El artículo, aceptado como póster en ICLR 2026, propone Persona Dynamic Decoding (PDD), un método sin ajuste fino para reforzar durante la decodificación los atributos de una ficha de personaje que parecen más relevantes para el contexto. Su módulo PIE genera primero una respuesta con el perfil completo y asigna importancia a cada atributo mediante el cociente entre la probabilidad de esa misma respuesta con y sin el atributo. PIA calcula después recompensas de razón de probabilidades para los atributos más importantes, las combina con esos pesos y pretende reponderar la distribución del siguiente token bajo una penalización KL. En la configuración principal se conservan dos atributos, se usa beta=1 y se necesitan aproximadamente tres distribuciones del modelo por token, además del cálculo inicial de importancia.
Los experimentos emplean Qwen2.5-7B-Instruct y LLaMA-3-8B-Instruct en CharacterEval, BeyondDialogue y PERSONALITYBENCH, con pruebas adicionales en Qwen2.5 de 3B y 14B. GPT-4o realiza comparaciones por pares; CharacterRM puntúa cinco dimensiones de rol y varios LLM, junto con cinco investigadores, juzgan cinco criterios de importancia definidos por los autores. PDD obtiene el mejor promedio abierto de CharacterRM: 2,85 frente a 2,83 para el mejor baseline en Qwen y 2,81 frente a 2,75 en LLaMA. En PERSONALITYBENCH alcanza 4,57 de media con ambos modelos. No gana, sin embargo, en todas las dimensiones que el texto afirma: queda por debajo de algún baseline en cuatro de cinco rasgos con Qwen y en extraversión y neuroticismo con LLaMA. Las comparaciones por pares suelen arrojar más victorias que derrotas, pero varias tasas de victoria quedan por debajo del 50 %. En el rebuttal, dynamic prompting logra 2,76 frente a 2,85 de PDD; un revisor mantuvo su nota porque la mejora de 0,09 no compensaba claramente el mayor coste.
La contribución defendible es una estrategia de steering contextual que, según los evaluadores elegidos, puede aumentar la expresión explícita de perfiles. Las afirmaciones teóricas y de aplicabilidad requieren mucha cautela. Sustituir una entropía por la log-probabilidad de una única respuesta autogenerada no demuestra una estimación de información mutua condicional, y el proxy es circular: la respuesta ya condicionada por el perfil decide qué partes del perfil se reforzarán. Además, las ecuaciones publicadas de la política escriben la recompensa como función del historial, no del token candidato; tal como están formuladas, el factor exponencial se cancela y la política queda igual a la base. Tampoco se define el primer token, la norma cero ni el tratamiento de importancias negativas. No existe código que permita resolver la ambigüedad. Faltan detalles estadísticos, fiabilidad de la evaluación humana, snapshots de modelos, datos procesados y salidas. La validación se limita sobre todo a personajes ficticios y rasgos Big Five explícitos, no a resultados sociales o poblaciones humanas. Un caso incluso premia como mayor fidelidad que el perfil de un menor homicida proponga hacer desaparecer personas sin dejar rastro, mostrando que más adherencia también puede amplificar conducta insegura.