HumanLLM construye un corpus sintético y dos modelos afinados para representar combinaciones de patrones psicológicos en conversaciones de role-play. La taxonomía reúne 100 marcadores unipolares Big Five de Goldberg y 144 patrones sociocognitivos retenidos de 232 candidatos. Para cada patrón, Gemini Deep Search recupera alrededor de 50 trabajos, se filtran manualmente las referencias y se intenta obtener el texto completo, se conserva el abstract cuando no está disponible; Gemini 2.5 Pro sintetiza definición, mecanismos y manifestaciones. Gemini 2.5 Pro y Claude Sonnet 4.5 producen 11.359 escenarios con dos a cinco patrones, dos a seis personajes y conversaciones que deberían tener 12-20 turnos. Los 30.543 ejemplos SFT derivados se mezclan con 30.543 OpenThoughts y 15.272 CoSER, y se afinan Qwen3-8B y Qwen3-32B durante dos épocas.
La evaluación usa dos rúbricas generadas desde el propio diseño: Individual Pattern Expression, con 12-15 indicadores por patrón, y Multi-Pattern Dynamics, con 2-6 ítems específicos del escenario. GPT-5-mini califica cada ítem como -1, 0 o +1 en tres ejecuciones. HumanLLM-8B obtiene 25,7% IPE y 70,3% MPD frente a 18,6% y 54,4% de Qwen3-8B; supera a Qwen3-32B en MPD, 70,3% frente a 65,8%, pero no en IPE, 25,7% frente a 26,0%. HumanLLM-32B llega a 32,8% y 73,6%, mientras Gemini 3 Pro encabeza la tabla con 41,3% y 85,1%. En LifeChoice y CroSS-MR las mejoras sobre Qwen3 del mismo tamaño son pequeñas y no se acompañan de intervalos ni tests.
La validación humana es limitada. Tres estudiantes de posgrado en psicología valoran solo 30 de los 244 patrones: media global 3,42 y alfa=.67; fidelidad a fuentes 3,50 y alfa=.73; cobertura de manifestaciones 3,20 y alfa=.58. En 100 escenarios, humanos y GPT-5-mini correlacionan r=.90 en IPE y r=.88 en MPD, pero difieren mucho más en antropomorfismo y fidelidad de personaje. Esas correlaciones prueban acuerdo al aplicar checklists creados para conversaciones sintéticas, no correspondencia con cognición o conducta humana. Definiciones, escenarios, diálogos y rúbricas proceden de la misma base sintética, de modo que el benchmark premia expresar sus propios objetivos. La ablation tampoco incluye HumanLLM solo, semillas múltiples ni inferencia estadística, por lo que no aísla sinergia, anclaje o transferencia negativa.
La auditoría de los artefactos confirma los 11.359 escenarios y los objetos Git LFS, pero contradice la afirmación de que datos, código y pesos están todos publicados. El repositorio contiene scripts de construcción, no pesos de HumanLLM, código de entrenamiento/evaluación/inferencia, tests, CI o licencia. Los 244 registros de patrones no incluyen fuentes; sympathetic carece de manifestación; Jealousy y jealousy colisionan y dejan jealous sin checklist exacto en 252 escenarios; las conversaciones alternan entre listas y strings y 11.507 muestras ShareGPT empiezan con un turno humano vacío. La contribución defendible es un benchmark sintético amplio que mejora la expresión de sus patrones bajo sus propias rúbricas. No demuestra antropomorfismo auténtico, mecanismos cognitivos causales, validez frente a conducta humana ni una release de modelos plenamente reproducible.