At lære AI at læse skjult tekst, som mennesker kan se

En af de AI-tendenser, der blussede op og hurtigt gik i sig selv igen for 2-3 år siden, var at bruge syns- og sprogmodeller (VLM’er) til at indlejre kryptisk tekst og »latente billeder« i tilsyneladende harmløse, genererede billeder:

Optiske illusioner og trompe-l’œil-effekter kendetegner resultatet fra QR Code Monster ControlNet. Kilde

Det er en slags trompe-l’œil-effekt efter behov, som blev særlig fremtrædende med open source-rammeværket QR Code Monster ControlNet.

Når tilstrækkeligt mange har set teknikken i brug, er der reelt ikke meget andet at stille op med den end at bruge den som en form for praktisk kryptografi, der gør det muligt at sende tekst, som ikke bliver opsnappet eller fortolket af VLM’er eller systemer til optisk tegngenkendelse (OCR) – og til overførsel af halvsubliminale budskaber:

Fanger du budskabet? Hvis ikke, så rul ned for at se svaret. Et velkendt eksempel på en AI-genereret optisk illusion, der – ligesom artiklens hovedillustration – henviser til et meme fra John Carpenters science fiction-film ‘They Live’ fra 1988. I filmen opdager en mand, at verden er fuld af subliminale budskaber fra en skjult, fremmed race. Kilde

Værker som undersøgelsen fra 2025 Had lige for øjnene af os og Skjult lige for øjnene af os fra sidste måned tydeliggør denne metodes potentiale til at sprede hadefulde synspunkter og generelt som en metode til steganografi.

Derfor betragtes teknikken nu i forskningslitteraturen primært som potentielt ondsindet snarere end som en underholdende memegenerator.

Et nærmere kig

En af udfordringerne ved at opsnappe sådanne indtrængninger – lad os kalde dem AI-optiske illusioner, eftersom der tilsyneladende ikke er opstået nogen fast betegnelse – er at få multimodale AI-modeller til så at sige at »se skoven for bare træer«. Når vi kniber øjnene sammen eller gør en AI-optisk illusion meget lille, bliver de overordnede træk ved den subliminale tekst lette for os at få øje på:

Fordi træningen af diffusionsmodeller gradvist fører AI fra at opfatte koncepter som »løse skitser« til at kunne gengive fine detaljer (lidt ligesom at færdiggøre resten af … uglen), burde VLM’er være ret gode til at skelne sådanne mønstre. Nyere forskning tyder dog på, at det faktisk ikke er tilfældet:

Studiet ‘SemVink’ fra 2025 viste, at en ellers kompetent VLM i den teknologiske frontlinje ikke kunne gennemskue den subliminale tekst i AI-optiske illusioner. Kilde

En nyere artikel fra Kina beskriver imidlertid et nyt rammeværk, der kan hjælpe VLM’er med at genkende AI-optiske illusioner.

Den nye metode, som der er blevet offentliggjort kode til, benytter en træningsmetode, hvor en AI-model lærer af en anden model, der får både en nedskaleret version af billedet og den korrekte transskription. Forskerne rapporterer, at metoden gør det muligt at aflæse skjulte budskaber direkte i originalbillederne og giver væsentligt højere genkendelsesscorer end konventionelle træningsmetoder:

Diagram over den foreslåede AI-træningsmetode. To modeller vises, mens de lærer fra det samme billede. Læreren får ekstra ledetråde, herunder en mindre udgave, der gør den skjulte tekst lettere at genkende, samt det korrekte svar. Lærerens vejledning bruges til at træne eleven, som til sidst selv skal kunne genkende teksten uden disse ledetråde.  Kilde

Metoden, der hedder SQUINT, bygger på vidensdestillation, hvor viden, som én AI-model har lært, overføres til en anden under træningen. I dette tilfælde trænes eleven i at efterligne lærerens forudsigelser ved hjælp af en matematisk sammenligning af deres svar. Når træningen er afsluttet, kan læreren fjernes, så der kun er én model tilbage til at undersøge nye billeder uden yderligere hjælp.

