मनुष्य जिस छिपे हुए पाठ को देख सकते हैं, उसे पढ़ने के लिए AI को सिखाना

करीब 2-3 साल पहले एआई के जिन चलनों ने तेज़ी से ज़ोर पकड़ा और जल्द ही दम तोड़ दिया, उनमें से एक था विज़न-लैंग्वेज मॉडल (VLMs) का इस्तेमाल करके गूढ़ पाठ और ‘अव्यक्त छवियों’ को दिखने में अहानिकर, एआई-जनित तस्वीरों में समाहित करना:

QR Code Monster ControlNet से बने आउटपुट की पहचान दृष्टिभ्रम और ट्रॉम्प-ल’ऑय प्रभावों से होती है। स्रोत

यह मांग पर तैयार किया जाने वाला एक तरह का ट्रॉम्प-ल’ऑय प्रभाव है, जिसे ओपन-सोर्स QR Code Monster ControlNet फ़्रेमवर्क के ज़रिए सबसे अधिक लोकप्रियता मिली।

जब पर्याप्त लोग इस तकनीक को काम करते देख चुके हों, तो इसके इस्तेमाल का एकमात्र व्यावहारिक रास्ता इसे व्यावहारिक कूटलेखन के रूप में अपनाना रह जाता है। इससे ऐसा पाठ भेजा जा सकता है जिसे VLMs या ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) प्रणालियाँ न तो रोक पाएँ और न ही समझ पाएँ—और प्रसारण के ज़रिए अर्ध-अवचेतन संदेश भी भेजे जा सकते हैं:

क्या आपको संदेश समझ में आ रहा है? अगर नहीं, तो जवाब जानने के लिए नीचे स्क्रॉल करें। AI से बने दृष्टिभ्रम का एक जाना-माना उदाहरण। यह (इस लेख के मुख्य चित्र की तरह) John Carpenter की 1988 की विज्ञान-कथा फ़िल्म ‘They Live’ के एक मीम का संदर्भ देता है। फ़िल्म में एक व्यक्ति को पता चलता है कि दुनिया एक ऐसी परग्रही जाति के अवचेतन संदेशों से भरी है जो यहाँ छिपकर रह रही है। स्रोत

2025 के अध्ययन Hate in Plain Sight और पिछले महीने प्रकाशित Hidden in Plain Sight जैसी रचनाएँ दिखाती हैं कि इस तरीके का इस्तेमाल नफ़रत भरे विचार फैलाने के लिए किया जा सकता है। व्यापक अर्थ में, यह गुप्त लेखन की एक विधि भी है।

इसलिए, अब शोध-साहित्य में इसे एक मनोरंजक मीम बनाने के तरीके के बजाय मुख्यतः संभावित रूप से दुर्भावनापूर्ण तकनीक माना जाता है।

एक गहरी पड़ताल

ऐसी घुसपैठों को पकड़ने की एक चुनौती—इन्हें AI Opticals कह लेते हैं, क्योंकि लगता है कि इनके लिए अब तक कोई एक नाम तय नहीं हुआ है—यह है कि बहुमाध्यमी AI मॉडल को बारीकियों में उलझने के बजाय समग्र तस्वीर देखने में मदद कैसे दी जाए। जब हम आँखें सिकोड़कर देखते हैं या AI Optical को बहुत छोटा कर देते हैं, तो अवचेतन पाठ की बड़ी रूपरेखा हमें आसानी से दिखाई देने लगती है:

डिफ्यूज़न मॉडल के प्रशिक्षण में AI धीरे-धीरे ‘खुरदरे शुरुआती रेखाचित्रों’ से आगे बढ़कर बारीक विवरण बनाने लगता है (कुछ-कुछ …उल्लू के बाकी हिस्से को पूरा करने जैसा)। इसलिए, उम्मीद की जा सकती है कि VLMs इस तरह के पैटर्न पहचानने में काफ़ी अच्छे होंगे। हालाँकि, हालिया शोध बताता है कि असल में ऐसा नहीं है:

