Insegnare all’IA a leggere il testo nascosto che gli esseri umani riescono a vedere

Una delle mode dell’IA che è esplosa per poi esaurirsi piuttosto rapidamente circa 2-3 anni fa consisteva nell’usare modelli visione-linguaggio (VLM) per incorporare testi criptici e «immagini latenti» in immagini generate apparentemente innocue:

Le illusioni ottiche e gli effetti trompe-l’œil caratterizzano il risultato del ControlNet QR Code Monster. Fonte

È una sorta di effetto trompe-l’œil a richiesta, diventato particolarmente popolare grazie al framework open source QR Code Monster ControlNet.

Dopo che un numero sufficiente di persone ha visto questa tecnica in azione, non resta praticamente altro da farne se non usarla come forma di crittografia pratica, che consente di inviare testi che non verranno intercettati né interpretati dai VLM o dai sistemi di riconoscimento ottico dei caratteri (OCR) e di trasmettere messaggi semi-subliminali:

Riuscite a cogliere il messaggio? In caso contrario, scorrete verso il basso per scoprirlo. Un noto esempio di illusione ottica generata dall’IA, che rimanda (come l’immagine principale di questo articolo) a un meme tratto dal film di fantascienza del 1988 di John Carpenter, «They Live», in cui un uomo scopre che il mondo è pieno di messaggi subliminali diffusi da una razza aliena infiltrata. Fonte

Opere come lo studio del 2025 L’odio in piena vista e quello del mese scorso Nascosto in piena vista mostrano chiaramente il potenziale di questo metodo per diffondere idee d’odio e, più in generale, per la stenografia.

Di conseguenza, nella letteratura questa tecnica è ormai considerata soprattutto un potenziale strumento malevolo, piuttosto che un divertente generatore di meme.

Uno sguardo più approfondito

Una delle difficoltà nel contrastare queste intrusioni — chiamiamole AI Opticals, visto che non sembra essersi affermato un nome univoco — consiste nel far sì che i modelli di IA multimodali riescano a «vedere il quadro d’insieme, al di là dei singoli dettagli». Quando strizziamo gli occhi o riduciamo un’AI Optical a dimensioni molto piccole, le caratteristiche generali del testo subliminale diventano facili da cogliere, almeno per noi:

Poiché durante l’addestramento di un modello di diffusione l’IA passa gradualmente dal considerare i concetti come «abbozzi approssimativi» al saper renderizzare dettagli molto definiti (un po’ come completare il resto del… gufo), i VLM dovrebbero essere piuttosto bravi a individuare schemi di questo tipo. Tuttavia, ricerche recenti suggeriscono che in realtà non è così:

Lo studio del 2025 «SemVink» ha rilevato che un VLM di frontiera, pur altrimenti capace, non riusciva a decifrare il testo subliminale nelle AI Opticals. Fonte

Un recente articolo di ricerca proveniente dalla Cina propone tuttavia un nuovo framework che potrebbe aiutare i VLM a riconoscere le AI Opticals.

Il nuovo approccio, il cui codice è stato rilasciato, usa un metodo di addestramento in cui un modello di IA apprende da un altro modello, fornendogli sia una versione ridotta dell’immagine sia la trascrizione corretta. I ricercatori riferiscono che questo consente di leggere i messaggi nascosti direttamente nelle immagini originali, ottenendo punteggi di riconoscimento nettamente superiori a quelli dei metodi di addestramento convenzionali:

Diagramma del metodo di addestramento dell’IA proposto. Sono illustrati due modelli che apprendono dalla stessa immagine. Al modello insegnante vengono forniti indizi aggiuntivi, tra cui una versione più piccola che rende più facile riconoscere il testo nascosto, e la risposta corretta. Le sue indicazioni vengono usate per addestrare il modello studente, che alla fine deve riuscire a riconoscere il testo senza questi indizi.  Fonte

Il metodo, denominato SQUINT, sfrutta la distillazione della conoscenza, una tecnica in cui le informazioni apprese da un modello di IA vengono trasmesse a un altro durante l’addestramento. In questo caso, il modello studente viene addestrato a riprodurre le previsioni del modello insegnante, confrontando matematicamente le risposte dei due modelli. Una volta completato l’addestramento, il modello insegnante può essere eliminato, lasciando un solo modello in grado di esaminare nuove immagini senza ulteriore assistenza.

