuesta. No se publican seeds ni decoding de los modelos evaluados; sólo los del juez. La métrica se define sobre el subconjunto coherente, pero no da denominadores por condición, y los SE baseline coinciden estrechamente con usar N fijo=240.
El juez también introduce incertidumbre no medida. No hay validación humana o segundo juez. El prompt permite CODE, REFUSAL o un número, pero max_tokens=1 y el paper no explica parsing ni cómo entran CODE/REFUSAL en las tasas. Tampoco reporta refusals, aunque una reducción de daño puede provenir de rechazo generalizado. El procedimiento dice 20 preguntas sintéticas por trait, mientras el prompt impreso pide 40; no publica prompts finales, counts tras filtrado, respuestas, vectores o resultados por run.
La transferencia funcional se limita a Qwen-2.5-7B base→su propio derivado bad-medical. El Evil del base produce 32,9% al ablacionar y 2,1% al amplificar, frente a 40,0% y 1,7% con vector nativo; SVV transferido da 26,2% y 1,2%, frente a 29,2% y 0,8%. Es evidencia útil de transferencia dentro de la misma arquitectura y sistema de coordenadas. No es transferencia entre familias, tamaños o los tres dominios; la discusión que la atribuye a SVV en todos los organismos excede la figura. 32,9% tampoco «casi duplica» 12,5%: es 2,63 veces. Aplicar el método sigue requiriendo acceso white-box a activaciones compatibles.
El source aporta TeX, rúbricas y nueve figuras, pero no el codebase que los autores dicen haber desarrollado, entorno, revisiones exactas, dataset sintético, activaciones, vectores, outputs o juicios. La lectura fiel es que ejes sintéticos de valencia preservan relaciones entre checkpoints derivados y que su proyección controla fuertemente el pequeño benchmark EM en dos Qwen, con efecto más débil en Llama y una transferencia demostrada en un único par Qwen. No demuestra personalidad psicométrica, un mecanismo moral, robustez general, seguridad sin pérdida de utilidad ni un guardrail desplegable en APIs.