Ensinando a IA a ler o texto oculto que os humanos conseguem ver

Uma das modas de IA que ganhou força e desapareceu rapidamente há cerca de 2 a 3 anos foi usar modelos de linguagem e visão (VLMs) para incorporar textos enigmáticos e «imagens latentes» em imagens geradas aparentemente inofensivas:

Ilusões de ótica e efeitos de trompe-l’œil caracterizam as imagens produzidas pelo ControlNet QR Code Monster. Fonte

É uma espécie de efeito de trompe-l’œil sob demanda, que ganhou projeção sobretudo com a estrutura de código aberto QR Code Monster ControlNet.

Depois que um número suficiente de pessoas vê a técnica em ação, não há muito mais a fazer com ela além de usá-la como uma forma de criptografia prática, que permite enviar textos sem que sejam interceptados ou interpretados por VLMs ou sistemas de reconhecimento óptico de caracteres (OCR) — e fazer a transmissão de mensagens semissubliminares:

Está entendendo a mensagem? Se não, role a página para baixo e veja a resposta. Um exemplo conhecido de ilusão de ótica gerada por IA, que remete — assim como a ilustração principal deste artigo — a um meme do filme de ficção científica de 1988 de John Carpenter, ‘They Live’, no qual um homem descobre que o mundo está repleto de mensagens subliminares de uma raça alienígena infiltrada. Fonte

Trabalhos como o estudo de 2025 Ódio à plena vista e o estudo do mês passado Oculto à plena vista deixam claro o potencial desse método para disseminar visões de ódio e, de modo mais geral, para a esteganografia.

Por isso, a literatura agora considera essa técnica sobretudo potencialmente maliciosa, e não apenas um método divertido de criar memes.

Um olhar mais aprofundado

Um dos desafios para interceptar essas incursões — vamos chamá-las de ilusões ópticas de IA, já que aparentemente não surgiu um nome consensual — é fazer com que os modelos multimodais de IA «vejam a floresta, e não apenas as árvores». Quando apertamos os olhos ou reduzimos bastante o tamanho de uma ilusão óptica de IA, as características gerais do texto subliminar ficam fáceis de perceber para nós:

Como o treinamento dos modelos de difusão conduz gradualmente a IA de conceitos vistos como «rascunhos grosseiros» à capacidade de renderizar detalhes intensos — algo como terminar o resto da… coruja —, os VLMs deveriam ser bastante bons em identificar padrões desse tipo. No entanto, pesquisas recentes sugerem que na verdade, isso não acontece:

O trabalho de 2025 «SemVink» constatou que um VLM de ponta, apesar de suas outras capacidades, não conseguia decifrar o texto subliminar nas ilusões ópticas de IA. Fonte

No entanto, um artigo recente da China propõe uma nova estrutura que pode ajudar os VLMs a reconhecer ilusões ópticas de IA.

A nova abordagem, cujo código já foi disponibilizado, usa um método de treinamento no qual um modelo de IA aprende com outro, recebendo uma versão reduzida da imagem e a transcrição correta. Os pesquisadores relatam que isso permite ler mensagens ocultas diretamente nas imagens originais, com pontuações de reconhecimento substancialmente superiores às obtidas com métodos convencionais de treinamento:

Diagrama do método de treinamento de IA proposto. O diagrama mostra dois modelos aprendendo com a mesma imagem. O professor recebe pistas adicionais, incluindo uma versão menor que facilita o reconhecimento do texto oculto, além da resposta correta. Suas orientações são usadas para treinar o aluno, que, por fim, precisa reconhecer o texto sem essas pistas.  Fonte

O método, chamado SQUINT, utiliza a destilação de conhecimento, processo no qual as informações aprendidas por um modelo de IA são transferidas para outro durante o treinamento. Nesse caso, o aluno é treinado para reproduzir as previsões do professor, comparando matematicamente as respostas dos dois. Concluído o treinamento, o professor pode ser descartado, restando um único modelo para analisar novas imagens sem ajuda adicional.

