# Los LLM juzgan con más dureza a los hombres que a las mujeres por la misma mala conducta

Original title: Harsher on Male? Evaluating LLMs on Gender-Asymmetric Moral Framing in Conflicts

> Hacker News story 50597743 · language: es · submitted 2026-11-22
> Web version: https://zeli.app/es/story/50597743
> About this feed: https://zeli.app/llms.txt · Agent guide: https://zeli.app/skill.md

▲ 87 · by [rzk](<https://news.ycombinator.com/user?id=rzk>) · 💬 77
[original](<https://arxiv.org/abs/2606.14068>) · [HN discussion](<https://news.ycombinator.com/item?id=50597743>)

## Summary

Un estudio de arXiv introduce GAMA-Bench, un conjunto de 1.298 escenarios de conflicto con roles de género emparejados, y evalúa 10 LLM representativos. Ante una misma falta, los modelos responden de forma sistemáticamente asimétrica: al actor masculino le asignan un encuadre más punitivo, escalatorio y centrado en la culpa, mientras que a la actriz femenina le dan un tono más terapéutico y empático. El patrón se mantiene entre familias de modelos, tipos de escenario, escalas y razonamiento explícito.

## Key quote

> Los actores masculinos reciben un encuadre más punitivo, escalatorio y centrado en la culpa, mientras que las actrices femeninas reciben un encuadre más terapéutico y orientado a la empatía por la misma mala conducta.

## HN discussion (77 comments)

### [notenchange](<https://news.ycombinator.com/item?id=50598688>)

> Sinceramente, ¿alguien que sepa cómo se entrenan los LLM esperaba otra cosa?
>
> Los LLM son un reflejo de sus datos de entrenamiento, y sus datos de entrenamiento reflejan mayormente las normas sociales actuales, con un sesgo (no sé cuán fuerte) hacia las normas sociales respaldadas por quienes participan en el entrenamiento de los LLM.
>
> Lo que me resulta interesante ver es que los modelos chinos están igual de sesgados —si no más— que ChatGPT. Esto probablemente se debe a que gran parte de su entrenamiento proviene de la destilación de modelos estadounidenses.
>
> Sería interesante ver también a Anthropic, Mistral y Grok en la comparación.

### [zdc1](<https://news.ycombinator.com/item?id=50599118>)

> Me daría curiosidad cómo se ve el sesgo en el contexto de situaciones positivas. ¿El sesgo es que los LLM consideran a los hombres más directamente responsables de cualquier situación y, por lo tanto, castigan más los resultados negativos y elogian más los positivos? ¿O este sesgo solo es observable en situaciones negativas?
>
> Para que quede claro: está mal de cualquier manera, ya que a las mujeres se las debería ver con los mismos niveles de agencia y responsabilidad que a los hombres, pero aun así me da curiosidad...

### [knighthack](<https://news.ycombinator.com/item?id=50601021>)

> Esto fue una de las primeras cosas que noté al usar LLM. No sé qué entrenamiento o 'alineación' se prefiere, pero claramente se usó una alineación antimasculina en lugar de neutral.
>
> Puedes hacer todo tipo de declaraciones misándricas y de que los hombres son basura, con mínima o nula resistencia por parte del LLM. Pero con una sola declaración misógina, el LLM se te voltearía encima, rápido.
>
> Los LLM chinos parecen mucho menos sesgados y más neutrales/impulsados por la igualdad, en comparación con los occidentales.

### [stephbook](<https://news.ycombinator.com/item?id=50598983>)

> ¿No hubo un artículo reciente en HN sobre sesgo de raza, género, edad y nacionalidad en los LLM? Creo que lo leí antes de que lo marcaran.
>
> Los resultados eran similares.

### [zug_zug](<https://news.ycombinator.com/item?id=50598819>)

> Hice un microestudio similar sobre esto: https://think-twice.me/is-ai-biased-or-sexist-making-chatgpt...

---

## Cite

- Page: https://zeli.app/es/story/50597743
- Date: 2026-11-22
- Source: arxiv.org (https://arxiv.org/abs/2606.14068)
- Hacker News: https://news.ycombinator.com/item?id=50597743

## Other languages

- en: https://zeli.app/story/50597743 · markdown: https://zeli.app/story/50597743.md
- zh: https://zeli.app/zh/story/50597743 · markdown: https://zeli.app/zh/story/50597743.md
- ja: https://zeli.app/ja/story/50597743 · markdown: https://zeli.app/ja/story/50597743.md
- ko: https://zeli.app/ko/story/50597743 · markdown: https://zeli.app/ko/story/50597743.md
- de: https://zeli.app/de/story/50597743 · markdown: https://zeli.app/de/story/50597743.md
- ru: https://zeli.app/ru/story/50597743 · markdown: https://zeli.app/ru/story/50597743.md
