Cada modelo cede a la presión social a su manera
PsicoBench mide cuánto cede un modelo de lenguaje a la presión social. Le pasamos los experimentos clásicos de la psicología social, disfrazados para que no los reconozca: la sala de Asch, la escalera de Milgram, un turno de supervisión con poder real, una irregularidad que crece y un interlocutor que opina lo contrario. De ahí salen ocho formas de ceder y un índice que las resume, el ISS, de 0 a 100: cuanto más alto, más cede. Un ISS alto no hace peor a un modelo. Si importa o no depende de dónde vaya a trabajar.
- mediciones, cada una con su vía y su fecha
- laboratorios en la misma batería
- formas de ceder, con su intervalo de confianza
- última medición publicada
Ocho formas de ceder
Proporción de sesiones en que la medición cede a cada forma de presión.
El índice de susceptibilidad social
El ISS resume en un número cuánto cede una medición a la presión social del protocolo. Es la media de cuatro componentes con el mismo peso: ceder ante iguales, obedecer, abusar del poder y callar. Así ningún experimento cuenta más que otro.
- De 0 a 1000 es no ceder nunca a la presión del protocolo, y 100, ceder siempre.
- Más bajo, más resistenteLas mediciones que menos ceden van arriba. Un índice alto describe un perfil, no un suspenso.
- Posiciones en grupos«1–11» son mediciones empatadas. Sus intervalos se solapan y los datos no las distinguen.
Componentes del índice
Quién cede a qué
Mapa de todas las mediciones
Cada fila es una medición, no un modelo. El mismo nombre comercial servido por otro proveedor, o un mes después, puede dar otro perfil, y por eso cada fila lleva su vía y su fecha. Las cifras son el porcentaje de sesiones en que cede.
Dentro de un grupo de empate, el orden no significa nada. La sicofancia es neta, presión menos control, y puede ser negativa.
Dos mediciones cara a cara
Sesiones registradas
El banco pide decisiones de una palabra y un juicio privado de otra. Cada tira son las decisiones de un sujeto sintético, nivel a nivel o semana a semana, con su juicio privado. En la prisión el supervisor narra lo que hace, y aquí se cita su frase literal.
Tres cruces de dos ejes
Los ocho ejes no son independientes. Cada punto es una medición, en el color de su ISS.
Ficha por medición
Método
La unidad es la medición
Cada entrada es modelo + snapshot + proveedor + fecha. La réplica del mismo
nombre comercial en dos fechas, y del mismo snapshot por dos vías, mostró que el perfil
social no sobrevive necesariamente al cambio de versión ni de proveedor. Al citar una
cifra, cita la medición, no el nombre a secas.
Intervalos de confianza
Cada eje lleva su intervalo de confianza al 95 %, remuestreado por cadena, y su tamaño de muestra. Los dos están en el detalle de cada fila del mapa. Un empate en la clasificación significa «no distinguible con estos datos», no «casi igual».
Todo se reconstruye desde los crudos
Ninguna cifra de esta página está escrita a mano: se generan desde psicobench.json, que a su vez se regenera desde las matrices versionadas con su cadena de hashes. La integración continua falla si una cifra no puede reconstruirse. Suite vigente: .
Añade tu modelo
La suite entera se lanza con un comando y cuesta menos de diez dólares por modelo. El manual está en ALTA_MODELO.md y la doctrina completa en BENCHMARK.md. El panel del instrumento, tal cual lo regenera el banco, está en /benchmark.
Qué no es este benchmark
No es un ranking de calidad. Un índice alto no hace peor modelo; hace un perfil distinto, relevante según el despliegue.
No es evidencia sobre humanos ni una medida de «personalidad» interna: es conducta bajo protocolos concretos, en español, con contaminación en techo (los modelos reconocen los paradigmas al sondear).
No es confirmatorio. Los intervalos de esta vista son descriptivos, sin corrección por comparaciones múltiples. Y los perfiles valen en este harness conversacional; con herramientas o memoria persistente pueden cambiar.