2025 के शोध ‘SemVink’ में पाया गया कि अन्य कामों में सक्षम एक अग्रणी VLM भी AI Opticals में छिपे अवचेतन पाठ को पहचान नहीं सका। स्रोत

हालाँकि, चीन से प्रकाशित एक हालिया शोधपत्र में ऐसे नए फ़्रेमवर्क का सुझाव दिया गया है, जो VLMs को AI Opticals पहचानने में मदद कर सकता है।

इस नए तरीके का कोड जारी किया जा चुका है। इसमें प्रशिक्षण के दौरान एक AI मॉडल दूसरे मॉडल से सीखता है और उसे छवि का छोटा रूप तथा सही लिप्यंतरण, दोनों दिए जाते हैं। शोधकर्ताओं के मुताबिक, इस तरीके से मूल छवियों में छिपे संदेश सीधे पढ़े जा सकते हैं और पारंपरिक प्रशिक्षण विधियों की तुलना में पहचान के अंक काफ़ी अधिक मिलते हैं:

प्रस्तावित AI प्रशिक्षण विधि का आरेख। इसमें दो मॉडल एक ही छवि से सीखते दिखाए गए हैं। शिक्षक मॉडल को कुछ अतिरिक्त संकेत दिए जाते हैं, जिनमें छवि का एक छोटा रूप भी शामिल है, जिससे छिपे हुए पाठ को पहचानना आसान हो जाता है; साथ ही उसे सही उत्तर भी दिया जाता है। विद्यार्थी मॉडल को प्रशिक्षित करने के लिए शिक्षक के मार्गदर्शन का इस्तेमाल किया जाता है। अंततः विद्यार्थी को इन संकेतों के बिना पाठ पहचानना होता है।  स्रोत

SQUINT नाम की यह विधि ज्ञान आसवन का लाभ उठाती है। इसमें प्रशिक्षण के दौरान एक AI मॉडल द्वारा सीखी गई जानकारी दूसरे मॉडल तक पहुँचाई जाती है। इस मामले में, विद्यार्थी मॉडल को शिक्षक की भविष्यवाणियों की नकल करना सिखाया जाता है; इसके लिए दोनों के जवाबों की गणितीय तुलना की जाती है। प्रशिक्षण पूरा होने पर शिक्षक मॉडल को हटाया जा सकता है और एक अकेला मॉडल बिना किसी अतिरिक्त मदद के नई छवियों की जाँच कर सकता है।

SQUINT के दो चरणों में, पहले छात्र मॉडल की भविष्यवाणियों की तुलना बेहतर जानकारी वाले शिक्षक मॉडल की भविष्यवाणियों से की जाती है, जिससे वह दोनों के बीच के अंतर से सीख पाता है। दूसरे चरण में, छिपे हुए पाठ को सही ढंग से पढ़ने पर पुरस्कृत करके और सुधारों को प्रोत्साहित किया जाता है।

परीक्षणों में, SQUINT ने उन छवियों में छिपे अक्षरों को पहचान लिया जिन्हें मूल AI मॉडल पढ़ने में लगभग पूरी तरह विफल रहा था। कई स्वतंत्र मानकों पर भी इसका प्रदर्शन बेहतर रहा। पाया गया कि छिपे हुए पाठ का अक्सर तब भी पता लगाया जा सकता है, जब उसे पढ़ा न जा सके। छवि के उन हिस्सों पर ध्यान केंद्रित करने से पहचान में सुधार हुआ जिनसे अक्षर बने थे।

बारीक विवरणों और बनावटों को दबाने से और सुधार हुए, जिससे अंतर्निहित आकृतियों को अधिक आसानी से पहचाना जा सका:

