Διδάσκοντας την ΤΝ να διαβάζει το κρυφό κείμενο που βλέπουν οι άνθρωποι

Μία από τις μόδες της ΤΝ που εμφανίστηκε και ξεθύμανε αρκετά γρήγορα πριν από περίπου 2-3 χρόνια ήταν η χρήση μοντέλων όρασης-γλώσσας (VLM) για την ενσωμάτωση κρυπτικών κειμένων και «λανθανουσών εικόνων» σε φαινομενικά αθώες εικόνες που δημιουργούνται από ΤΝ:

Οι οπτικές ψευδαισθήσεις και τα εφέ trompe-l’œil χαρακτηρίζουν τα αποτελέσματα του ControlNet QR Code Monster. Πηγή

Πρόκειται για ένα είδος εφέ trompe-l’œil κατά παραγγελία, το οποίο έγινε ευρύτερα γνωστό χάρη στο πλαίσιο ανοιχτού κώδικα QR Code Monster ControlNet.

Αφού αρκετοί άνθρωποι δουν αυτή την τεχνική στην πράξη, δεν απομένουν πολλές άλλες χρήσεις της πέρα από την πρακτική κρυπτογραφία, που επιτρέπει την αποστολή κειμένου το οποίο δεν θα υποκλαπεί ούτε θα ερμηνευτεί από μοντέλα όρασης-γλώσσας ή συστήματα Αναγνώρισης Οπτικών Χαρακτήρων (OCR), καθώς και τη μετάδοση ημιυποσυνείδητων μηνυμάτων:

Λαμβάνετε το μήνυμα; Αν όχι, μετακινηθείτε προς τα κάτω για να δείτε την απάντηση. Ένα γνωστό παράδειγμα οπτικής ψευδαίσθησης που δημιουργήθηκε από ΤΝ, το οποίο παραπέμπει —όπως και η κεντρική εικόνα του παρόντος άρθρου— σε ένα μιμίδιο από την ταινία επιστημονικής φαντασίας του John Carpenter «They Live» του 1988. Σε αυτήν, ένας άνδρας ανακαλύπτει ότι ο κόσμος είναι γεμάτος υποσυνείδητα μηνύματα από μια εξωγήινη φυλή που έχει διεισδύσει στη Γη. Πηγή

Έργα όπως η μελέτη του 2025 Το μίσος σε κοινή θέα, καθώς και η μελέτη του περασμένου μήνα Κρυμμένο σε κοινή θέα, αναδεικνύουν τις δυνατότητες αυτής της μεθόδου για τη διάδοση μισαλλόδοξων απόψεων και, γενικότερα, για τη στεγανογραφία.

Ως εκ τούτου, πλέον αντιμετωπίζεται στη βιβλιογραφία κυρίως ως μια δυνητικά κακόβουλη τεχνική και όχι ως ένας διασκεδαστικός τρόπος δημιουργίας μιμιδίων.

Μια πιο προσεκτική ματιά

Μία από τις προκλήσεις που συνεπάγεται η αναχαίτιση τέτοιων παρεισφρήσεων —ας τις ονομάσουμε οπτικές ψευδαισθήσεις ΤΝ, αφού δεν φαίνεται να έχει καθιερωθεί κάποια σταθερή ονομασία— είναι να κάνουμε τα πολυτροπικά μοντέλα ΤΝ να «βλέπουν το δάσος και όχι τα δέντρα», τρόπον τινά. Όταν μισοκλείνουμε τα μάτια ή σμικρύνουμε πολύ μια οπτική ψευδαίσθηση ΤΝ, τα γενικά χαρακτηριστικά του υποσυνείδητου κειμένου γίνονται εύκολα ορατά σε εμάς:

Καθώς η εκπαίδευση των μοντέλων διάχυσης οδηγεί σταδιακά την ΤΝ από την αντίληψη των εννοιών ως «πρόχειρων σκίτσων» στην απόδοση περίπλοκων λεπτομερειών —κάπως σαν να συμπληρώνεις το υπόλοιπο… της κουκουβάγιας—, τα VLM θα έπρεπε να είναι αρκετά καλά στον εντοπισμό τέτοιων μοτίβων. Ωστόσο, πρόσφατες έρευνες δείχνουν ότι αυτό δεν ισχύει στην πραγματικότητα:

Η μελέτη «SemVink» του 2025 διαπίστωσε ότι ένα VLM αιχμής, κατά τα άλλα ικανό, δεν μπορούσε να αποκρυπτογραφήσει το υποσυνείδητο κείμενο στις οπτικές ψευδαισθήσεις ΤΝ. Πηγή

Ωστόσο, μια πρόσφατη μελέτη από την Κίνα προτείνει ένα νέο πλαίσιο που θα μπορούσε να βοηθήσει τα VLM να αναγνωρίζουν οπτικές ψευδαισθήσεις ΤΝ.

