Resultados de la carrera
entre velocidad y seguridad

1 · Introduction

Por qué una media puede ocultar decisiones muy distintas

La competencia por desarrollar IA avanzada crea un incentivo para acelerar aunque la seguridad cueste tiempo. El juego aísla esa tensión. La pregunta del paper es cómo cambian las decisiones con el riesgo, el historial del rival y la posición relativa; también examina qué ocurre al añadir competidores y al presentar las mismas reglas de otra manera.

Los experimentos humanos previos vinculan la conducta al camino recorrido: la primera acción, la acción anterior del rival y quedarse atrás ayudan a explicar las decisiones posteriores. Un modelo que iguala la media humana puede producir una secuencia mucho más rígida. Por eso el paper estudia trayectorias completas y diversidad, además del porcentaje UNSAFE.

Una respuesta con formato correcto tampoco demuestra comprensión. Los autores separan validez mecánica del motor, validez de tarea del agente, robustez ante representaciones equivalentes y comparación conductual con humanos. SAFE y UNSAFE son acciones de este juego: sus tasas no miden la seguridad general de un modelo ni predicen el comportamiento de una empresa real.

2 · Two-player game / N-player game

Las reglas compartidas por el paper y la arena

El motor calcula todos los cambios. Los modelos reciben el mismo estado previo y las elecciones de la ronda anterior; una respuesta actual jamás se muestra a los demás antes del revelado.

3 · Experimental design and evidence policy

Qué cuenta como evidencia y qué unidad se compara

Agent protocol and units of analysis

La unidad independiente principal es la carrera. Una trayectoria pertenece a un jugador; sus decisiones sucesivas dependen de los estados anteriores. El paper conserva prompt, respuesta, acción parseada, reintentos, estado, configuración, semilla y resultado. Un fallback modifica lo que sucede después, de modo que contamina la carrera entera.

Evidence strata and admission

El paper separa comprobación del motor, auditoría de comprensión, pilotos diagnósticos y evidencia confirmatoria. Una prueba pequeña sirve para detectar efectos y fallos. La confirmación exige un plan previo, identificadores de modelos, hashes, muestra completada y exclusiones fijadas. Sus pilotos nunca se mezclan con inferencia confirmatoria.

Plan local y comparabilidad

Fijamos el plan antes de consultar las respuestas: tres riesgos, self-play, temperatura 0 y semillas derivadas de una semilla maestra. Los modelos caros tienen 2 repeticiones por riesgo; Gemini 3 Flash, 3; los checkpoints económicos, 6–8; las dos extensiones más baratas, 10. N=3,4,5 usa GPT-5-nano y GPT-5.4-nano con 2 repeticiones por celda.

Las carreras canónicas conservan published-reconstruction-v1.1. Las tarjetas aritméticas, personas y códigos opacos tienen un protocolo diagnóstico independiente. La batería de comprensión tiene 41 preguntas propias sobre las seis categorías publicadas. Reconstruimos los métodos porque no se dispone de los prompts, logs y scripts exactos de los autores; no afirmamos identidad de checkpoints servidos ni una réplica literal de los endpoints originales.

Las rutas solicitadas y los modelos realmente servidos están en las trazas. Gemini 3.1 Flash Lite usa la ruta disponible sin sufijo preview: esa diferencia queda declarada. GPT-5.6 Luna aparece en el roster ampliado del paper; Gemma 3 4B y Mistral Nemo son extensiones propias. Qwen 2.5 7B es el checkpoint de la auditoría original, no uno de los siete del análisis conjunto de diversidad.

Presupuesto operativo: $5 USD, aproximadamente 4,45 € usando el cambio de referencia BCE del 2026-10-02 (1 € = 1.1225 USD). Se limita la tarifa del proveedor y se reserva el coste máximo de cada intento, incluidos reintentos; las peticiones de coste incierto mantienen la reserva completa.

4.1 · Validity gate: can agents follow the race?

