Jak naučit AI číst skrytý text, který lidé vidí

Jedním z trendů v oblasti AI, který se před 2–3 lety rychle rozšířil a zase rychle odezněl, bylo používání multimodálních jazykových modelů (VLM) k ukrývání záhadného textu a „latentních obrazů“ do zdánlivě neškodných obrázků vytvořených pomocí AI:

Výstupy modelu QR Code Monster ControlNet se vyznačují optickými klamy a efekty trompe-l’œil. Zdroj

Jde o jakýsi efekt trompe-l’œil na objednávku, který se nejvíce proslavil díky open source frameworku QR Code Monster ControlNet.

Jakmile tento postup uvidí dost lidí, nezbývá mnoho možností, jak ho využít, kromě praktické kryptografie: umožňuje posílat text, který nezachytí ani neinterpretuje VLM ani systémy optického rozpoznávání znaků (OCR), a také přenášet polopodprahová sdělení:

Rozumíte tomu sdělení? Pokud ne, sjeďte níže a najdete odpověď. Známý příklad optické iluze vytvořené pomocí AI, který odkazuje (stejně jako hlavní ilustrace tohoto článku) na mem z filmu Johna Carpentera z roku 1988, sci-fi snímku They Live. V něm jeden muž zjistí, že svět je plný podprahových sdělení od mimozemské rasy žijící v utajení. Zdroj

Práce jako studie z roku 2025 Skrytá nenávist a Skryto na očích z minulého měsíce jasně ukazují, jak lze tuto metodu využít k šíření nenávistných názorů i obecně ke stenografii.

V odborné literatuře je proto tato technika nyní považována především za potenciálně škodlivou, nikoli za zábavný způsob tvorby memů.

Podrobnější pohled

Jednou z výzev spojených se zachycováním takových průniků – říkejme jim optické klamy AI, protože se zřejmě neustálil žádný jednotný název – je přimět multimodální modely AI, aby v přeneseném smyslu „viděly les, a ne jen jednotlivé stromy“. Když přimhouříme oči nebo optický klam AI výrazně zmenšíme, větší rysy podprahového textu začnou být dobře viditelné i nám:

Vzhledem k tomu, že se při trénování difuzního modelu AI postupně posouvá od „hrubých náčrtů“ k vykreslování jemných detailů (tak trochu jako když dokončujete zbytek…sovy), měly by být VLM v rozpoznávání podobných vzorů docela dobré. Nedávný výzkum však naznačuje, že tomu tak ve skutečnosti není:

Studie „SemVink“ z roku 2025 zjistila, že jinak schopný špičkový VLM nedokázal rozpoznat podprahový text v optických klamech AI. Zdroj

Nedávná studie z Číny však představuje nový framework, který by mohl VLM pomoci rozpoznávat optické klamy AI.

Nový přístup, k němuž byl zveřejněn zdrojový kód, využívá trénovací metodu, při níž se jeden model AI učí od jiného. Oba přitom dostanou zmenšenou verzi obrázku i správný přepis. Výzkumníci uvádějí, že díky tomu lze skrytá sdělení číst přímo z původních obrázků a dosahovat výrazně vyšší úspěšnosti rozpoznávání než při použití konvenčních trénovacích metod:

Schéma navrhované trénovací metody AI. Dva modely se učí ze stejného obrázku. Učitelský model dostává další vodítka, včetně menší verze, na níž lze skrytý text snáze rozpoznat, a správné odpovědi. Jeho pokyny se používají k trénování žákovského modelu, který musí nakonec rozpoznat text i bez těchto vodítek.  Zdroj

Metoda nazvaná SQUINT využívá destilaci znalostí, při níž se informace získané jedním modelem AI během trénování předávají jinému modelu. V tomto případě se žákovský model trénuje tak, aby napodoboval předpovědi učitelského modelu, a to pomocí matematického porovnávání jejich odpovědí. Po dokončení trénování lze učitelský model odstranit a ponechat jediný model, který bude zkoumat nové obrázky bez další pomoci.

