Este preprint pregunta si etiquetas simples de persona producen juicios de sentimiento urbano estables, diferentes entre perfiles y válidos como aproximación a la percepción humana. Con Qwen3-VL:8B servido en Ollama, cruza género, nivel económico, orientación política y estilo de personalidad en 24 perfiles. Para cada perfil realiza 50 llamadas sobre las mismas 50 imágenes de PerceptSent: 60.000 intentos, de los que el artefacto publica 59.708 respuestas válidas y 292 fallos. También ejecuta el mismo modelo sin persona, con y sin razonamiento, cinco veces por imagen. Las repeticiones bajo un perfil idéntico convergen mucho: en 1.200 grupos perfil-imagen el acuerdo con la clase modal promedia 0,871 y la mediana es 0,98. Sin embargo, esa estabilidad no equivale a diversidad válida. El contraste global entre perfiles es significativo por el gran número de filas, pero explica menos del 1% de la variación; género no tiene efecto, y nivel económico, política y personalidad muestran diferencias pequeñas. Además, el 77,34% de las predicciones con persona cae en las clases extremas negativa o positiva, frente a 65,2–66,0% sin persona. La concordancia con humanos empeora al pasar de polaridad gruesa a cinco clases, y los controles sin persona igualan o superan a la condición con persona en todas las variantes publicadas. La conclusión defendible es que estas cuatro etiquetas inducen respuestas muy repetibles y algo más extremas, pero aportan poco valor como anotadores humanos sintéticos en este escenario. La auditoría corrige varios detalles materiales. La Figura 5 compara predicciones del modelo sobre 50 imágenes con la distribución humana de las 5.000 imágenes: el 35,3% humano citado no corresponde a la muestra experimental, donde los extremos son 44,0%. El sesgo de extremidad continúa, pero la brecha comparable es unos 33,3 puntos, no 42,5. El texto describe validación cruzada de cinco pliegues, aunque el código sólo toma una submuestra sembrada del 60% por imagen y luego bootstrappea imágenes. Para los controles sin persona usa tres de cinco ejecuciones en el estimador puntual, no la moda de las cinco que declara el artículo. Al recalcular con las cinco, la conclusión no cambia, pero se reducen varias ventajas del control. Los CSV de acuerdo enlazados en README tampoco coinciden en nombres ni columnas con el cargador, por lo que esa parte no se reproduce sin reconstrucción. Finalmente, los 1.200 llamados agentes son ejecuciones sin memoria con sólo 24 combinaciones de etiquetas, no identidades persistentes ni personas independientes. No hay humanos con atributos emparejados a esas etiquetas, modelo jerárquico para imágenes y repeticiones, tests o CI; el tag Ollama no conserva digest de pesos. El trabajo muestra consistencia de obediencia a un prompt y una limitación útil de las personas simples, no realismo demográfico, personalidad psicológica ni simulación individual válida.
Pregunta de investigación
¿Producen cuatro etiquetas demográficas y de estilo personas multimodales cuyos juicios sobre escenas urbanas sean reproducibles dentro del perfil, diferenciables entre perfiles y concordantes con la percepción humana, o el mismo modelo sin persona funciona igual o mejor?