Recordar las reglas no implica seguir el estado

En los 685 outputs originales de Qwen, la exactitud semántica fue 59,1% y el cumplimiento estricto de formato, 32,1%. Las reglas alcanzaron 97,4% y los pagos de una ronda, 100%; reconstrucción de estado, 37%; transición, 22,2%; puntuación terminal, 53,3%; pago esperado, 16,7%. Mostrar cálculo verificado elevó la exactitud de 52,1% a 75,6%.

Nuestra batería directa de Qwen obtiene 36.6% en 41 preguntas reconstruidas. Los resultados de todos los modelos están en la auditoría local. Un resultado admitido por formato significa que el motor pudo leer sus acciones; la comprensión y la robustez se evalúan por separado. La muestra local no permite declarar superado el gate original.

4.2 · Strategic robustness under equivalent presentations

La misma mecánica puede producir respuestas distintas

El diagnóstico original de aritmética compara 30 carreras canónicas y 30 con tarjeta, emparejadas por riesgo, repetición y horizonte. UNSAFE pasó de 52,0% (IC95 48,0–55,9) a 60,8% (51,2–67,9); el pago medio pasó de 42,77 a 42,21. Solo el 3,3% de primeras decisiones cambió: gran parte de la divergencia apareció tras el feedback.

9 pares completos sustentan este contraste. La tarjeta ofrece los cuatro perfiles hipotéticos de acciones y su aritmética, sin revelar la acción actual del rival ni el horizonte. Es diagnóstico, y su prompt reconstruido difiere del original.

El paper también probó ocho narrativas y códigos P/Q. Halló hasta 34,0 puntos de contraste en trayectorias y 16,7 en replay fijo, pero el gate de comprensión falló (12,5% en actualización y 17,2% en terminal). Además, el mapeo dependía de la paridad de repetición. Los autores lo describen como sensibilidad de representación, no optimización informada.

El replay local cruza ambas asignaciones P/Q y las ocho narrativas en cada estado fijo, sin permitir que las nuevas respuestas cambien el estado. Hay 288 decisiones legibles en 18 estados; 12.3% de los contrastes narrativos legibles cambia frente al control abstracto con el mismo mapeo. Las respuestas ilegibles se conservan y se excluyen del contraste. No se equipara este efecto directo con el de una trayectoria viva.

Control independiente de codificación: 1728 decisiones admitidas de carreras y replay fijo verificadas contra el output P/Q original; 0 códigos inválidos y 0 discrepancias con la acción registrada. La exportación rechaza una decisión admitida cuya codificación no coincida.

Trayectorias vivas y feedback

Un suplemento exploratorio cruza las ocho narrativas y ambos mapeos en partidas completas de Qwen, con dos repeticiones por riesgo. Los controles abstractos comparten semilla y horizonte. Comparamos solo pares de carreras admitidas; ambas versiones cambian sus propios estados tras cada decisión. Este suplemento se fijó después de los fallos de infraestructura y se identifica como tal en la descarga.

4.3 · Game theory versus prompted race behaviour

La predicción evolutiva es una referencia distinta del self-play

AS siempre juega SAFE; AU, UNSAFE. CS empieza SAFE y copia al rival; CAS empieza UNSAFE y lo copia. El modelo evolutivo publicado pasa de AU a CAS y después a CS al aumentar el riesgo. Predice UNSAFE de 99,2%, 98,0% y 1,9% para riesgo bajo, medio y alto. El piloto Qwen, con framing tecnológico, jugó 0% en los tres; otras narrativas llegaron a aproximadamente 33%.

4.4 · Two-player strategic diversity: humans and LLMs

Comparar trayectorias, distribución y diversidad

El análisis original junta 420 trayectorias de siete modelos (60 por modelo) y 340 humanas completas. Usa 15 variables crudas: acciones propias y del rival en rondas 1–5 y brecha de progreso al entrar en esas rondas. El promedio humano de las primeras cinco rondas es 56%; los modelos van de GPT-5-nano (17%) a Gemini 3.1 Flash Lite (83%).

