Shah, Mishra y Silpasuwanchai estudian si la amabilidad atribuida a 275 personas sintéticas se asocia con la tendencia de 13 modelos abiertos, de 0,6B a 20B, a aceptar opiniones planteadas por el usuario. Cada modelo puntúa las mismas personas con 40 ítems adaptados de NEO-IPIP y responde 4.950 prompts de opinión en 33 categorías, primero como asistente genérico y después bajo cada persona. Las respuestas se reducen a acuerdo 1, desacuerdo 0 o parcial .5. Sobre 275 medias por modelo, el artículo combina correlaciones, regresión y comparaciones alto-bajo.
El patrón publicado es real dentro de ese diseño: nueve de trece modelos muestran asociación positiva entre su propia puntuación de amabilidad y su tasa de acuerdo. Llama 3.1 8B alcanza r=.868 y OLMo 3 7B r=.853. Pero el titular de tamaño de efecto contiene una contradicción material: abstract e introducción anuncian Cohen d=2,33 para SmolLM3, mientras las tablas le asignan d=.455 y el máximo del estudio es d=1,282 para OLMo. Ningún resultado o artefacto público resuelve la diferencia.
La comparación con el baseline cambia la lectura. Adoptar una persona reduce el acuerdo en la mayoría de modelos: Llama pasa de .36 a .05, SmolLM3 de .41 a .17 y Phi-4 Mini de .36 a .14. Gemma 3 1B es la excepción clara, de .37 a .59; Yi y GPT-OSS apenas cambian. Por tanto, el estudio encuentra sobre todo variación entre personas dentro de cada modelo, no un aumento general de aquiescencia causado por usar personas.
La limitación decisiva es de constructo. El propio apéndice dice que los prompts son opiniones subjetivas, no afirmaciones verificables. Aceptar una postura debatible no equivale necesariamente a mentir, engañar o sacrificar precisión factual. No hay etiquetas de verdad, referencias externas, formulaciones neutrales emparejadas ni evaluación de las razones. Trait-Truthfulness Gap solo multiplica el cambio de acuerdo por la amabilidad ya medida; sus zonas de «engaño» y «verdad», fijadas en ±.1 sin validación, no convierten acuerdo subjetivo en factualidad.
La medición tampoco aísla amabilidad. El mismo modelo interpreta la persona, la puntúa y genera el resultado, lo que introduce método compartido. Las personas varían a la vez en ocupación, ideología, ética y estilo, dimensiones que se solapan con los temas de los prompts. No hay ratings humanos o externos, fiabilidad, estructura factorial, invariancia ni manipulación aleatoria de un único rasgo. Además, los seis tests son dos familias de análisis dependientes sobre los mismos datos, no seis réplicas independientes; no se corrige multiplicidad y el median split pierde información.
La afirmación de validación manual tampoco está respaldada. El texto remite al Appendix D, pero este solo describe reglas deterministas de extracción y no informa muestra, anotadores, acuerdo ni accuracy. El checklist oficial de ACL marca que no se usaron anotadores humanos. El repositorio publica código y los inputs completos, 275 personas, 4.950 prompts y cuestionario, pero no generaciones, matrices, breakdowns, figuras ni JSON de tests que el Appendix E dice disponibles. El dataset de Hugging Face existe como ficheros crudos, aunque su Viewer falla y la tarjeta los llama resultados cuando son inputs. Es un estudio amplio y útil sobre sensibilidad de acuerdo a persona, no una demostración de verdad, engaño, personalidad humana o causalidad de la amabilidad.