Învățarea AI să citească textul ascuns pe care oamenii îl pot vedea

Unul dintre trendurile AI care a luat avânt, apoi s-a stins destul de repede, în urmă cu aproximativ 2-3 ani, a fost folosirea modelelor de limbaj și viziune (VLM) pentru a integra texte criptice și „imagini latente” în imagini generate aparent inofensive:

Iluziile optice și efectele trompe-l’œil caracterizează rezultatele ControlNet QR Code Monster. Sursa

Este un fel de efect trompe-l’œil la cerere și a ajuns la apogeul popularității prin intermediul cadrului cu sursă deschisă QR Code Monster ControlNet.

După ce suficient de mulți oameni au văzut tehnica în acțiune, nu prea mai există alte întrebuințări pentru ea decât ca formă de criptografie practică, ce permite trimiterea unor texte care nu vor fi interceptate sau interpretate de VLM-uri ori de sisteme de recunoaștere optică a caracterelor (OCR) – și transmiterea unor mesaje semisubliminale:

Înțelegeți mesajul? Dacă nu, derulați în jos pentru a afla răspunsul. Un exemplu binecunoscut de iluzie optică generată de AI, care face trimitere, la fel ca ilustrația principală a acestui articol, la un meme din filmul SF „They Live”, lansat de John Carpenter în 1988, în care un bărbat descoperă că lumea este plină de mesaje subliminale transmise de o rasă extraterestră infiltrată. Sursa

Lucrări precum studiul din 2025 Ura la vedere și cel publicat luna trecută, Ascuns la vedere, arată clar potențialul acestei metode de a răspândi opinii pline de ură și, în general, de a fi folosită ca metodă de stenografie.

Prin urmare, în literatura de specialitate este considerată acum în primul rând o tehnică potențial răuvoitoare, nu un generator amuzant de meme-uri.

O privire mai aprofundată

Una dintre dificultățile întâmpinate în interceptarea unor astfel de incursiuni – să le spunem iluzii optice AI, întrucât se pare că nu s-a impus o denumire consecventă – este să faci modelele AI multimodale să „vadă pădurea din cauza copacilor”, ca să spunem așa. Când mijim ochii sau micșorăm foarte mult o iluzie optică AI, caracteristicile generale ale textului subliminal devin ușor de observat pentru noi:

Având în vedere că antrenarea modelelor de difuzie conduce treptat AI-ul de la perceperea conceptelor ca „schițe brute” până la capacitatea de a reda detalii intense (cam ca atunci când termini restul… bufniței), VLM-urile ar trebui să fie destul de bune la identificarea unor astfel de tipare. Cercetările recente sugerează însă că lucrurile nu stau, de fapt, așa:

Studiul „SemVink” din 2025 a constatat că un VLM de ultimă generație, capabil în alte privințe, nu a putut descifra textul subliminal din iluziile optice AI. Sursa

Un articol recent din China propune însă un nou cadru care ar putea ajuta VLM-urile să recunoască iluziile optice AI.

Noua abordare, pentru care codul a fost publicat, folosește o metodă de antrenare în care un model AI învață de la un alt model, având la dispoziție atât o versiune redusă a imaginii, cât și transcrierea corectă. Cercetătorii afirmă că metoda permite citirea mesajelor ascunse direct din imaginile originale, cu scoruri de recunoaștere considerabil mai mari decât cele obținute prin metodele convenționale de antrenare:

Diagramă a metodei de antrenare AI propuse. Sunt reprezentate două modele care învață din aceeași imagine. Modelului profesor i se oferă indicii suplimentare, inclusiv o versiune mai mică, în care textul ascuns este mai ușor de recunoscut, precum și răspunsul corect. Îndrumarea sa este folosită pentru a antrena modelul student, care trebuie, în cele din urmă, să recunoască textul fără aceste indicii.  Sursa

Metoda, numită SQUINT, folosește distilarea cunoștințelor, prin care informațiile învățate de un model AI sunt transmise altui model în timpul antrenării. În acest caz, modelul student este antrenat să reproducă predicțiile modelului profesor, prin compararea matematică a răspunsurilor acestora. După încheierea antrenării, modelul profesor poate fi eliminat, iar un singur model rămâne să analizeze imagini noi fără ajutor suplimentar.

