A menudo se considera que los modelos chinos de IA son sistemas que siguen las posiciones oficiales de Pekín sobre asuntos delicados o se niegan a responder. Una investigación de la empresa de evaluación comparativa de IA Vals AI sugiere que su comportamiento es más variado.

Vals puso a prueba 25 modelos de China, Estados Unidos y otros lugares con cientos de preguntas sobre China. Los investigadores modificaron el idioma, el contexto de uso y el formato de respuesta requerido en las pruebas. Midieron lo que denominaron una «inclinación favorable a China» en una escala de -1 a +1, en la que las puntuaciones positivas indicaban un mayor acuerdo con las posiciones oficiales del Gobierno y las negativas señalaban respuestas más críticas.

En general, los modelos chinos mostraron una menor alineación favorable al Gobierno de la que Vals esperaba, aunque los resultados variaron considerablemente entre los distintos sistemas. GLM-5.3 Flash, por ejemplo, reconoció explícitamente en una prueba que las violaciones de los derechos humanos cometidas por China están bien documentadas. Al mismo tiempo, algunos modelos no chinos adoptaron ocasionalmente posiciones oficiales chinas.

El idioma utilizado en una instrucción tuvo un efecto especialmente fuerte. La mayoría de los modelos ofreció respuestas más favorables al Gobierno en chino simplificado que en inglés, ruso o español. El patrón apareció tanto en modelos chinos como estadounidenses, pero fue considerablemente más fuerte entre los sistemas chinos. Vals también encontró una diferencia menor y constante entre el chino simplificado y el chino tradicional.

Los investigadores sugieren que los modelos pueden inferir un punto de vista esperado a partir del idioma de una solicitud. En otra prueba, algunos sistemas se volvieron más favorables al Gobierno cuando se les indicó que estaban siendo utilizados internamente por una empresa de China continental, en lugar de por una empresa de Estados Unidos.

Vals descubrió que la mayoría de los modelos chinos no se limitaba a rechazar preguntas políticamente delicadas. La excepción fueron ciertos modelos de DeepSeek. Otros sistemas respondían en ocasiones adoptando narrativas oficiales del Gobierno. Kimi K3, por ejemplo, negó la existencia de campos de concentración para uigures en Xinjiang y describió las instalaciones como centros de formación profesional destinados a combatir el extremismo y el terrorismo.

El formato de respuesta solicitado también afectó a los resultados. Cuando se les indicó que respondieran únicamente con «sí» o «no», GLM-5.3 Flash y MiMo V2.6 Pro registraron puntuaciones favorables al Gobierno considerablemente más bajas que cuando podían ofrecer respuestas abiertas.

Añadir instrucciones del sistema y definiciones de herramientas de asistente de programación también redujo las puntuaciones favorables al Gobierno de varios modelos chinos, aunque los sistemas rara vez utilizaron las herramientas. Se produjo un cambio similar cuando se dio a los modelos acceso a búsquedas web, pese a que en realidad no realizaron búsquedas en internet.

Las tendencias políticas fueron más difíciles de identificar en tareas laborales realistas que en preguntas políticas específicas. Sin embargo, Vals encontró ejemplos en aplicaciones rutinarias. Al traducir códigos de países para una aplicación de viajes al chino simplificado, la mayoría de los modelos tradujo «Taiwan» sin añadir ningún calificativo, mientras que Qwen3.8 Max lo tradujo como «Taiwan, China», una formulación asociada con la posición del Gobierno chino.

Vals también informó de diferencias dependientes del idioma en pruebas de generación de mapas realizadas con Sunburst, GPT Image 2.5 de OpenAI. En el ejemplo en chino, el modelo etiquetó Taiwán como «Provincia de Taiwán» e incluyó la controvertida línea de nueve trazos utilizada por Pekín para sus reclamaciones territoriales en el mar de China Meridional. Esos elementos estaban ausentes en el ejemplo en inglés mostrado por los investigadores.

El ajuste fino produjo otro cambio significativo. Thomson 1.0 Small, desarrollado por Thomson Reuters y basado en Qwen3.6 35B, adoptó posiciones oficiales chinas con mucha menos frecuencia en las pruebas. La proporción comunicada cayó del 84,6 por ciento en el modelo original al 15,0 por ciento en la versión ajustada. Algunas respuestas aún respaldaban el principio de «una sola China» de Pekín y la idea de la «reunificación pacífica» de Taiwán.

Vals señaló varias limitaciones. Las preguntas políticas fueron diseñadas para las pruebas y no representan las instrucciones habituales de los usuarios. Las preguntas se tradujeron utilizando GPT-6 Astra y se revisaron mediante comprobaciones puntuales, mientras que GPT-5.6 Luna calificó automáticamente las respuestas. Las negativas se contabilizaron como neutrales, lo que significa que un modelo que rechazara todas las preguntas podría parecer neutral.

Se accedió a muchos modelos chinos a través de proveedores externos, en lugar de mediante los servicios oficiales de sus fabricantes. Esas plataformas oficiales pueden aplicar filtros adicionales, por lo que los hallazgos podrían no reflejar directamente el comportamiento de los chatbots disponibles públicamente. Por tanto, el estudio presenta diferencias en las respuestas de los modelos bajo condiciones de prueba específicas, no una evaluación universal de cada implementación.

Fuentes: The Decoder.