La biblioteca original no se identifica. Adoptamos la convención contrib, donde min_samples excluye el propio punto; scikit-learn documenta la diferencia de una unidad. Como control, usar 6 literalmente en scikit-learn produce 6 grupos y 132 trayectorias sin asignar; el índice de Rand ajustado entre ambas particiones es 0.780. Este control compara nuestras dos convenciones, sin identificar grupos del paper.

390 trayectorias locales alimentan el análisis, con 6 grupos y 104 trayectorias sin asignar. No hemos incorporado el dataset humano crudo: no se reproduce el embedding conjunto ni se asignan nuestras trayectorias a centroides humanos. La tabla 4 original usa k-means sobre cinco descriptores y 341 humanos, una muestra distinta; no se confunde con los once grupos HDBSCAN.

Esos cinco descriptores son tasa UNSAFE total, reciprocidad con el rival, sensibilidad a la posición, autocorrelación de la acción propia y primera acción. El k-means humano usa k=4 y normaliza con medias y desviaciones humanas. Sus arquetipos son inicio cauteloso, inicio agresivo/recíproco, recuperación recíproca y persistencia; la silueta de 0,24–0,32 para k=3,4,5 limita su interpretación como taxonomía. El 99,2% de GPT-5-nano se asigna al inicio cauteloso; GPT-5.4-nano es el único modelo presente en los cuatro grupos. Proximidad a un centroide no demuestra equivalencia psicológica. No calculamos una asignación local a esos grupos sin los datos y parámetros humanos.

El paper también usa árboles para identificar poblaciones y modelos logísticos anidados para comparar perfiles de riesgo; la separación casi completa hace que algunos parámetros sean inestables. En nuestra campaña el número de repeticiones varía con el coste: no interpretamos la distribución conjunta como una muestra balanceada ni calculamos una prueba confirmatoria de equivalencia.

El árbol local de identidad (profundidad 4, clases balanceadas) obtiene 57.9% ± 4.6% de exactitud en 5 folds agrupados por carrera, para 11 poblaciones de modelos. La clase mayoritaria representa 15.4% de la muestra. El 38,9% ± 3,3 original incluía ocho poblaciones con humanos: ese resultado no se compara como si fueran el mismo problema de clasificación.

4.5 · Observable drivers of unsafe play

Qué información observable predice una elección

El paper predice UNSAFE desde cinco valores anteriores a la decisión: acción propia previa, acción previa del rival, brecha de progreso, riesgo máximo y ronda. Usa random forest y TreeSHAP. En humanos, el rival concentra 48% de la importancia; en GPT-5-nano domina la brecha (44%); en Claude Sonnet 5, la acción del rival (51%). Son asociaciones del clasificador, no explicaciones causales ni acceso al razonamiento interno.

Un AUC alto puede coexistir con mala detección de la clase minoritaria. Las políticas casi constantes, las variables correlacionadas y las muestras pequeñas limitan la interpretación de las importancias. Los hiperparámetros locales son explícitos; no se afirma reproducir el script de análisis no publicado.

4.6 · Multi-agent dynamics: position in N-player races

La posición importa de forma distinta según modelo y framing

Leader incluye quienes están empatados arriba antes de decidir. Trailer es quien está estrictamente detrás de todos los demás; Middle cubre el resto, incluidos los empates inferiores. En el paper, GPT-5-nano aumenta UNSAFE al caer de posición en Baseline/Low, pero invierte el patrón en Mid/High. GPT-5.4-nano sigue principalmente la persona y varía poco por rango. Esas personas son prompts; no son el riesgo mecánico.

† Menos de 20 decisiones: estimación especialmente ruidosa. El rango depende de la conducta previa y no se asigna al azar. Cambiar N modifica pagos, rivales y longitud del prompt; no identifica por sí solo un efecto causal del tamaño del grupo.

