Uczenie AI odczytywania ukrytego tekstu, który widzą ludzie

Jednym z trendów w AI, który rozgorzał i szybko wygasł około 2–3 lata temu, było wykorzystywanie modeli wizualno-językowych (VLM) do ukrywania zaszyfrowanego tekstu i „ukrytych obrazów” w pozornie niewinnych obrazach generowanych przez AI:

Iluzje optyczne i efekty trompe-l’œil charakteryzują obrazy generowane przez ControlNet QR Code Monster. Źródło

To rodzaj efektu trompe-l’œil dostępnego na żądanie, który największy rozgłos zyskał dzięki otwartoźródłowemu frameworkowi QR Code Monster ControlNet.

Gdy wystarczająco dużo osób zobaczy, jak to działa, technika ta właściwie nie ma już innego zastosowania poza praktyczną kryptografią: pozwala przesyłać tekst, który nie zostanie przechwycony ani zinterpretowany przez modele VLM lub systemy optycznego rozpoznawania znaków (OCR), a także umożliwia przekazywanie przekazów częściowo podprogowych:

Odczytujesz przekaz? Jeśli nie, przewiń w dół, aby poznać odpowiedź. Oto dobrze znany przykład iluzji optycznej wygenerowanej przez AI, nawiązującej — podobnie jak główna ilustracja tego artykułu — do memu z filmu science fiction Johna Carpentera z 1988 roku „They Live”. Jeden z bohaterów odkrywa w nim, że świat jest pełen podprogowych komunikatów wysyłanych przez ukrytą rasę kosmitów. Źródło

Prace takie jak badanie z 2025 roku Nienawiść na widoku oraz opublikowana w zeszłym miesiącu praca Ukryte na widoku pokazują, jak ta metoda może służyć do rozpowszechniania nienawistnych poglądów, a także — ogólnie — jako sposób na steganografię.

Dlatego w literaturze naukowej technika ta jest obecnie postrzegana przede wszystkim jako potencjalnie złośliwa, a nie jako zabawny sposób na generowanie memów.

Bliższe spojrzenie

Jednym z wyzwań związanych z wykrywaniem takich ataków — nazwijmy je AI Opticals, bo najwyraźniej nie przyjęła się żadna jednolita nazwa — jest skłonienie multimodalnych modeli AI, by, mówiąc obrazowo, „zobaczyły las, a nie tylko drzewa”. Kiedy mrużymy oczy albo zmniejszamy AI Optical do bardzo małego rozmiaru, łatwiej dostrzec ogólne cechy podprogowego tekstu:

Ponieważ podczas stopniowego treningu model dyfuzyjny przechodzi od postrzegania pojęć jako „luźnych szkiców” do tworzenia wyrazistych szczegółów — trochę jak przy dorysowywaniu reszty… sowy — można by oczekiwać, że modele VLM powinny dobrze rozpoznawać tego rodzaju wzorce. Jednak najnowsze badania wskazują, że w rzeczywistości tak nie jest:

W badaniu z 2025 roku „SemVink” wykazano, że nawet zaawansowany model VLM, mimo swoich innych możliwości, nie potrafił odczytać podprogowego tekstu ukrytego w obrazach AI Opticals. Źródło

Niedawna praca badawcza z Chin przedstawia jednak nowy framework, który może pomóc modelom VLM rozpoznawać obrazy AI Opticals.

W nowym podejściu, do którego udostępniono kod, zastosowano metodę treningu, w której jeden model AI uczy się od drugiego; oba otrzymują pomniejszoną wersję obrazu, a także jego prawidłową transkrypcję. Badacze informują, że dzięki temu można odczytywać ukryte komunikaty bezpośrednio z oryginalnych obrazów, uzyskując wyniki rozpoznawania znacznie lepsze niż przy konwencjonalnych metodach treningu:

Schemat proponowanej metody trenowania AI. Przedstawiono dwa modele uczące się na podstawie tego samego obrazu. Nauczyciel otrzymuje dodatkowe wskazówki, w tym pomniejszoną wersję obrazu, która ułatwia rozpoznanie ukrytego tekstu, oraz prawidłową odpowiedź. Jego wskazówki służą do trenowania ucznia, który ostatecznie ma rozpoznawać tekst bez ich pomocy.  Źródło

Metoda o nazwie SQUINT wykorzystuje destylację wiedzy, czyli przekazywanie podczas treningu informacji zdobytych przez jeden model AI innemu modelowi. W tym przypadku uczeń uczy się odtwarzać przewidywania nauczyciela na podstawie matematycznego porównania ich odpowiedzi. Po zakończeniu treningu nauczyciela można odrzucić, pozostawiając jeden model, który analizuje nowe obrazy bez dodatkowej pomocy.