Nelle due fasi di SQUINT, le previsioni dello studente vengono prima confrontate con quelle dell’insegnante, più informato, così che possa apprendere dalle differenze. Nella seconda fase, si incoraggiano ulteriori miglioramenti premiando le letture corrette del testo nascosto.

Nei test, SQUINT ha riconosciuto le scritte nascoste in immagini che avevano messo in difficoltà il modello di IA originale, ottenendo risultati migliori anche in diversi benchmark indipendenti. È emerso che spesso il testo nascosto può essere rilevato anche quando non è possibile leggerlo; il riconoscimento migliora quando l’attenzione viene indirizzata verso le parti dell’immagine che formano le lettere.

Sono stati ottenuti ulteriori miglioramenti sopprimendo i dettagli e le texture più fini, così da distinguere più facilmente le forme sottostanti:

Tre prove per indagare perché il testo nascosto viene letto in modo errato. A sinistra: indirizzare il modello verso le aree corrette dell’immagine mostra che individuare le lettere è un ostacolo importante. Al centro: eliminare i dettagli visivi più fini mostra che la texture può oscurare le forme più ampie delle lettere. A destra: aggiungere una vista ridotta mostra che rimpicciolire l’immagine aiuta il modello a distinguere caratteri visivamente simili.

Dati e metodo

È emerso che esporre semplicemente un modello a un maggior numero di esempi di AI Opticals non è sufficiente, poiché l’addestramento convenzionale non fornisce alcun motivo per esaminare l’immagine a una scala diversa. Per questo, durante l’addestramento SQUINT usa una versione ridotta, per insegnare al modello quali informazioni visive debbano avere la priorità quando si trova davanti all’immagine a dimensioni originali.

A questo scopo sono stati necessari due dataset; SquintBench comprende 1.076 immagini selezionate da un flusso di moderazione dei contenuti in produzione (non meglio specificato): secondo gli autori, provengono tutte da dati di produzione reali e, a quanto pare, sono immagini di profilo di persone contenenti testo nascosto, leggibile quasi senza sforzo dagli esseri umani; sia il testo visibile sia quello nascosto sono stati trascritti da annotatori umani.

Il secondo dataset, SquintCtrl, contiene testo nascosto incorporato in scene generate con QR Code Monster v2, in esecuzione sul ormai venerabile Stable Diffusion 1.5 (che, a quanto pare, va strappato dalle fredde mani senza vita dei ricercatori di visione artificiale). Poiché il testo usato per generare ciascuna immagine era noto in anticipo, è stato possibile individuarne automaticamente la posizione esatta e analizzare gli errori di riconoscimento senza annotazioni umane.

SquintCtrl è stato suddiviso in quattro sottoinsiemi: SquintCtrl-Pair usa 500 coppie abbinate, con e senza testo nascosto, per verificare se fosse possibile rilevarne la presenza; SquintCtrl-Glyph ha verificato se fosse possibile identificare e localizzare singoli caratteri cinesi e latini; SquintCtrl-Strength ha variato l’intensità del testo nascosto in 200 scene; e SquintCtrl-Read ha fornito 200 immagini a vocabolario aperto per verificare la trascrizione completa.

Test

Gli esperimenti diagnostici sono stati condotti con Qwen3.5-9B, mantenendone invariati i pesi per rivelare ciò che il modello esistente era già in grado di percepire.

La prima fase di addestramento, Squint OPSD, usa l’insegnante, più informato, per guidare lo studente. L’insegnante riceve l’immagine originale, una versione ridotta e la trascrizione corretta, mentre lo studente vede soltanto l’immagine originale. Le loro previsioni vengono poi confrontate token per token, consentendo allo studente di apprendere dall’insegnante e, al tempo stesso, di continuare a lavorare sulla sola immagine originale.

L’addestramento è stato condotto su 5.905 prompt, composti da 3.489 immagini sintetiche con testo nascosto, 1.213 esempi OCR e 1.203 esempi di domande e risposte visive. SquintBench è stato usato come principale insieme di valutazione, mentre il trasferimento è stato misurato su Illusory VQA; AdvOCR; e HC-Bench. Le prestazioni più ampie nella visione e nel linguaggio sono state verificate su AI2D; DocVQA; e OCRBench.