În cele două etape ale SQUINT, predicțiile studentului sunt mai întâi comparate cu cele ale profesorului, care dispune de informații mai bune, permițându-i să învețe din diferențe. În a doua etapă, lectura corectă a textului ascuns este încurajată prin recompense, pentru a obține îmbunătățiri suplimentare.

În teste, SQUINT a recunoscut textul ascuns din imagini care puseseră în mare măsură în dificultate modelul AI inițial și a obținut, de asemenea, rezultate mai bune în mai multe evaluări independente. S-a constatat că textul ascuns putea fi adesea detectat chiar și atunci când nu putea fi citit, iar recunoașterea se îmbunătățea când atenția era îndreptată către părțile imaginii care formau literele.

S-au obținut îmbunătățiri suplimentare prin eliminarea detaliilor fine și a texturilor, ceea ce a permis distingerea mai ușoară a formelor de bază:

Trei teste care investighează de ce textul ascuns este citit greșit. Stânga: orientarea modelului către regiunile corecte ale imaginii arată că identificarea literelor reprezintă un obstacol major. Centru: eliminarea detaliilor vizuale fine arată că textura poate ascunde formele mai mari ale literelor. Dreapta: adăugarea unei imagini redimensionate la scară mai mică arată că reducerea imaginii ajută modelul să distingă caracterele asemănătoare vizual.

Date și metodă

S-a constatat că simpla expunere a unui model la mai multe exemple de imagini optice generate de AI nu este suficientă, deoarece antrenarea convențională nu oferă niciun motiv pentru a analiza imaginea la o scară diferită. Prin urmare, în SQUINT se folosește în timpul antrenării o versiune redimensionată la scară mai mică, pentru a învăța modelul ce informații vizuale ar trebui să prioritizeze atunci când întâlnește imaginea la dimensiunea completă.

Pentru aceasta, au fost necesare două seturi de date; SquintBench cuprinde 1,076 imagini selectate dintr-un flux de lucru de moderare a conținutului în producție (nespecificat) – toate provenind din date reale de producție, potrivit autorilor; aparent, acestea sunt fotografii de profil ale unor persoane, care conțin text ascuns, ușor de citit de oameni, iar atât textul vizibil, cât și cel ascuns au fost transcrise de adnotatori umani.

Al doilea set de date, SquintCtrl, conține text ascuns încorporat în scene generate cu QR Code Monster v2, care rulează pe venerabilul deja Stable Diffusion 1.5 (pe care cercetătorii în domeniul viziunii computerizate par să fie nevoiți să-l smulgă din mâinile reci ale morții). Întrucât textul folosit pentru a genera fiecare imagine era cunoscut dinainte, locația exactă putea fi identificată automat, permițând analizarea eșecurilor de recunoaștere fără adnotare umană.

SquintCtrl a fost împărțit în patru subseturi: SquintCtrl-Pair folosește 500 de perechi de imagini asociate, cu și fără text ascuns, pentru a testa dacă prezența acestuia poate fi detectată; SquintCtrl-Glyph a testat dacă caractere chinezești și latine individuale puteau fi identificate și localizate; SquintCtrl-Strength a variat intensitatea textului ascuns în 200 de scene; iar SquintCtrl-Read a oferit 200 de imagini cu vocabular deschis pentru testarea transcrierii complete.

Teste

Experimentele de diagnostic au fost efectuate cu Qwen3.5-9B, ale cărui ponderi au fost păstrate neschimbate, pentru a dezvălui ce putea percepe deja modelul existent.

Prima etapă de antrenare, Squint OPSD, folosește profesorul mai bine informat pentru a ghida studentul. Profesorul primește imaginea originală, o versiune redimensionată la scară mai mică și transcrierea corectă, în timp ce studentul vede doar imaginea originală. Predicțiile lor sunt apoi comparate token cu token, permițându-i studentului să învețe de la profesor, păstrându-și totodată capacitatea de a lucra doar cu imaginea originală.

Antrenarea s-a desfășurat pe 5,905 de prompturi, alcătuite din 3,489 de imagini sintetice cu text ascuns, 1,213 exemple OCR și 1,203 exemple de răspuns la întrebări vizuale. SquintBench a fost folosit ca set principal de evaluare, iar transferul a fost măsurat pe Illusory VQA; AdvOCR; și HC-Bench. Performanța mai largă în domeniul viziunii și al limbajului a fost testată pe AI2D; DocVQA; și OCRBench.