Η νέα προσέγγιση, για την οποία έχει δημοσιευτεί ο κώδικας, χρησιμοποιεί μια μέθοδο εκπαίδευσης κατά την οποία ένα μοντέλο ΤΝ μαθαίνει από ένα άλλο, έχοντας στη διάθεσή του τόσο μια σμικρυμένη εκδοχή της εικόνας όσο και τη σωστή απομαγνητοφώνηση. Οι ερευνητές αναφέρουν ότι έτσι τα κρυφά μηνύματα μπορούν να διαβαστούν απευθείας από τις αρχικές εικόνες, με σημαντικά υψηλότερες βαθμολογίες αναγνώρισης από ό,τι με τις συμβατικές μεθόδους εκπαίδευσης:

Διάγραμμα της προτεινόμενης μεθόδου εκπαίδευσης ΤΝ. Απεικονίζονται δύο μοντέλα που μαθαίνουν από την ίδια εικόνα. Στο μοντέλο-διδάσκαλο δίνονται πρόσθετες ενδείξεις, μεταξύ των οποίων μια μικρότερη εκδοχή που διευκολύνει την αναγνώριση του κρυμμένου κειμένου, καθώς και η σωστή απάντηση. Η καθοδήγησή του χρησιμοποιείται για την εκπαίδευση του μοντέλου-μαθητή, το οποίο πρέπει τελικά να αναγνωρίζει το κείμενο χωρίς αυτές τις ενδείξεις.  Πηγή

Η μέθοδος, που ονομάζεται SQUINT, αξιοποιεί την απόσταξη γνώσης, κατά την οποία οι πληροφορίες που έχει μάθει ένα μοντέλο ΤΝ μεταφέρονται σε ένα άλλο κατά την εκπαίδευση. Σε αυτή την περίπτωση, το μοντέλο-μαθητής εκπαιδεύεται ώστε να αναπαράγει τις προβλέψεις του μοντέλου-διδασκάλου, μέσω μαθηματικής σύγκρισης των απαντήσεών τους. Μόλις ολοκληρωθεί η εκπαίδευση, το μοντέλο-διδάσκαλο μπορεί να απορριφθεί, αφήνοντας ένα μόνο μοντέλο για να εξετάζει νέες εικόνες χωρίς πρόσθετη βοήθεια.

Στα δύο στάδια του SQUINT, οι προβλέψεις του μαθητή συγκρίνονται αρχικά με εκείνες του καλύτερα ενημερωμένου δασκάλου, ώστε ο μαθητής να μαθαίνει από τις διαφορές. Στο δεύτερο στάδιο, ενθαρρύνονται περαιτέρω βελτιώσεις μέσω επιβράβευσης των σωστών αναγνώσεων κρυμμένου κειμένου.

Στις δοκιμές, το SQUINT αναγνώρισε κρυμμένα γράμματα σε εικόνες στις οποίες το αρχικό μοντέλο ΤΝ είχε σε μεγάλο βαθμό αποτύχει, ενώ είχε επίσης καλύτερες επιδόσεις σε αρκετά ανεξάρτητα σημεία αναφοράς. Διαπιστώθηκε ότι το κρυμμένο κείμενο μπορούσε συχνά να εντοπιστεί ακόμη κι όταν δεν ήταν δυνατό να διαβαστεί, ενώ η αναγνώριση βελτιωνόταν όταν η προσοχή στρεφόταν στα τμήματα της εικόνας που σχημάτιζαν τα γράμματα.