Nas duas etapas do SQUINT, primeiro se comparam as previsões do aluno com as do professor, que dispõe de mais informações, permitindo que o aluno aprenda com as diferenças. Na segunda etapa, incentiva-se a obtenção de novas melhorias recompensando as leituras corretas do texto oculto.

Em testes, o SQUINT reconheceu letras ocultas em imagens que haviam frustrado em grande medida o modelo de IA original, além de apresentar resultados melhores em vários benchmarks independentes. Constatou-se que, muitas vezes, era possível detectar o texto oculto mesmo quando não era possível lê-lo, e que o reconhecimento melhorava quando a atenção era direcionada às partes da imagem que formavam as letras.

Foram obtidas novas melhorias ao suprimir detalhes finos e texturas, o que facilitou distinguir as formas subjacentes:

Três testes investigam por que o texto oculto é lido incorretamente. À esquerda: direcionar o modelo às regiões corretas da imagem mostra que encontrar as letras é um grande obstáculo. Ao centro: remover detalhes visuais finos mostra que a textura pode obscurecer as formas maiores das letras. À direita: acrescentar uma visualização reduzida mostra que diminuir a imagem ajuda o modelo a distinguir caracteres visualmente semelhantes.

Dados e método

Constatou-se que simplesmente expor um modelo a mais exemplos de ilusões ópticas geradas por IA era insuficiente, já que o treinamento convencional não oferece motivos para considerar a imagem em outra escala. Por isso, durante o treinamento do SQUINT, usa-se uma versão reduzida para ensinar ao modelo quais informações visuais devem ser priorizadas quando ele se depara com a imagem em tamanho integral.

Para isso, foram necessários dois conjuntos de dados; SquintBench é composto por 1.076 imagens selecionadas de um fluxo de trabalho de moderação de conteúdo em produção (não especificado) — todas provenientes de dados reais de produção, segundo os autores; aparentemente, são fotos de perfil de pessoas contendo texto oculto que elas conseguem ler quase sem esforço, com os textos visível e oculto transcritos por anotadores humanos.

O segundo conjunto de dados, SquintCtrl, apresenta texto oculto incorporado a cenas geradas com o QR Code Monster v2, executado com o já venerável Stable Diffusion 1.5 (que, ao que parece, só poderá ser tirado das mãos frias e mortas dos pesquisadores de visão computacional). Como o texto usado para gerar cada imagem era conhecido de antemão, foi possível identificar automaticamente sua localização exata, permitindo examinar as falhas de reconhecimento sem anotação humana.

O SquintCtrl foi dividido em quatro subconjuntos: SquintCtrl-Pair usa 500 pares correspondentes, com e sem texto oculto, para testar se era possível detectar sua presença; SquintCtrl-Glyph testou se caracteres chineses e latinos individuais podiam ser identificados e localizados; SquintCtrl-Strength variou a intensidade do texto oculto em 200 cenas; e SquintCtrl-Read forneceu 200 imagens de vocabulário aberto para testar a transcrição completa.

Testes

Foram realizados experimentos de diagnóstico com o Qwen3.5-9B, cujos pesos foram mantidos inalterados para revelar o que o modelo existente já era capaz de perceber.

A primeira etapa do treinamento, Squint OPSD, usa o professor, que dispõe de mais informações, para orientar o aluno. O professor recebe a imagem original, uma versão reduzida e a transcrição correta, enquanto o aluno vê apenas a imagem original. Em seguida, as previsões dos dois são comparadas token por token, permitindo que o aluno aprenda com o professor e, ao mesmo tempo, continue sendo capaz de trabalhar apenas com a imagem original.

O treinamento foi realizado com 5.905 prompts, compostos por 3.489 imagens sintéticas com texto oculto, 1.213 amostras de OCR e 1.203 amostras de perguntas e respostas visuais. O SquintBench foi usado como principal conjunto de avaliação, enquanto a transferência foi medida no Illusory VQA; no AdvOCR; e no HC-Bench. O desempenho mais amplo em visão e linguagem foi testado no AI2D; no DocVQA; e no OCRBench.