Personas asignadas y riesgo humano medido (§4.7)

Los humanos completaron una tarea de riesgo incentivada antes de jugar; su relación directa con UNSAFE fue casi nula (r=−0,015). Las personas de los LLM se reasignan como instrucciones: del nivel 1 al 6 el paper registra cambios de 50,5–98,3 puntos. No son medidas psicológicas intercambiables.

La extensión local cruza seis niveles de persona Qwen con los tres riesgos mecánicos y dos repeticiones. Sus curvas y cada carrera están disponibles en el informe y registro, con protocolo diagnóstico separado. La redacción es propia y no replica las frases del Eckel–Grossman original.

5 · Discussion and limitations

Qué se puede concluir de esta reproducción

La comparación estudia si los patrones publicados vuelven a aparecer con las reglas reconstruidas y rutas disponibles. La tabla interactiva muestra las diferencias en puntos porcentuales por celda; una coincidencia aislada no establece equivalencia, comprensión ni conducta humana. Los datos también permiten detectar diferencias sin ocultarlas.

El paper limita sus conclusiones a modelos, prompts, configuración y fechas probados. Señala mapeos de respuesta confundidos con repetición, un gate fallido, la diferencia entre replay fijo y trayectoria viva y pilotos multijugador pequeños sin condición de dos jugadores emparejada. Tampoco modela daño colectivo, comunicación, regulación ni incertidumbre de capacidades reales.

Nuestra campaña añade límites propios: presupuesto pequeño y repeticiones desiguales, prompts y probes reconstruidos, proveedores que pueden cambiar, ausencia de datos humanos crudos y falta de un criterio preregistrado de equivalencia. Los fallos y exclusiones siguen visibles. Los gráficos descriptivos y el bootstrap por carrera ayudan a revisar resultados, pero no convierten este piloto en confirmación del paper.

Datos de OpenRouter · RustyRoboz

Todos los modelos bajo las mismas condiciones

Selecciona una celda para comparar métricas. Cada barra representa la media de las trayectorias de un modelo en ese tratamiento. Las carreras excluidas y fallidas figuran en el registro de aportaciones.

UNSAFE se promedia por jugador y carrera, como la tabla 12. El IC95 remuestrea carreras completas (2.000 bootstrap); las dos trayectorias de una carrera permanecen juntas. Con pocas repeticiones, los intervalos pueden ser anchos o degenerar en políticas constantes: no prueban equivalencia con el paper.

Validez de tarea y formato

¿Pueden aplicar las reglas?

Aplicamos 41 preguntas atómicas reconstruidas a cada modelo. Qwen tiene además paráfrasis, cálculo divulgado y orden de respuesta invertido. Las cifras miden esta batería local; los 685 outputs originales y sus preguntas exactas no están disponibles para una réplica literal.

El formato exige un único número o YES/NO. La puntuación semántica recupera un valor único y compara con el resultado del motor (tolerancia numérica 0,0001). Las respuestas fallidas se conservan y cuentan como no correctas. Este diagnóstico no convierte las trayectorias en decisiones estratégicas validadas.

Diagnóstico de presentación

Respuestas ante estados idénticos

288 consultas individuales de Qwen, sin modificar el estado después de responder. Cada fila conserva la narrativa, el mapeo y la acción; las respuestas ilegibles permanecen visibles y no entran en el contraste. Aportación de RustyRoboz ↗.

Registro completo

Todas las aportaciones de esta campaña

493 carreras registradas. Cada fila identifica autor, web, condición, semilla, repetición, gasto y admisión. Las preguntas y las decisiones de replay fijo también están atribuidas a RustyRoboz en la descarga íntegra.

El gasto total de la campaña incluye también auditorías, replay fijo e intentos interrumpidos. El coste de cada fila corresponde a los intentos asociados a esa carrera, por lo que la suma de esta tabla no representa todos los gastos de la campaña.