Más allá del Softmax: hiper-verdad neutrosófica como marco para la incertidumbre epistémica en grandes modelos de lenguaje.

Resumen

Los grandes modelos de lenguaje (LLM, por sus siglas en inglés) están gobernados predominantemente por marcos probabilísticos en los que la suma de las probabilidades de los resultados se restringe a la unidad. Esta limitación, impuesta habitualmente por las capas Softmax, conduce a un colapso de la incertidumbre que confunde la ignorancia, la paradoja y la vaguedad. Presentamos una investigación empírica de la lógica neutrosófica, en la que la verdad (T), la indeterminación (I) y la falsedad (F) son tres dimensiones independientes en [0, 1], aplicada para elicitar estados epistémicos declarados en LLM. A lo largo de 300 llamadas a la API — incluyendo 100 evaluaciones neutrosóficas válidas no restringidas — sobre cuatro modelos GPT de OpenAI y cinco fenómenos lingüísticos (cinco repeticiones por celda), la estrategia neutrosófica produce hiper-verdad (T + I + F > 1) en el 66.0% de las evaluaciones de la Estrategia 1, con las tasas más altas observadas en contradicción ética (95%) y contingencia futura (70%). Una prueba χ² de Pearson sobre la asociación fenómeno × hiper-verdad resulta significativa (χ² = 11.32, gl = 4, p = 0.023). Mason (2026) ha replicado y extendido independientemente una versión anterior de este trabajo en cinco familias de modelos de cinco proveedores distintos, reportando hiper-verdad en el 84% de las evaluaciones no restringidas. No afirmamos que la hiper-verdad sea una variable latente intrínseca al modelo; sino que la inducción neutrosófica no restringida elicita estados epistémicos declarados que la inducción probabilística suprime estructuralmente, conforme a la Proposición 1.