Para comparação, o modelo original pré-treinado foi testado ao lado de uma versão que recebeu uma visualização adicional reduzida, de uma versão submetida a ajuste fino supervisionado (SFT) e do DAPO. Também foram avaliados como referências externas o Claude Opus 5; o Gemini 3.1 Pro; o GPT-6 Astra; e o Qwen3-VL-235B-Thinking.

Resultados dos testes que comparam o Squint OPSD aos métodos de referência. O Squint OPSD obtém a maior pontuação no SquintBench, de 88.61, e preserva muito mais do desempenho geral em visão e linguagem do que o ajuste fino supervisionado.

Como mostra a tabela de resultados acima, o Squint OPSD elevou a pontuação no SquintBench de 26.50, obtida pelo modelo original, para 88.61, superando os três métodos de treinamento de referência e preservando, em grande medida, o desempenho nos testes gerais de visão e linguagem.

No teste seguinte, o Squint OPSD foi avaliado em três benchmarks externos de texto oculto:

Resultados dos testes que comparam o Squint OPSD com outros cinco modelos no SquintBench e em três benchmarks externos de texto oculto. O Squint OPSD teve o melhor desempenho em todos os testes quando os modelos receberam as imagens completas, sem alterações. No Illusory VQA, taxas menores de erro por palavra indicam melhor desempenho.

As pontuações aumentaram de 3.7 para 66.7 no AdvOCR e de 1.8 para 44.6 no HC-Bench, enquanto a taxa de erro por palavra no Illusory VQA caiu de 178.10 para 67.00. O muito maior Qwen3-VL-235B-Thinking e o GPT-6 Astra também obtiveram resultados fracos nas imagens originais do SquintBench, com pontuações de 24.44 e 8.33, respectivamente.

Após o treinamento, foram observadas distinções internas muito mais claras entre os caracteres individuais ocultos em uma imagem. No caso dos caracteres chineses, a medida de quão claramente a identidade do caractere era representada aumentou de 0.718 para 0.975, enquanto a pontuação equivalente para os caracteres latinos subiu de 0.612 para 0.779.

Testes sobre como o modelo passou a lidar com caracteres ocultos após o treinamento. À esquerda, as previsões e a atenção do modelo se concentram cada vez mais nas regiões da imagem que formam os caracteres ocultos, e a precisão cai quando essas regiões são alteradas. À direita, as previsões de caracteres alternativos do modelo passam a se organizar mais fortemente de acordo com a semelhança visual, sem deixar de preservar informações baseadas na linguagem.

A atenção também se voltou mais para as partes da imagem que de fato formavam as letras ocultas. Quando a representação interna do modelo dessas regiões foi deliberadamente alterada, a precisão caiu de 90.5% para 71.5%. Em comparação, alterar um número equivalente de regiões de fundo escolhidas aleatoriamente quase não produziu mudanças, indicando que o texto oculto estava sendo lido a partir das estruturas visuais relevantes.

Conclusão

Talvez haja neste novo trabalho uma espécie de “miopia fractal” que se repete em outros domínios da IA. Muitos usuários familiarizados com os LLMs e VLMs de ponta reconhecerão as inúmeras ocasiões em que eles tendem a se concentrar em uma pequena área da geração de texto, imagem ou vídeo, sem considerar de forma mais ampla como essas mudanças podem afetar o panorama geral.

Em muitos casos, o problema estará relacionado à memória imperfeita da IA (e à sua capacidade ainda incipiente de compactar a própria memória, para tarefas mais longas e geralmente agentivas). Às vezes, porém, como neste caso, fica claro que as práticas padrão de treinamento deixam a desejar e precisam ser abordadas especificamente. A questão é até que ponto devemos aprender com esses casos e considerar a revisão das práticas básicas de treinamento…e quando o processo pode ser considerado especializado demais e marginal para justificar qualquer coisa além de uma abordagem de terceiros, como LoRA.

Publicado pela primeira vez na terça-feira, 10 de novembro de 2026