Jackson, Li y Edelstein preguntan si los estados ocultos de Gemma-3-4b-it permiten distinguir textos académicos generados bajo personas británicas y chinas. Cruzan 45 plantillas con seis condiciones que combinan nacionalidad, medio de instrucción y rol, y producen 270 introducciones de 149 a 261 palabras. Sobre los estados de los tokens generados en las 35 capas entrenan probes logísticos; una partición fija 80/20 usa 216 textos para selección por validación cruzada y 54 para un único test. También comparan etiquetas permutadas, TF-IDF, transferencia entre familias de prompts y probes de medio y rol.
El resultado principal es una decodificación muy alta: nacionalidad alcanza accuracy de validación cruzada .968 ± .031 en la capa 18 y 54/54 en el holdout. El control con etiquetas permutadas queda en .499 y TF-IDF obtiene .371 en validación y .463 en test. La transferencia entre familias va de .589 a .933, con cinco de seis direcciones por encima de .844. El resultado muestra que una señal no reducible a unigramas superficiales es linealmente recuperable en este run. Sin embargo, British o Chinese está escrito explícitamente en cada instrucción: el probe puede estar leyendo persistencia contextual de esa etiqueta y de las mismas cláusulas de persona, no una cultura aprendida de forma independiente.
El análisis lingüístico selecciona posiciones por su propio score discriminativo: top 5% de ventanas de cinco tokens y top 2,5% de tokens individuales, con umbrales calibrados en la capa 24. Tras filtros quedan 6.961 ventanas y 2.353 tokens. En las ventanas seleccionadas aparecen más premodificación bajo persona china y más postmodificación, hedging, boosting y pasiva bajo persona británica; los dominios léxicos destacados también difieren. Pero la magnitud estructural es pequeña y las pruebas tratan miles de filas solapadas, repetidas entre capas y anidadas en solo 270 textos como si fueran independientes. Además, elegir filas por un clasificador de nacionalidad y después probar diferencias por nacionalidad introduce circularidad de selección.
La comprobación decisiva es el baseline de superficie completa: sobre 1.734 oraciones no hay diferencias significativas en frase, UPOS, predicado, hedges, boosters, modales o pasiva. Esto no prueba neutralidad cultural, pero sí limita la inferencia práctica: los efectos aparecen en posiciones elegidas por el probe, no como diferencias generales en los textos medidos. Tampoco hay intervención sobre activaciones, comparación con autores humanos, ratings de autenticidad cultural, outcomes pedagógicos ni evaluación de «cultural hollowness». La decodificación lineal no demuestra causalidad ni daño educativo.
La validez cultural exige todavía más cautela. Dos etiquetas nacionales sintetizan poblaciones, instituciones, disciplinas e historias lingüísticas heterogéneas. Los seis perfiles mezclan nacionalidad con medio y rol, no publican sus cláusulas exactas y los probes también recuperan medio (.870 en test) y rol (.963), señal de que la estructura compartida del prompt sigue presente. Dentro del cohort inglés la diferencia por nacionalidad es nula; dentro del chino aparece con celdas pequeñas. Los odds ratios de algunas tablas tampoco dejan clara su categoría de referencia y parecen invertir la dirección de las proporciones.
El trabajo es un preprint v2 de 43 páginas y usa un solo checkpoint, generación greedy y una única salida por prompt. No informa seed de la partición, revisión exacta del modelo ni entorno reproducible. El paper menciona un run guardado localmente o en Google Drive, pero no publica corpus, prompts, cláusulas, activaciones, splits, código, correcciones Stanza, lexicones ni outputs. La contribución real es una demostración exploratoria de que la condición nacional explícita permanece decodificable en estados ocultos de un modelo; no evidencia de que «lo británico» y «lo chino» sean mecanismos culturales internos validados.