यह जाँचने के लिए तीन परीक्षण कि छिपे हुए पाठ को गलत क्यों पढ़ा जाता है। बाएँ: मॉडल को छवि के सही हिस्सों पर केंद्रित करने से पता चलता है कि अक्षरों को ढूँढ़ना एक बड़ी बाधा है। बीच में: बारीक दृश्य विवरण हटाने से पता चलता है कि बनावट, अक्षरों की बड़ी आकृतियों को छिपा सकती है। दाएँ: छोटा किया हुआ दृश्य जोड़ने से पता चलता है कि छवि का आकार घटाने पर मॉडल को देखने में एक जैसे लगने वाले अक्षरों में अंतर करने में मदद मिलती है।

डेटा और विधि

पता चला कि किसी मॉडल को AI Opticals के अधिक उदाहरण दिखाना ही पर्याप्त नहीं था, क्योंकि पारंपरिक प्रशिक्षण में ऐसा कोई कारण नहीं होता कि छवि को अलग-अलग पैमानों पर देखा जाए। इसलिए SQUINT में प्रशिक्षण के दौरान छवि का छोटा किया हुआ संस्करण इस्तेमाल किया जाता है, ताकि मॉडल सीख सके कि पूर्ण आकार की छवि सामने आने पर किस दृश्य जानकारी को प्राथमिकता देनी चाहिए।

इसके लिए दो डेटासेट आवश्यक थे; SquintBench में एक (अस्पष्ट) उत्पादन सामग्री-मॉडरेशन प्रक्रिया से चुनी गई 1,076 छवियाँ हैं। लेखकों के अनुसार, ये सभी वास्तविक उत्पादन डेटा से ली गई थीं और इनमें संभवतः उपयोगकर्ता-प्रोफ़ाइल चित्र शामिल थे, जिनमें छिपा हुआ पाठ था। लोग इस पाठ को लगभग बिना किसी कठिनाई के पढ़ सकते थे। मानव एनोटेटरों ने दृश्य और छिपे हुए, दोनों प्रकार के पाठ का लिप्यंतरण किया।

दूसरे डेटासेट, SquintCtrl, में QR Code Monster v2 का इस्तेमाल करके बनाई गई छवियों के दृश्यों में छिपा हुआ पाठ शामिल है। यह अब प्रतिष्ठित हो चुके Stable Diffusion 1.5 पर चलता है (जिसे कंप्यूटर विज़न शोधकर्ता जाहिर तौर पर तब तक अपने पास रखना चाहते हैं, जब तक उनके हाथ ठंडे न पड़ जाएँ)। चूँकि हर छवि बनाने के लिए इस्तेमाल किया गया पाठ पहले से ज्ञात था, इसलिए उसका सटीक स्थान अपने-आप पहचाना जा सकता था। इससे मानव एनोटेशन के बिना ही यह जाँचना संभव हुआ कि पहचान कहाँ विफल रही।

SquintCtrl को चार उपसमूहों में बाँटा गया था: SquintCtrl-Pair में छिपे हुए पाठ वाली और उसके बिना 500 मिलान की गई छवियों के जोड़े हैं, जिनसे यह जाँचा जाता है कि पाठ की मौजूदगी का पता लगाया जा सकता है या नहीं; SquintCtrl-Glyph में यह जाँचा गया कि अलग-अलग चीनी और लैटिन अक्षरों की पहचान करके उनका स्थान बताया जा सकता है या नहीं; SquintCtrl-Strength में 200 दृश्यों में छिपे हुए पाठ की स्पष्टता अलग-अलग रखी गई; और SquintCtrl-Read में पूरे पाठ का लिप्यंतरण जाँचने के लिए खुले शब्द-भंडार वाली 200 छवियाँ दी गईं।

परीक्षण

निदानात्मक प्रयोग Qwen3.5-9B के साथ किए गए। इसके वेट में कोई बदलाव नहीं किया गया, ताकि यह पता चल सके कि मौजूदा मॉडल पहले से क्या-क्या देख सकता है।