Επιτεύχθηκαν περαιτέρω βελτιώσεις με την καταστολή των λεπτομερειών και των υφών, ώστε να διακρίνονται ευκολότερα τα βασικά σχήματα:

Τρεις δοκιμές διερευνούν γιατί το κρυμμένο κείμενο διαβάζεται λανθασμένα. Αριστερά: η καθοδήγηση του μοντέλου προς τις σωστές περιοχές της εικόνας δείχνει ότι ο εντοπισμός των γραμμάτων αποτελεί σημαντικό εμπόδιο. Στο κέντρο: η αφαίρεση λεπτών οπτικών λεπτομερειών δείχνει ότι η υφή μπορεί να επισκιάσει τα μεγαλύτερα σχήματα των γραμμάτων. Δεξιά: η προσθήκη μιας εικόνας σε μικρότερη κλίμακα δείχνει ότι η σμίκρυνση βοηθά το μοντέλο να διακρίνει χαρακτήρες με παρόμοια εμφάνιση.

Δεδομένα και μέθοδος

Διαπιστώθηκε ότι η απλή έκθεση ενός μοντέλου σε περισσότερα παραδείγματα οπτικών ψευδαισθήσεων για την ΤΝ δεν επαρκεί, καθώς η συμβατική εκπαίδευση δεν παρέχει λόγο να εξεταστεί η εικόνα σε διαφορετική κλίμακα. Για τον λόγο αυτό, στο SQUINT χρησιμοποιείται κατά την εκπαίδευση μια σμικρυμένη εκδοχή της εικόνας, ώστε να διδαχθεί το μοντέλο ποιες οπτικές πληροφορίες πρέπει να δίνει προτεραιότητα όταν βλέπει την εικόνα στο πλήρες μέγεθός της.

Για τον σκοπό αυτό χρειάστηκαν δύο σύνολα δεδομένων. Το SquintBench αποτελείται από 1.076 εικόνες, επιλεγμένες από μια (μη προσδιορισμένη) γραμμή παραγωγής για την εποπτεία περιεχομένου. Σύμφωνα με τους συγγραφείς, όλες προέρχονται από πραγματικά δεδομένα παραγωγής και φαίνεται να είναι εικόνες προφίλ ανθρώπων που περιέχουν κρυμμένο κείμενο, το οποίο οι άνθρωποι μπορούν να διαβάσουν σχεδόν χωρίς προσπάθεια. Οι ανθρώπινοι σχολιαστές κατέγραψαν τόσο το ορατό όσο και το κρυμμένο κείμενο.

Το δεύτερο σύνολο δεδομένων, το SquintCtrl, περιλαμβάνει κρυμμένο κείμενο ενσωματωμένο σε σκηνές που δημιουργήθηκαν με το QR Code Monster v2, το οποίο εκτελείται στο πλέον παμπάλαιο Stable Diffusion 1.5 (το οποίο, όπως φαίνεται, πρέπει να αποσπαστεί από τα παγωμένα, νεκρά χέρια των ερευνητών της υπολογιστικής όρασης). Καθώς το κείμενο που χρησιμοποιήθηκε για τη δημιουργία κάθε εικόνας ήταν γνωστό εκ των προτέρων, ήταν δυνατό να προσδιοριστεί αυτόματα η ακριβής θέση του, επιτρέποντας τη μελέτη των αστοχιών αναγνώρισης χωρίς ανθρώπινο σχολιασμό.

Το SquintCtrl χωρίστηκε σε τέσσερα υποσύνολα: το SquintCtrl-Pair χρησιμοποιεί 500 αντιστοιχισμένα ζεύγη εικόνων, με και χωρίς κρυμμένο κείμενο, για να εξετάσει αν είναι δυνατό να εντοπιστεί η παρουσία του· το SquintCtrl-Glyph εξέτασε αν ήταν δυνατό να αναγνωριστούν και να εντοπιστούν μεμονωμένοι κινεζικοί και λατινικοί χαρακτήρες· το SquintCtrl-Strength μεταβάλλει την ένταση του κρυμμένου κειμένου σε 200 σκηνές· και το SquintCtrl-Read περιλαμβάνει 200 εικόνες με ανοικτό λεξιλόγιο για τη δοκιμή της πλήρους απομαγνητοφώνησης.

Δοκιμές

Τα διαγνωστικά πειράματα πραγματοποιήθηκαν με το Qwen3.5-9B, διατηρώντας αμετάβλητα τα βάρη του, ώστε να φανεί τι μπορούσε ήδη να αντιληφθεί το υπάρχον μοντέλο.