I SQUINTs to faser sammenlignes elevmodellens forudsigelser først med den bedre informerede lærermodels, så elevmodellen kan lære af forskellene. I anden fase tilskyndes yderligere forbedringer ved at belønne korrekt læsning af skjult tekst.

I testene genkendte SQUINT skjulte bogstaver i billeder, som den oprindelige AI-model stort set ikke havde kunnet håndtere, og klarede sig også bedre på flere uafhængige benchmarktests. Det viste sig, at skjult tekst ofte kunne registreres selv når den ikke kunne læses, og genkendelsen blev bedre, når opmærksomheden blev rettet mod de dele af billedet, hvor bogstaverne var formet.

Yderligere forbedringer blev opnået ved at undertrykke fine detaljer og teksturer, så de underliggende former blev lettere at skelne:

Tre test, der undersøger, hvorfor skjult tekst læses forkert. Venstre: Når modellen ledes hen til de rigtige områder af billedet, viser det sig, at det er en væsentlig udfordring at finde bogstaverne. Midten: Når fine visuelle detaljer fjernes, viser det sig, at tekstur kan sløre bogstavernes større former. Højre: Når der tilføjes en nedskaleret visning, viser det sig, at en reduktion af billedet hjælper modellen med at skelne mellem tegn, der ligner hinanden visuelt.

Data og metode

Det viste sig ikke at være tilstrækkeligt blot at vise en model flere eksempler på AI-optiske billeder, da traditionel træning ikke giver nogen grund til at betragte billedet i en anden skala. Derfor bruges en nedskaleret version under træningen i SQUINT, så modellen lærer, hvilke visuelle oplysninger den skal prioritere, når den møder billedet i fuld størrelse.

For at understøtte dette var to datasæt nødvendige; SquintBench består af 1.076 billeder udvalgt fra en (ikke nærmere angivet) produktionspipeline til indholdsmoderering – ifølge forfatterne stammer alle billederne fra reelle produktionsdata og er tilsyneladende profilbilleder af mennesker med skjult tekst, som mennesker næsten uden besvær kan læse. Både den synlige og den skjulte tekst blev transskriberet af menneskelige annotatorer.

Det andet datasæt, SquintCtrl, indeholder skjult tekst, der er indlejret i genererede scener ved hjælp af QR Code Monster v2, som kører på det nu hæderkronede Stable Diffusion 1.5 (som tilsyneladende må vrides ud af de computer vision-forskeres kolde, døde hænder). Da teksten, der blev brugt til at generere hvert billede, var kendt på forhånd, kunne dens nøjagtige placering identificeres automatisk, så det var muligt at undersøge fejl i genkendelsen uden menneskelig annotering.

SquintCtrl blev opdelt i fire delmængder: SquintCtrl-Pair bruger 500 matchede billedpar med og uden skjult tekst til at teste, om tekstens tilstedeværelse kunne registreres; SquintCtrl-Glyph testede, om enkelte kinesiske og latinske tegn kunne identificeres og lokaliseres; SquintCtrl-Strength varierede styrken af den skjulte tekst på tværs af 200 scener; og SquintCtrl-Read indeholdt 200 billeder med åbent ordforråd til test af fuldstændig transskription.

Test

Diagnostiske eksperimenter blev udført med Qwen3.5-9B, hvis vægte blev holdt uændrede for at afdække, hvad den eksisterende model allerede kunne opfatte.

I den første træningsfase, Squint OPSD, bruger man den bedre informerede lærermodel til at vejlede elevmodellen. Lærermodellen får det oprindelige billede, en nedskaleret version og den korrekte transskription, mens elevmodellen kun ser det oprindelige billede. Derefter sammenlignes deres forudsigelser token for token, så elevmodellen kan lære af lærermodellen og samtidig fortsat kunne arbejde ud fra det oprindelige billede alene.

Træningen blev udført på 5.905 prompts, der bestod af 3.489 syntetiske billeder med skjult tekst, 1.213 OCR-eksempler og 1.203 eksempler på visuel spørgsmål-og-svar-behandling. SquintBench blev brugt som det primære evalueringssæt, mens overførsel blev målt på Illusory VQA; AdvOCR; og HC-Bench. Den bredere ydeevne inden for vision og sprog blev testet på AI2D; DocVQA; og OCRBench.