प्रशिक्षण के पहले चरण, Squint OPSD, में बेहतर जानकारी वाला शिक्षक मॉडल छात्र मॉडल का मार्गदर्शन करता है। शिक्षक को मूल छवि, उसका छोटा किया हुआ संस्करण और सही लिप्यंतरण दिया जाता है, जबकि छात्र को केवल मूल छवि दिखाई जाती है। इसके बाद उनकी भविष्यवाणियों की टोकन-दर-टोकन तुलना की जाती है, जिससे छात्र शिक्षक से सीखता है और साथ ही केवल मूल छवि के आधार पर काम करने में सक्षम रहता है।

प्रशिक्षण 5,905 प्रॉम्प्ट पर किया गया, जिनमें छिपे हुए पाठ वाली 3,489 कृत्रिम छवियाँ, OCR के 1,213 नमूने और दृश्य-प्रश्न-उत्तर के 1,203 नमूने शामिल थे। मुख्य मूल्यांकन सेट के रूप में SquintBench का इस्तेमाल किया गया, जबकि अन्य कार्यों में प्रदर्शन का स्थानांतरण Illusory VQA; AdvOCR; और HC-Bench पर मापा गया। दृष्टि-भाषा के व्यापक प्रदर्शन की जाँच AI2D; DocVQA; और OCRBench पर की गई।

तुलना के लिए, मूल पूर्व-प्रशिक्षित मॉडल के साथ-साथ ऐसे संस्करण का भी परीक्षण किया गया जिसे अतिरिक्त छोटा किया हुआ दृश्य दिया गया था, पर्यवेक्षित फाइन-ट्यूनिंग (SFT) से प्रशिक्षित किया गया था और DAPO का इस्तेमाल करके प्रशिक्षित किया गया था। बाहरी संदर्भों के रूप में Claude Opus 5; Gemini 3.1 Pro; GPT-6 Astra; और Qwen3-VL-235B-Thinking का भी मूल्यांकन किया गया।

परीक्षण के नतीजे, जिनमें Squint OPSD की तुलना आधारभूत विधियों से की गई है। Squint OPSD ने 88.61 के स्कोर के साथ SquintBench पर सबसे ऊँचा अंक हासिल किया, जबकि पर्यवेक्षित फाइन-ट्यूनिंग की तुलना में सामान्य दृष्टि-भाषा प्रदर्शन का कहीं अधिक हिस्सा बनाए रखा।

जैसा कि ऊपर दी गई नतीजों की तालिका में दिखाया गया है, Squint OPSD ने SquintBench का स्कोर मूल मॉडल के 26.50 से बढ़ाकर 88.61 कर दिया। इसने प्रशिक्षण की तीनों आधारभूत विधियों से बेहतर प्रदर्शन किया और सामान्य दृष्टि-भाषा परीक्षणों पर प्रदर्शन को काफी हद तक बनाए रखा।

अगली जाँच में Squint OPSD का मूल्यांकन छिपे हुए पाठ के तीन बाहरी बेंचमार्क पर किया गया:

SquintBench और छिपे हुए पाठ के तीन बाहरी बेंचमार्क पर Squint OPSD की तुलना पाँच अन्य मॉडलों से करने के परीक्षण के नतीजे। जब मॉडलों को पूरी, बिना किसी बदलाव वाली छवियाँ दी गईं, तो Squint OPSD ने हर परीक्षण में सबसे अच्छा प्रदर्शन किया। Illusory VQA में शब्द-त्रुटि दर जितनी कम हो, प्रदर्शन उतना ही बेहतर होता है।

AdvOCR पर स्कोर 3.7 से बढ़कर 66.7 हो गया और HC-Bench पर 1.8 से बढ़कर 44.6, जबकि Illusory VQA पर शब्द-त्रुटि दर 178.10 से घटकर 67.00 हो गई। मूल SquintBench छवियों पर कहीं बड़े Qwen3-VL-235B-Thinking और GPT-6 Astra के नतीजे भी खराब रहे: उनके स्कोर क्रमशः 24.44 और 8.33 थे।

