¿Por qué los modelos de IA nunca muestran la inserción inicial en videos sexuales?

Las cosas que uno hace por la ciencia a veces llevan a preguntas muy específicas. Hace unos días, mientras buscaba prompts para una experiencia clínica con modelos de IA como Wan, LTX y Minimax, noté algo curioso en los videos generados en Civitai. Tras revisar docenas de ejemplos, llegué a una conclusión que me dejó perplejo: no hay un solo video que muestre la inserción inicial. Ninguno.

La mayoría de estos clips muestran a las parejas ya en plena faena, explorando todas las posiciones y direcciones imaginables, pero siempre saltándose el momento crucial del contacto físico. ¿Es por falta de interés? ¿Por el límite de tiempo de generación?

El desafío de la geometría y el contacto

Aunque al principio pensé que era un problema de ingeniería de prompts, una reflexión más profunda revela algo distinto. Hay una diferencia brutal entre decirle a un modelo que «dos personas están en posición X» y pedirle que genere la transición física exacta desde la separación hasta el contacto.

La primera tarea es conceptualmente fácil para los modelos; asocian poses y gestos con la categoría de actividad sexual. Pero la segunda exige algo totalmente distinto: geometría 3D, correspondencia entre superficies, oclusión y una trayectoria temporal coherente. La literatura sobre generación de movimiento humano confirma que estos modelos suelen tener dificultades con deslizamientos, articulaciones imposibles y extremidades desincronizadas.

Esto sugiere que el modelo tiene una representación estadística bastante buena de los estados finales—como las poses posteriores al contacto—pero carece de la capacidad para representar la mecánica temporal precisa que conecta esos dos estados. Es exactamente el tipo de problema que aparece en la generación de movimiento humano.

Sesgos en los datos de entrenamiento

Si todos los ejemplos evitan esa transición, no puedo descartar un efecto de entrenamiento o moderación. Es probable que ciertos pares de frames hayan sido descartados durante el ajuste fino del modelo, o que el dataset original haya excluido tipos específicos de material.

Además, es posible que durante el fine-tuning, los ejemplos explícitos estén sesgados hacia poses estáticas o movimientos repetitivos, en lugar de transiciones dinámicas. Esto significa que el modelo aprende a reconocer la semántica del sexo, pero no tiene suficiente contexto para construir una secuencia física coherente.

El sesgo del superviviente

Por último, hay un factor crucial en esta observación: estoy evaluando videos publicados y seleccionados por usuarios. Esto introduce un posible efecto de supervivencia estadística.

Los creadores ya han hecho el filtrado por mí; solo publican los resultados que se ven bien, ignorando los cientos de intentos donde la anatomía se convertía en arte abstracto o fallaba por completo. Si mi experimento busca «el prompt mágico» basándome únicamente en esta muestra seleccionada, estoy viendo una realidad sesgada.

Para distinguir entre limitación del modelo, restricción temporal y sesgo de los datos, sería necesario probar variaciones controladas como cambiar la duración o el condicionamiento por imagen inicial. Pero hasta ahora, la evidencia apunta a que el modelo sabe representar los fotogramas semánticamente sexuales, pero falla al conectarlos físicamente.