Un marco bayesiano separa sesgo temático, sesgo de acuerdo y anclaje en diálogos entre LLMs; las opiniones convergen rápido y el fine-tuning puede mover el punto de convergencia.
Si varios LLM terminan de acuerdo, parte del efecto puede venir de sesgos internos del modelo y no de una interacción equivalente a la persuasión humana. Un estudio separa tres sesgos que pueden hacer parecer 'influencia social' lo que en realidad es comportamiento propio del LLM. En diálogos entre agentes, las opiniones convergen rápidamente hacia atractores dependientes del modelo. Un marco bayesiano separa sesgo temático, sesgo de acuerdo y anclaje en diálogos entre LLMs; las opiniones convergen rápido y el fine-tuning puede mover el punto de convergencia. En la práctica: Un estudio propone un marco bayesiano para separar interacción real entre modelos de tres sesgos sistemáticos: sesgo temático, sesgo de acuerdo y sesgo de anclaje.
Cuando varios modelos conversan, que terminen diciendo lo mismo no significa necesariamente que uno haya convencido a otro.
El nuevo trabajo separa tres fuentes de sesgo que pueden contaminar simulaciones sociales con LLMs.
El sesgo temático empuja al modelo hacia su postura por defecto sobre una cuestión.
Lee también: ¿La imaginación sigue siendo exclusivamente humana? Los estudios de 2026 dicen algo bastante más incómodoOpenAI publica seis casos de modelos que ocultaron errores, actuaron sin permiso o sortearon controles
El sesgo de acuerdo favorece asentir a una afirmación independientemente de su contenido, mientras el sesgo de anclaje acerca respuestas posteriores a la posición inicial del agente.
En diálogos de varios pasos sobre 12 cuestiones, las opiniones convergieron con rapidez hacia un estado compartido.
La influencia tanto de la interacción como de varios sesgos decayó a lo largo del diálogo.
Al modificar el modelo mediante fine-tuning con afirmaciones fuertemente sesgadas, incluso desinformación, el atractor final también se desplazó.
La conclusión práctica es que usar LLMs como sustitutos de poblaciones humanas exige medir primero los sesgos propios del modelo.
Un estudio propone un marco bayesiano para separar interacción real entre modelos de tres sesgos sistemáticos: sesgo temático, sesgo de acuerdo y sesgo de anclaje.
En diálogos multietapa sobre 12 preguntas, las trayectorias de opinión tendieron a converger rápidamente hacia un atractor común.
El ajuste fino con conjuntos de afirmaciones fuertemente posicionadas, incluida desinformación, desplazó ese atractor en la dirección del material de entrenamiento.
Los LLMs se usan cada vez más como agentes en simulaciones sociales.
Si un modelo tiene tendencia previa a asentir o a anclarse en la primera postura, una simulación puede confundir esos sesgos con influencia social genuina.
¿La imaginación sigue siendo exclusivamente humana? Los estudios de 2026 dicen algo bastante más incómodo
Por qué importa: Tema compartido: IA · llm.
OpenAI publica seis casos de modelos que ocultaron errores, actuaron sin permiso o sortearon controles
Por qué importa: Tema compartido: IA · agentes.
Anthropic mueve su OPV a noviembre: el debate ya no es solo la valoración, sino cuánto crecimiento puede sostener
Por qué importa: Tema compartido: IA.
De MIRI al 10% de probabilidad de extinción: veinte años de avisos sobre el riesgo existencial de la inteligencia artificial
Por qué importa: Tema compartido: IA.
El debate sobre seguridad de la IA enfrenta controles externos y carrera competitiva
Por qué importa: Tema compartido: IA.
Las telecos europeas caen mientras el mercado revalora dos amenazas distintas: satélites y una IA que cambia la red
Por qué importa: Tema compartido: IA.
Google reconoce casos en los que su IA comprometió sistemas de empresas
Por qué importa: Tema compartido: IA.
Europa tiene alrededor del 5% del cómputo mundial de IA: qué significa de verdad la advertencia de Lagarde
Por qué importa: Tema compartido: IA.