प्रशिक्षण के बाद, छवि में छिपे अलग-अलग अक्षरों के बीच मॉडल की आंतरिक पहचान कहीं अधिक स्पष्ट दिखाई दी। चीनी अक्षरों के लिए, अक्षर की पहचान कितनी स्पष्टता से दर्शाई गई थी, इसका माप 0.718 से बढ़कर 0.975 हो गया; वहीं लैटिन अक्षरों के लिए यह स्कोर 0.612 से बढ़कर 0.779 हुआ।

प्रशिक्षण के बाद छिपे हुए अक्षरों को समझने के मॉडल के तरीके में आए बदलावों की जाँच। बाईं ओर दिखाया गया है कि मॉडल के पूर्वानुमान और ध्यान उन छवि-क्षेत्रों पर अधिक केंद्रित होने लगे जहाँ छिपे हुए अक्षर बने हैं; इन क्षेत्रों में बाधा डालने पर सटीकता घट जाती है। दाईं ओर मॉडल के वैकल्पिक अक्षर-पूर्वानुमान दृश्य समानता के आधार पर अधिक व्यवस्थित होते दिखाए गए हैं, जबकि भाषा पर आधारित जानकारी बनी रहती है।

छवि के उन हिस्सों पर भी अधिक ध्यान दिया गया जो वास्तव में छिपे हुए अक्षर बनाते थे। जब इन क्षेत्रों की मॉडल की आंतरिक अभिव्यक्ति में जानबूझकर बाधा डाली गई, तो सटीकता 90.5% से घटकर 71.5% रह गई। इसके उलट, पृष्ठभूमि के उतनी ही संख्या में बेतरतीब ढंग से चुने गए क्षेत्रों में बाधा डालने से लगभग कोई बदलाव नहीं आया। इससे पता चलता है कि छिपा हुआ पाठ संबंधित दृश्य संरचनाओं के आधार पर पढ़ा जा रहा था।

निष्कर्ष

हो सकता है कि इस नए काम में एक तरह की ‘फ्रैक्टल मायोपिया’ हो, जो एआई के अन्य क्षेत्रों में भी बार-बार दिखाई देती है। अत्याधुनिक LLM और VLM से परिचित अधिकांश उपयोगकर्ता जानते होंगे कि वे कितनी बार पाठ, छवि या वीडियो निर्माण के किसी छोटे-से हिस्से पर ध्यान केंद्रित कर लेते हैं, और इस पर व्यापक रूप से विचार नहीं करते कि इन बदलावों का बड़ी तस्वीर पर क्या असर पड़ सकता है।

कई मामलों में समस्या एआई की अपूर्ण स्मृति से जुड़ी होगी (और लंबे तथा आम तौर पर एजेंट-आधारित कार्यों के लिए अपनी स्मृति को संक्षिप्त करने की उसकी अभी शुरुआती दौर में ही मौजूद क्षमता से भी)। हालाँकि, कभी-कभी—जैसा कि इस मामले में हुआ—पता चलता है कि प्रशिक्षण की सामान्य पद्धतियों में सुधार की गुंजाइश है और उन पर विशेष रूप से ध्यान देने की ज़रूरत है। सवाल यह है कि हमें ऐसे मामलों से कितना सीखना चाहिए और क्या बुनियादी प्रशिक्षण पद्धतियों में संशोधन पर विचार करना चाहिए…और यह प्रक्रिया कब इतनी ‘विशिष्ट’ और सीमित मानी जा सकती है कि उसके लिए LoRA जैसे किसी तृतीय-पक्ष तरीके के अलावा कोई विकल्प न हो।

पहली बार प्रकाशित: मंगलवार, 10 नवंबर 2026