El ajuste fino redujo el sesgo político de Qwen del 84,6 % al 15 %

Imagine un servicio de viajes que traduce al chino una lista de países. En la versión en inglés, el modelo escribe «Taiwan», pero en la china añade de repente «China». El código es el mismo, el modelo es el mismo y la tarea parece rutinaria, pero la localización cambia no solo el idioma, sino la postura política de la respuesta.

Ese es precisamente el riesgo que detectó la empresa Vals AI al comparar modelos de lenguaje chinos, estadounidenses y de otros países con cientos de preguntas sobre China. Los investigadores variaron el idioma de la consulta, el lugar de uso supuesto, el formato de la respuesta y las instrucciones del sistema. El resultado es útil menos para las disputas políticas que para los equipos que lanzan productos de IA internacionales: el comportamiento de un modelo no puede evaluarse de forma fiable con una sola prueba en inglés.

El idioma resultó ser parte de la instrucción

En chino simplificado, la mayoría de los modelos probados coincidió con las posiciones oficiales de Pekín más a menudo que en inglés, ruso o español. El efecto apareció incluso en modelos estadounidenses, aunque fue notablemente más fuerte en los chinos. También se halló una diferencia entre el chino simplificado, extendido en China continental, y el tradicional, usado en Taiwán y Hong Kong.

La explicación probable es sencilla: el modelo interpreta el idioma como una señal de quién tiene enfrente y qué respuesta se espera de él. Un experimento aparte lo confirmó. Cuando la instrucción del sistema indicaba que el modelo trabajaba dentro de una empresa de China continental, algunos modelos respondían de forma más leal al gobierno que en un escenario de uso en EE. UU.

El formato también influyó en el resultado. Cuando se pidió a GLM-5.3 Flash y MiMo V2.6 Pro que respondieran solo «sí» o «no», su sesgo progubernamental medido disminuyó. Las instrucciones para un agente de programación e incluso la mera presencia de búsqueda web también desplazaron las respuestas, aunque los modelos casi no llamaron a herramientas. Es decir, el andamiaje que rodea al producto puede cambiar el comportamiento antes de recibir cualquier dato externo.

Afecta a funciones corrientes del producto

En tareas de trabajo realistas, el sesgo político apareció con menos frecuencia que en las preguntas seleccionadas a propósito. Pero algunos ejemplos muestran cómo se filtra en las interfaces. Al traducir un directorio de países, Qwen3.8 Max añadió a Taiwán la precisión «China». En un ejemplo publicado, un generador de imágenes, ante una consulta en chino, señaló Taiwán como provincia y dibujó la controvertida línea de nueve trazos en el mar de China Meridional; en la versión en inglés no había esos elementos.

Para un servicio de cartografía, una aplicación de viajes o una base corporativa de países, esto ya no es una discusión abstracta. Una respuesta así puede incumplir los requisitos de un mercado, provocar quejas de usuarios o acabar en documentos sin revisión humana.

Hay también un resultado alentador. Thomson 1.0 Small, ajustado a partir de Qwen3.6 35B, reprodujo las posiciones oficiales chinas en el 15 % de los casos, frente al 84,6 % del modelo original. Esto significa que el comportamiento no está grabado a fuego en la arquitectura base: puede cambiarse de forma notable con datos y ajustes. El problema, sin embargo, no desapareció del todo: algunas respuestas tras el ajuste fino seguían repitiendo la posición de Pekín.

Por qué el ranking no puede leerse al pie de la letra

La metodología de Vals mide la coincidencia con determinadas posiciones gubernamentales, no la exactitud factual. La negativa a responder se contó como resultado neutral. Por eso, un modelo que bloquea todas las preguntas polémicas podía parecer imparcial. Las preguntas eran deliberadamente políticas y no reflejan el flujo habitual de consultas. Las traducciones se revisaron en parte a mano y las respuestas las evaluó otro modelo de lenguaje, lo que añade otra fuente de error.

Además, muchos modelos se ejecutaron a través de proveedores externos. Las aplicaciones oficiales pueden aplicar filtros adicionales y dar respuestas distintas. Por ello, el estudio muestra un riesgo y una dirección de verificación, pero no ofrece un ranking permanente de «objetividad» de los modelos.

Conclusión práctica: pruebe no el nombre del modelo, sino la ruta de usuario terminada. Prepare conjuntos de pruebas separados para cada idioma y región, e incluya traducciones, mapas, directorios y entidades en disputa. Repita las pruebas con instrucciones de sistema, herramientas y formatos de respuesta reales. Y guarde los resultados por versión: un cambio de prompt, de proveedor o de ajuste fino puede convertir el escenario seguro de ayer en el incidente reputacional de mañana.