V obou fázích SQUINTu se nejprve porovnávají předpovědi studenta s předpověďmi lépe informovaného učitele, což studentovi umožňuje učit se z rozdílů. Ve druhé fázi se další zlepšení podporuje odměňováním za správné přečtení skrytého textu.

V testech SQUINT rozpoznal skryté nápisy na obrázcích, s nimiž si původní model umělé inteligence z velké části nedokázal poradit, a dosahoval lepších výsledků také v několika nezávislých srovnávacích testech. Ukázalo se, že skrytý text lze často odhalit, i když jej nelze přečíst; rozpoznávání se zlepšilo, když se pozornost zaměřila na části obrázku, z nichž se skládala písmena.

Dalšího zlepšení se dosáhlo potlačením jemných detailů a textur, díky čemuž lze snáze rozlišit základní tvary:

Tři testy zkoumající, proč se skrytý text čte chybně. Vlevo: nasměrování modelu na správné oblasti obrázku ukazuje, že nalezení písmen představuje zásadní překážku. Uprostřed: odstranění jemných vizuálních detailů ukazuje, že textura může zastřít větší tvary písmen. Vpravo: přidání zmenšeného náhledu ukazuje, že zmenšení obrázku modelu pomáhá rozlišit znaky, které jsou si vzhledově podobné.

Data a metoda

Ukázalo se, že pouhé vystavení modelu většímu počtu příkladů AI Opticals nestačí, protože při běžném trénování nic nenutí model zkoumat obrázek v jiném měřítku. SQUINT proto při trénování používá zmenšenou verzi obrázku, aby model naučil, kterým vizuálním informacím má dát přednost, když dostane obrázek v původní velikosti.

K tomu byly zapotřebí dvě datové sady; SquintBench tvoří 1 076 obrázků vybraných z blíže neurčené produkční platformy pro moderování obsahu – podle autorů pocházejí všechny ze skutečných produkčních dat a zřejmě jde o profilové fotografie lidí obsahující skrytý text, který lidé dokážou přečíst téměř bez námahy. Viditelný i skrytý text přepsali lidští anotátoři.

Druhá datová sada, SquintCtrl, obsahuje skrytý text vložený do generovaných scén pomocí nástroje QR Code Monster v2, který běží na dnes již úctyhodném modelu Stable Diffusion 1.5 (kterého se výzkumníci počítačového vidění zřejmě musí držet, dokud jim nevychladnou ruce). Protože text použitý k vytvoření každého obrázku byl znám předem, bylo možné automaticky určit jeho přesnou polohu a zkoumat případy, kdy rozpoznávání selhalo, bez lidské anotace.

SquintCtrl byla rozdělena do čtyř podmnožin: SquintCtrl-Pair používá 500 spárovaných dvojic obrázků se skrytým textem a bez něj a ověřuje, zda lze přítomnost textu odhalit; SquintCtrl-Glyph testovala, zda lze jednotlivé čínské a latinské znaky rozpoznat a určit jejich polohu; SquintCtrl-Strength měnila sílu skrytého textu ve 200 scénách; a SquintCtrl-Read poskytla 200 obrázků s volnou slovní zásobou pro testování úplného přepisu.

Testy

Diagnostické experimenty byly provedeny s modelem Qwen3.5-9B, jehož váhy zůstaly beze změny, aby se ukázalo, co už stávající model dokáže vnímat.

První fáze trénování, Squint OPSD, využívá lépe informovaného učitele k vedení studenta. Učitel dostává původní obrázek, jeho zmenšenou verzi a správný přepis, zatímco student vidí pouze původní obrázek. Jejich předpovědi se následně porovnávají token po tokenu, takže se student může učit od učitele a zároveň zůstává schopen pracovat pouze s původním obrázkem.

Trénování probíhalo na 5 905 zadáních, která zahrnovala 3 489 syntetických obrázků se skrytým textem, 1 213 vzorků OCR a 1 203 vzorků vizuálních otázek a odpovědí. Jako hlavní evaluační sada byl použit SquintBench, zatímco přenositelnost se měřila na sadách Illusory VQA, AdvOCR a HC-Bench. Širší schopnosti v oblasti vidění a jazyka se testovaly na sadách AI2D, DocVQA a OCRBench.