Το πρώτο στάδιο εκπαίδευσης, το Squint OPSD, αξιοποιεί τον καλύτερα ενημερωμένο δάσκαλο για να καθοδηγήσει τον μαθητή. Ο δάσκαλος λαμβάνει την αρχική εικόνα, μια σμικρυμένη εκδοχή της και τη σωστή απομαγνητοφώνηση, ενώ ο μαθητής βλέπει μόνο την αρχική εικόνα. Στη συνέχεια, οι προβλέψεις τους συγκρίνονται μία προς μία, διακριτικό προς διακριτικό, επιτρέποντας στον μαθητή να μαθαίνει από τον δάσκαλο, διατηρώντας παράλληλα την ικανότητα να λειτουργεί μόνο με βάση την αρχική εικόνα.

Η εκπαίδευση έγινε με 5.905 προτροπές, οι οποίες περιλάμβαναν 3.489 συνθετικές εικόνες με κρυμμένο κείμενο, 1.213 δείγματα OCR και 1.203 δείγματα οπτικής απάντησης σε ερωτήσεις. Το SquintBench χρησιμοποιήθηκε ως κύριο σύνολο αξιολόγησης, ενώ η μεταφορά μετρήθηκε στα Illusory VQA, AdvOCR και HC-Bench. Οι ευρύτερες επιδόσεις στην όραση και τη γλώσσα δοκιμάστηκαν στα AI2D, DocVQA και OCRBench.

Για λόγους σύγκρισης, δοκιμάστηκε το αρχικό προεκπαιδευμένο μοντέλο, καθώς και μια εκδοχή στην οποία δόθηκε επιπλέον μια σμικρυμένη εικόνα, ένα μοντέλο με εποπτευόμενη βελτιστοποίηση (SFT) και το DAPO. Ως εξωτερικά σημεία αναφοράς αξιολογήθηκαν επίσης τα Claude Opus 5, Gemini 3.1 Pro, GPT-6 Astra και Qwen3-VL-235B-Thinking.

Αποτελέσματα δοκιμών που συγκρίνουν το Squint OPSD με τις βασικές μεθόδους. Το Squint OPSD πετυχαίνει την υψηλότερη βαθμολογία στο SquintBench, 88.61, διατηρώντας παράλληλα σημαντικά μεγαλύτερο μέρος των γενικών επιδόσεών του στην όραση και τη γλώσσα σε σύγκριση με την εποπτευόμενη βελτιστοποίηση.

Όπως δείχνει ο παραπάνω πίνακας αποτελεσμάτων, το Squint OPSD αύξησε τη βαθμολογία στο SquintBench από 26.50 για το αρχικό μοντέλο σε 88.61, ξεπερνώντας και τις τρεις βασικές μεθόδους εκπαίδευσης, ενώ διατήρησε σε μεγάλο βαθμό τις επιδόσεις του στις γενικές δοκιμές όρασης και γλώσσας.

Στην επόμενη δοκιμή, το Squint OPSD αξιολογήθηκε σε τρεις εξωτερικές δοκιμασίες αναφοράς για κρυφό κείμενο:

Αποτελέσματα δοκιμών που συγκρίνουν το Squint OPSD με πέντε άλλα μοντέλα στο SquintBench και σε τρεις εξωτερικές δοκιμασίες αναφοράς για κρυφό κείμενο. Το Squint OPSD σημείωσε την καλύτερη επίδοση σε κάθε δοκιμή, όταν στα μοντέλα δόθηκαν οι πλήρεις, μη τροποποιημένες εικόνες. Στο Illusory VQA, τα χαμηλότερα ποσοστά σφάλματος λέξεων υποδηλώνουν καλύτερη επίδοση.

Οι βαθμολογίες αυξήθηκαν από 3,7 σε 66,7 στο AdvOCR και από 1,8 σε 44,6 στο HC-Bench, ενώ το ποσοστό σφάλματος λέξεων στο Illusory VQA μειώθηκε από 178,10 σε 67,00. Κακές επιδόσεις σημείωσαν επίσης τα πολύ μεγαλύτερα Qwen3-VL-235B-Thinking και GPT-6 Astra στις αρχικές εικόνες του SquintBench, με βαθμολογίες 24,44 και 8,33 αντίστοιχα.