W dwóch etapach SQUINT najpierw porównuje się przewidywania ucznia z przewidywaniami lepiej poinformowanego nauczyciela, dzięki czemu uczeń może uczyć się na różnicach. W drugim etapie zachęca się go do dalszych postępów, nagradzając poprawne odczytywanie ukrytego tekstu.

W testach SQUINT rozpoznawał ukryte napisy na obrazach, z którymi pierwotny model AI w dużej mierze sobie nie radził, osiągając też lepsze wyniki w kilku niezależnych testach porównawczych. Stwierdzono, że ukryty tekst często można wykryć nawet wtedy, gdy nie da się go odczytać, a skuteczność rozpoznawania poprawiała się, gdy uwagę kierowano na te fragmenty obrazu, które tworzyły litery.

Dalszą poprawę uzyskano, ograniczając drobne szczegóły i tekstury, co ułatwiało rozróżnianie podstawowych kształtów:

Trzy testy badające, dlaczego ukryty tekst jest błędnie odczytywany. Po lewej: wskazanie modelowi właściwych obszarów obrazu pokazuje, że odnalezienie liter stanowi poważną przeszkodę. W środku: usunięcie drobnych szczegółów wizualnych pokazuje, że tekstura może przesłaniać większe kształty liter. Po prawej: dodanie pomniejszonego widoku pokazuje, że zmniejszenie obrazu pomaga modelowi rozróżniać podobne wizualnie znaki.

Dane i metoda

Ustalono, że samo udostępnienie modelowi większej liczby przykładów złudzeń optycznych generowanych przez AI nie wystarcza, ponieważ konwencjonalny trening nie daje powodów, by analizować obraz w innej skali. Dlatego w SQUINT podczas treningu wykorzystuje się pomniejszoną wersję obrazu, aby nauczyć model, które informacje wizualne należy traktować priorytetowo, gdy analizuje pełnowymiarowy obraz.

Aby to umożliwić, potrzebne były dwa zbiory danych; SquintBench obejmuje 1,076 obrazów wyselekcjonowanych z (nieokreślonego) produkcyjnego procesu moderowania treści — jak podają autorzy, wszystkie pochodzą z rzeczywistych danych produkcyjnych i przedstawiają najwyraźniej zdjęcia profilowe ludzi z ukrytym tekstem, który ludzie potrafią odczytać niemal bez wysiłku; zarówno widoczny, jak i ukryty tekst został przepisany przez anotatorów.

Drugi zbiór danych, SquintCtrl, zawiera ukryty tekst osadzony w wygenerowanych scenach za pomocą QR Code Monster v2 działającego na wysłużonym już Stable Diffusion 1.5 (którego, jak się wydaje, badacze widzenia komputerowego muszą wyrwać z zimnych, martwych rąk). Ponieważ tekst użyty do wygenerowania każdego obrazu był znany z góry, można było automatycznie ustalić jego dokładne położenie, co pozwoliło analizować błędy rozpoznawania bez anotacji ludzkiej.

Zbiór SquintCtrl podzielono na cztery podzbiory: SquintCtrl-Pair obejmuje 500 dopasowanych par obrazów z ukrytym tekstem i bez niego, które służą do sprawdzenia, czy można wykryć jego obecność; SquintCtrl-Glyph sprawdza, czy można rozpoznawać i lokalizować poszczególne chińskie i łacińskie znaki; w SquintCtrl-Strength zróżnicowano siłę ukrytego tekstu w 200 scenach; a SquintCtrl-Read zawiera 200 obrazów o otwartym słownictwie, przeznaczonych do testowania pełnej transkrypcji.

Testy

Eksperymenty diagnostyczne przeprowadzono z użyciem Qwen3.5-9B, niezmieniając jego wag, aby sprawdzić, co istniejący model potrafił już dostrzec.

W pierwszym etapie treningu, Squint OPSD, lepiej poinformowany nauczyciel kieruje uczniem. Nauczyciel otrzymuje oryginalny obraz, jego pomniejszoną wersję oraz poprawną transkrypcję, podczas gdy uczeń widzi tylko oryginalny obraz. Następnie porównuje się ich przewidywania token po tokenie, dzięki czemu uczeń może uczyć się od nauczyciela, a jednocześnie zachowuje zdolność pracy wyłącznie na podstawie oryginalnego obrazu.

Trening przeprowadzono na 5,905 promptach, obejmujących 3,489 syntetycznych obrazów z ukrytym tekstem, 1,213 próbek OCR i 1,203 próbki do odpowiadania na pytania wizualne. Głównym zbiorem ewaluacyjnym był SquintBench, a przenoszenie umiejętności mierzono na zbiorach Illusory VQA, AdvOCR i HC-Bench. Szersze możliwości w zakresie widzenia komputerowego i języka sprawdzono na zbiorach AI2D, DocVQA i OCRBench.