Pentru comparație, modelul original preantrenat a fost testat alături de o versiune căreia i s-a oferit o vizualizare suplimentară, redimensionată la scară mai mică, de antrenarea supervizată cu ajustare fină (SFT) și de DAPO. Ca repere externe au fost evaluate și Claude Opus 5; Gemini 3.1 Pro; GPT-6 Astra; și Qwen3-VL-235B-Thinking.

Rezultatele testelor compară Squint OPSD cu metodele de referință. Squint OPSD obține cel mai mare scor SquintBench, de 88.61, păstrând totodată o performanță generală în domeniul viziunii și al limbajului considerabil mai bună decât cea obținută prin antrenarea supervizată cu ajustare fină.

După cum arată tabelul cu rezultate de mai sus, Squint OPSD a crescut scorul SquintBench de la 26.50, cât obținuse modelul original, la 88.61, depășind toate cele trei metode de antrenare de referință și păstrând în mare măsură performanța la testele generale de viziune și limbaj.

În următorul test, Squint OPSD a fost evaluat pe trei benchmarkuri externe pentru text ascuns:

Rezultatele testelor compară Squint OPSD cu alte cinci modele pe SquintBench și pe trei benchmarkuri externe pentru text ascuns. Squint OPSD a obținut cele mai bune rezultate la fiecare test atunci când modelele au primit imaginile complete, nemodificate. În cazul Illusory VQA, o rată mai mică a erorilor de cuvinte indică o performanță mai bună.

Scorurile au crescut de la 3.7 la 66.7 pe AdvOCR și de la 1.8 la 44.6 pe HC-Bench, în timp ce rata erorilor de cuvinte pe Illusory VQA a scăzut de la 178.10 la 67.00. Qwen3-VL-235B-Thinking și GPT-6 Astra, modele mult mai mari, au obținut și ele rezultate slabe pe imaginile originale din SquintBench, cu scoruri de 24.44 și, respectiv, 8.33.

După antrenare, s-au observat diferențe interne mult mai clare între caracterele individuale ascunse în imagine. Pentru caracterele chinezești, măsura clarității cu care era reprezentată identitatea caracterelor a crescut de la 0.718 la 0.975, în timp ce scorul echivalent pentru caracterele latine a crescut de la 0.612 la 0.779.

Testează modul în care s-a schimbat, după antrenare, capacitatea modelului de a gestiona caracterele ascunse. În stânga, se observă că predicțiile și atenția modelului se concentrează tot mai mult asupra zonelor imaginii care formează caracterele ascunse, iar acuratețea scade atunci când aceste zone sunt perturbate. În dreapta, predicțiile alternative ale modelului privind caracterele sunt organizate tot mai mult în funcție de asemănarea vizuală, păstrând totodată informațiile bazate pe limbaj.

Atenția s-a îndreptat și mai mult către părțile imaginii care formau efectiv literele ascunse. Când reprezentarea internă a acestor zone de către model a fost perturbată în mod deliberat, acuratețea a scăzut de la 90.5% la 71.5%. Prin comparație, perturbarea unui număr echivalent de zone de fundal alese aleatoriu nu a produs aproape nicio schimbare, ceea ce indică faptul că textul ascuns era citit pe baza structurilor vizuale relevante.

Concluzie

Poate că această nouă lucrare ilustrează un fel de „miopie fractală”, care se repetă și în alte domenii ale inteligenței artificiale. Mulți utilizatori familiarizați cu modelele LLM și VLM de ultimă generație vor recunoaște numeroasele situații în care acestea tind să se concentreze asupra unei mici porțiuni de text, asupra unui detaliu dintr-o imagine sau asupra generării video, fără să ia în considerare mai amplu felul în care aceste schimbări ar putea afecta imaginea de ansamblu.

În multe cazuri, problema va avea legătură cu memoria imperfectă a inteligenței artificiale (și cu capacitatea sa încă incipientă de a-și comprima propria memorie, pentru sarcini mai lungi și, de regulă, desfășurate de agenți). Uneori însă, ca în acest caz, se dovedește că practicile obișnuite de antrenare lasă de dorit și trebuie abordate în mod specific. Întrebarea este în ce măsură ar trebui să învățăm din astfel de cazuri și să ne gândim să revizuim practicile de bază de antrenare… și când poate fi considerat procesul prea „specializat” și marginal pentru a justifica altceva decât o abordare terță, precum LoRA.

Publicat pentru prima dată marți, 10 noiembrie 2026