Μετά την εκπαίδευση, παρατηρήθηκαν πολύ σαφέστερες εσωτερικές διακρίσεις μεταξύ των επιμέρους χαρακτήρων που ήταν κρυμμένοι μέσα σε μια εικόνα. Για τους κινεζικούς χαρακτήρες, ο δείκτης που μετρά πόσο σαφώς αναπαριστάται η ταυτότητα του χαρακτήρα αυξήθηκε από 0,718 σε 0,975, ενώ η αντίστοιχη βαθμολογία για τους λατινικούς χαρακτήρες αυξήθηκε από 0,612 σε 0,779.

Δοκιμές για το πώς άλλαξε μετά την εκπαίδευση ο τρόπος με τον οποίο το μοντέλο χειρίζεται τους κρυμμένους χαρακτήρες. Στα αριστερά, οι προβλέψεις και η εστίαση προσοχής του μοντέλου φαίνεται να επικεντρώνονται περισσότερο στις περιοχές της εικόνας που σχηματίζουν τους κρυμμένους χαρακτήρες, ενώ η ακρίβεια μειώνεται όταν οι περιοχές αυτές αλλοιώνονται. Στα δεξιά, οι εναλλακτικές προβλέψεις χαρακτήρων του μοντέλου φαίνεται να οργανώνονται εντονότερα με βάση την οπτική ομοιότητα, διατηρώντας παράλληλα τις πληροφορίες που βασίζονται στη γλώσσα.

Η προσοχή στράφηκε επίσης περισσότερο στα τμήματα της εικόνας που σχημάτιζαν πράγματι τα κρυμμένα γράμματα. Όταν η εσωτερική αναπαράσταση αυτών των περιοχών από το μοντέλο αλλοιώθηκε σκόπιμα, η ακρίβεια μειώθηκε από 90,5% σε 71,5%. Αντίθετα, η αλλοίωση ισάριθμων τυχαία επιλεγμένων περιοχών του φόντου δεν επέφερε σχεδόν καμία αλλαγή, γεγονός που δείχνει ότι το κρυμμένο κείμενο διαβαζόταν από τις σχετικές οπτικές δομές.

Συμπέρασμα

Ίσως αυτή η νέα εργασία να παρουσιάζει ένα είδος «φρακταλικής μυωπίας», η οποία επαναλαμβάνεται και σε άλλους τομείς της τεχνητής νοημοσύνης. Οι περισσότεροι χρήστες που είναι εξοικειωμένοι με τα κορυφαία LLM και VLM θα αναγνωρίσουν τις πολλές περιπτώσεις στις οποίες αυτά τείνουν να εστιάζουν σε μια μικρή περιοχή κειμένου ή σε ένα μικρό τμήμα της δημιουργίας εικόνας ή βίντεο, χωρίς να λαμβάνουν ευρύτερα υπόψη πώς αυτές οι αλλαγές μπορεί να επηρεάσουν τη συνολική εικόνα.

Σε πολλές περιπτώσεις, το ζήτημα θα σχετίζεται με την ατελή μνήμη της τεχνητής νοημοσύνης (και την ακόμη εκκολαπτόμενη ικανότητά της να συμπυκνώνει τη δική της μνήμη, για εργασίες μεγαλύτερης διάρκειας και συνήθως πρακτορικού χαρακτήρα). Μερικές φορές, ωστόσο, όπως συμβαίνει εδώ, διαπιστώνεται ότι οι συνήθεις πρακτικές εκπαίδευσης αφήνουν περιθώρια βελτίωσης και χρειάζεται να αντιμετωπιστούν ειδικά. Το ερώτημα είναι σε ποιον βαθμό θα πρέπει να αντλούμε διδάγματα από τέτοιες περιπτώσεις και να εξετάζουμε το ενδεχόμενο αναθεώρησης των βασικών πρακτικών εκπαίδευσης…και πότε η διαδικασία μπορεί να θεωρηθεί υπερβολικά «εξειδικευμένη» και περιορισμένη, ώστε να ενδείκνυται μόνο μια προσέγγιση τρίτου μέρους, όπως η LoRA.

Δημοσιεύτηκε για πρώτη φορά την Τρίτη, 10 Νοεμβρίου 2026