Na potrzeby porównania przetestowano pierwotny model wstępnie wytrenowany, wersję, której udostępniono dodatkowy pomniejszony widok, dostrajanie nadzorowane (fine-tuning, SFT) oraz DAPO. Jako zewnętrzne punkty odniesienia oceniono również Claude Opus 5, Gemini 3.1 Pro, GPT-6 Astra i Qwen3-VL-235B-Thinking.

Wyniki testów porównujących Squint OPSD z metodami bazowymi. Squint OPSD uzyskuje najwyższy wynik w SquintBench — 88.61 — zachowując przy tym znacznie większe ogólne możliwości w zakresie widzenia komputerowego i języka niż dostrajanie nadzorowane.

Jak pokazano w powyższej tabeli wyników, Squint OPSD podniósł wynik w SquintBench z 26.50 dla pierwotnego modelu do 88.61, przewyższając wszystkie trzy bazowe metody treningowe, a jednocześnie w dużej mierze zachowując wyniki w ogólnych testach widzenia komputerowego i języka.

W kolejnym teście Squint OPSD oceniono na trzech zewnętrznych benchmarkach dotyczących ukrytego tekstu:

Wyniki testów porównujących Squint OPSD z pięcioma innymi modelami w benchmarku SquintBench oraz trzech zewnętrznych benchmarkach dotyczących ukrytego tekstu. Squint OPSD uzyskał najlepsze wyniki w każdym teście, gdy modele otrzymywały pełne, niezmodyfikowane obrazy. W przypadku Illusory VQA niższy współczynnik błędu słów oznacza lepszy wynik.

Wyniki wzrosły z 3.7 do 66.7 w AdvOCR i z 1.8 do 44.6 w HC-Bench, a współczynnik błędu słów w Illusory VQA spadł ze 178.10 do 67.00. Słabe wyniki na oryginalnych obrazach SquintBench uzyskały również znacznie większe modele Qwen3-VL-235B-Thinking i GPT-6 Astra, zdobywając odpowiednio 24.44 i 8.33 punktu.

Po treningu zaobserwowano znacznie wyraźniejsze wewnętrzne rozróżnianie poszczególnych znaków ukrytych na obrazie. W przypadku znaków chińskich miara określająca, jak wyraźnie reprezentowana była tożsamość znaku, wzrosła z 0.718 do 0.975, a analogiczny wynik dla znaków łacińskich zwiększył się z 0.612 do 0.779.

Testy pokazujące, jak po treningu zmieniło się rozpoznawanie ukrytych znaków przez model. Po lewej stronie widać, że przewidywania modelu i jego uwaga coraz bardziej skupiają się na obszarach obrazu tworzących ukryte znaki; zakłócenie tych obszarów obniża dokładność. Po prawej stronie przedstawiono alternatywne przewidywania znaków, które coraz wyraźniej porządkują się według podobieństwa wizualnego, zachowując jednocześnie informacje oparte na języku.

Uwaga modelu skupiała się również w większym stopniu na tych częściach obrazu, które faktycznie tworzyły ukryte litery. Gdy celowo zakłócono wewnętrzną reprezentację tych obszarów, dokładność spadła z 90.5% do 71.5%. Dla porównania zakłócenie takiej samej liczby losowo wybranych obszarów tła niemal nie wpłynęło na wynik, co wskazuje, że ukryty tekst był odczytywany na podstawie odpowiednich struktur wizualnych.

Wnioski

Być może w tych nowych badaniach mamy do czynienia z pewnego rodzaju „fraktalną krótkowzrocznością”, która powtarza się w innych obszarach AI. Wielu użytkowników znających czołowe modele LLM i VLM rozpozna liczne sytuacje, w których modele te mają skłonność do skupiania się na niewielkim fragmencie tekstu, obrazu lub generowanego wideo, bez szerszego zastanowienia nad tym, jak te zmiany mogą wpłynąć na całość.

W wielu przypadkach problem będzie związany z niedoskonałą pamięcią AI (oraz jej wciąż dopiero rozwijającą się zdolnością do kompresowania własnej pamięci na potrzeby dłuższych, zwykle agentowych zadań). Czasami jednak, jak w tym przypadku, okazuje się, że domyślne praktyki treningowe pozostawiają wiele do życzenia i wymagają konkretnych zmian. Pytanie brzmi, w jakim stopniu powinniśmy wyciągać wnioski z takich przypadków i rozważyć zmianę podstawowych praktyk treningowych… oraz kiedy dane podejście można uznać za zbyt wyspecjalizowane i marginalne, by uzasadniało cokolwiek poza rozwiązaniem zewnętrznym, takim jak LoRA.

Opublikowano po raz pierwszy we wtorek, 10 listopada 2026 r.