Per il confronto, il modello preaddestrato originale è stato testato insieme a una versione a cui era stata fornita un’ulteriore vista ridotta, a una versione sottoposta a messa a punto supervisionata (SFT) e a una addestrata con DAPO. Sono stati valutati anche, come riferimenti esterni, Claude Opus 5; Gemini 3.1 Pro; GPT-6 Astra; e Qwen3-VL-235B-Thinking.

Risultati dei test che confrontano Squint OPSD con i metodi di riferimento. Squint OPSD ottiene il punteggio più alto su SquintBench, pari a 88,61, mantenendo prestazioni generali nella visione e nel linguaggio nettamente superiori a quelle della messa a punto supervisionata.

Come mostra la tabella dei risultati qui sopra, Squint OPSD ha portato il punteggio di SquintBench da 26,50 per il modello originale a 88,61, superando tutti e tre i metodi di addestramento di riferimento e preservando in larga misura le prestazioni nei test generali di visione e linguaggio.

Nel test successivo, Squint OPSD è stato valutato su tre benchmark esterni per il testo nascosto:

Risultati dei test che confrontano Squint OPSD con altri cinque modelli su SquintBench e su tre benchmark esterni per il testo nascosto. Squint OPSD ha ottenuto i risultati migliori in ogni test quando ai modelli sono state fornite le immagini complete e non modificate. Per Illusory VQA, tassi di errore sulle parole più bassi indicano prestazioni migliori.

I punteggi sono aumentati da 3.7 a 66.7 su AdvOCR e da 1.8 a 44.6 su HC-Bench, mentre il tasso di errore sulle parole in Illusory VQA è sceso da 178.10 a 67.00. Anche i modelli molto più grandi Qwen3-VL-235B-Thinking e GPT-6 Astra hanno ottenuto risultati scarsi sulle immagini originali di SquintBench, con punteggi rispettivamente di 24.44 e 8.33.

Dopo l’addestramento, sono state osservate distinzioni interne molto più nette tra i singoli caratteri nascosti nell’immagine. Per i caratteri cinesi, la misura della chiarezza con cui era rappresentata l’identità del carattere è salita da 0.718 a 0.975, mentre il punteggio equivalente per i caratteri latini è aumentato da 0.612 a 0.779.

Verifiche dei cambiamenti nel modo in cui il modello gestiva i caratteri nascosti dopo l’addestramento. A sinistra, si vede che le previsioni e l’attenzione del modello si concentrano sempre più sulle aree dell’immagine che formano i caratteri celati, e che la precisione diminuisce quando tali aree vengono alterate. A destra, le previsioni alternative dei caratteri formulate dal modello risultano sempre più organizzate in base alla somiglianza visiva, pur conservando le informazioni basate sul linguaggio.

L’attenzione si è concentrata maggiormente anche sulle parti dell’immagine che formavano davvero le lettere nascoste. Quando la rappresentazione interna di queste aree da parte del modello è stata deliberatamente alterata, la precisione è scesa dal 90.5% al 71.5%. Al contrario, alterare un numero equivalente di aree di sfondo scelte casualmente ha prodotto cambiamenti pressoché nulli, indicando che il testo celato veniva letto a partire dalle strutture visive pertinenti.

Conclusione

Forse in questo nuovo lavoro si manifesta una sorta di «miopia frattale» che si ripete in altri ambiti dell’IA. Molti utenti che conoscono bene gli LLM e i VLM all’avanguardia riconosceranno le numerose occasioni in cui questi tendono a concentrarsi su una piccola porzione di testo o su un dettaglio della generazione di immagini o video, senza considerare in modo più ampio come tali cambiamenti possano influire sul quadro generale.

In molti casi, il problema sarà legato alla memoria imperfetta dell’IA (e alla sua capacità ancora agli albori di comprimere la propria memoria, per attività più lunghe e solitamente di tipo agentico). A volte, tuttavia, come in questo caso, emerge che le pratiche di addestramento predefinite lasciano a desiderare e devono essere affrontate in modo specifico. La questione è in che misura dovremmo imparare da casi simili e valutare la revisione delle pratiche di addestramento di base… e quando il processo possa essere considerato troppo «specializzato» e marginale per giustificare altro che un approccio di terze parti come LoRA.

Pubblicato per la prima volta martedì 10 novembre 2026