Til sammenligning blev den oprindelige, fortrænede model testet side om side med en version, der fik en ekstra nedskaleret visning, superviseret finjustering (SFT) og DAPO. Som eksterne sammenligningspunkter blev også Claude Opus 5; Gemini 3.1 Pro; GPT-6 Astra; og Qwen3-VL-235B-Thinking evalueret.

Testresultater, der sammenligner Squint OPSD med basismetoderne. Squint OPSD opnår den højeste score på SquintBench med 88,61, samtidig med at modellen bevarer væsentligt mere af sin generelle ydeevne inden for vision og sprog end ved superviseret finjustering.

Som det fremgår af resultattabellen ovenfor, hævede Squint OPSD scoren på SquintBench fra 26,50 for den oprindelige model til 88,61. Dermed klarede metoden sig bedre end alle tre basismetoder til træning, samtidig med at ydeevnen i de generelle test af vision og sprog stort set blev bevaret.

I den næste test blev Squint OPSD evalueret på tre eksterne benchmarks for skjult tekst:

Testresultater, der sammenligner Squint OPSD med fem andre modeller på tværs af SquintBench og tre eksterne benchmarks for skjult tekst. Squint OPSD klarede sig bedst i alle test, når modellerne fik de fulde, uændrede billeder. For Illusory VQA er lavere ordfejlrater ensbetydende med bedre resultater.

Resultaterne steg fra 3.7 til 66.7 på AdvOCR og fra 1.8 til 44.6 på HC-Bench, mens ordfejlraten på Illusory VQA faldt fra 178.10 til 67.00. De langt større modeller Qwen3-VL-235B-Thinking og GPT-6 Astra opnåede også dårlige resultater på de oprindelige SquintBench-billeder med henholdsvis 24.44 og 8.33 point.

Efter træningen sås langt tydeligere interne skel mellem de enkelte tegn, der var skjult i et billede. For kinesiske tegn steg målet for, hvor tydeligt tegnenes identitet var repræsenteret, fra 0.718 til 0.975, mens den tilsvarende score for latinske tegn steg fra 0.612 til 0.779.

Test af, hvordan modellens håndtering af skjulte tegn ændrede sig efter træningen. Til venstre ses modellens forudsigelser og opmærksomhed blive mere koncentreret om de billedområder, der danner de skjulte tegn, mens nøjagtigheden falder, når disse områder forstyrres. Til højre ses modellens alternative tegnforudsigelser blive tydeligere organiseret efter visuel lighed, samtidig med at den sprog-baserede information bevares.

Opmærksomheden blev også i højere grad rettet mod de dele af billedet, der rent faktisk dannede de skjulte bogstaver. Da modellens interne repræsentation af disse områder bevidst blev forstyrret, faldt nøjagtigheden fra 90.5% til 71.5%. Til sammenligning medførte forstyrrelse af et tilsvarende antal tilfældigt udvalgte baggrundsområder næsten ingen ændring, hvilket tyder på, at den skjulte tekst blev aflæst ud fra de relevante visuelle strukturer.

Konklusion

Måske findes der en form for »fraktal nærsynethed« i dette nye arbejde, som går igen på tværs af andre AI-områder. De fleste brugere, der kender de førende LLM’er og VLM’er, vil kunne genkende de mange tilfælde, hvor modellerne har tendens til at fokusere på et lille udsnit af tekst-, billed- eller videogenerering uden at tage bredere hensyn til, hvordan disse ændringer kan påvirke det større billede.

I mange tilfælde hænger problemet sammen med AI’ens ufuldkomne hukommelse (og dens stadig spæde evne til at komprimere sin egen hukommelse til længerevarende og som regel agentbaserede opgaver). Nogle gange viser det sig dog, som i dette tilfælde, at standardpraksis for træning ikke er tilstrækkelig og bør håndteres specifikt. Spørgsmålet er, hvor meget vi bør lære af sådanne tilfælde og overveje at revidere grundlæggende træningspraksis – og hvornår processen kan betragtes som for »specialiseret« og marginal til andet end en tilgang fra tredjepart såsom LoRA.

Først offentliggjort tirsdag den 10. november 2026