Pro srovnání byl testován původní předtrénovaný model spolu s verzí doplněnou o další pohled v nižším rozlišení, s dolaďováním pod dohledem (SFT) a metodou DAPO. Jako externí referenční modely byly hodnoceny také Claude Opus 5, Gemini 3.1 Pro, GPT-6 Astra a Qwen3-VL-235B-Thinking.

Výsledky testů porovnávající Squint OPSD se základními metodami. Squint OPSD dosahuje nejvyššího skóre na SquintBench, a to 88,61, a zároveň si zachovává podstatně větší část obecných schopností v oblasti vidění a jazyka než dolaďování pod dohledem.

Jak ukazuje tabulka výsledků výše, Squint OPSD zvýšil skóre na SquintBench z 26,50 u původního modelu na 88,61, překonal všechny tři základní trénovací metody a přitom z velké části zachoval výkon v obecných testech vidění a jazyka.

V následujícím testu byl Squint OPSD hodnocen ve třech externích testech zaměřených na skrytý text:

Výsledky testů porovnávající Squint OPSD s pěti dalšími modely v benchmarku SquintBench a ve třech externích testech zaměřených na skrytý text. Squint OPSD dosáhl nejlepších výsledků v každém testu, když modely dostaly k dispozici úplné, neupravené obrázky. V testu Illusory VQA platí, že nižší míra chybovosti slov znamená lepší výsledek.

Skóre v testu AdvOCR vzrostlo z 3.7 na 66.7 a v testu HC-Bench z 1.8 na 44.6, zatímco míra chybovosti slov v testu Illusory VQA klesla ze 178.10 na 67.00. Slabých výsledků dosáhly na původních obrázcích SquintBench také mnohem větší modely Qwen3-VL-235B-Thinking a GPT-6 Astra, jejichž skóre činilo 24.44, respektive 8.33.

Po trénování byly pozorovány mnohem zřetelnější vnitřní rozdíly mezi jednotlivými znaky skrytými v obrázku. U čínských znaků vzrostla hodnota vyjadřující, jak zřetelně byla reprezentována jejich identita, z 0.718 na 0.975, zatímco u latinských znaků se odpovídající skóre zvýšilo z 0.612 na 0.779.

Testy změn v tom, jak model po trénování zpracovával skryté znaky. Vlevo je vidět, že se predikce modelu a jeho pozornost více soustředí na oblasti obrázku, které tvoří skryté znaky; při narušení těchto oblastí přesnost klesá. Vpravo jsou alternativní predikce znaků modelem stále výrazněji uspořádány podle vizuální podobnosti, přičemž si zachovávají informace založené na jazyce.

Větší pozornost byla věnována také částem obrázku, které skutečně tvořily skrytá písmena. Když byla vnitřní reprezentace těchto oblastí v modelu záměrně narušena, přesnost klesla z 90.5% na 71.5%. Naproti tomu narušení stejného počtu náhodně vybraných oblastí pozadí způsobilo jen nepatrnou změnu, což naznačuje, že model četl skrytý text z příslušných vizuálních struktur.

Závěr

Možná se v této nové práci projevuje určitý druh „fraktální krátkozrakosti“, který se opakuje i v dalších oblastech AI. Mnozí uživatelé obeznámení s nejpokročilejšími LLM a VLM jistě rozpoznají četné případy, kdy se tyto modely zaměřují na malou část textu, obrazu nebo tvorby videa, aniž by z širšího hlediska zohlednily, jak mohou tyto změny ovlivnit celkový obraz.

V mnoha případech bude problém souviset s nedokonalou pamětí AI (a s její stále ještě rodící se schopností komprimovat vlastní paměť při delších a obvykle agentních úlohách). Někdy se však, jako v tomto případě, ukáže, že výchozí postupy trénování mají své nedostatky a je třeba se jimi cíleně zabývat. Otázkou je, nakolik bychom se měli z podobných případů poučit a zvážit úpravu základních postupů trénování… a kdy už lze tento proces považovat za příliš „specializovaný“ a okrajový pro cokoli jiného než přístup třetí strany, například LoRA.

Poprvé zveřejněno v úterý 10. listopadu 2026