Как научить ИИ читать скрытый текст, видимый человеку

Одним из ИИ-трендов, которые вспыхнули и довольно быстро угасли примерно 2–3 года назад, было использование моделей «зрение — язык» (VLM), чтобы внедрять загадочный текст и «скрытые изображения» в на первый взгляд безобидные сгенерированные картинки:

Результат работы QR Code Monster ControlNet отличается оптическими иллюзиями и эффектом тромплёй. Источник

Это своего рода эффект обмана зрения по запросу, который приобрёл наибольшую известность благодаря фреймворку QR Code Monster ControlNet с открытым исходным кодом.

Когда с этой техникой познакомилось достаточно много людей, вариантов её применения почти не осталось — разве что использовать её для практической криптографии, позволяющей отправлять текст, который не будет перехвачен или распознан мультимодальными моделями «зрение — язык» или системами оптического распознавания символов (OCR), а также для передачи полусублиминальных сообщений:

Вы улавливаете послание? Если нет, прокрутите страницу вниз, чтобы узнать ответ. Это хорошо известный пример оптической иллюзии, созданной ИИ. Как и главная иллюстрация к этой статье, она отсылает к мемy из научно-фантастического фильма Джона Карпентера «They Live» (1988), в котором один человек обнаруживает, что мир полон сублиминальных посланий, оставленных внедрившейся инопланетной расой. Источник

Работы, такие как исследование 2025 года «Ненависть на виду» и опубликованная в прошлом месяце «Скрытое на виду», наглядно демонстрируют потенциал этого метода для распространения ненавистнических взглядов и, в целом, для стеганографии.

Поэтому в научной литературе эту технику теперь рассматривают прежде всего как потенциально вредоносную, а не как забавный способ создавать мемы.

Подробный разбор

Одна из трудностей при обнаружении подобных вторжений — назовём их ИИ-оптическими иллюзиями, поскольку общепринятого названия для них, похоже, пока нет, — заключается в том, чтобы научить мультимодальные модели ИИ «видеть за деревьями лес», так сказать. Если мы прищуримся или уменьшим ИИ-оптическую иллюзию до очень маленького размера, нам станет легко разглядеть общие очертания сублиминального текста:

Обучение диффузионной модели постепенно переводит ИИ от восприятия концепций в виде «грубых набросков» к способности прорабатывать мелкие детали — примерно как если бы нужно было дорисовать остальную часть… совы. Поэтому VLM должны довольно хорошо распознавать подобные закономерности. Однако недавние исследования показывают, что на самом деле это не так:

Исследование 2025 года «SemVink» показало, что даже передовая VLM, в остальном обладающая широкими возможностями, не смогла распознать сублиминальный текст в ИИ-оптических иллюзиях. Источник

Однако недавняя статья из Китая предлагает новый фреймворк, который может помочь VLM распознавать ИИ-оптические иллюзии.

Новый подход, код которого уже опубликован, использует метод обучения, при котором одна модель ИИ учится у другой. Для этого ей предоставляют уменьшенную версию изображения и правильную расшифровку. По словам исследователей, благодаря этому скрытые сообщения можно прочитать непосредственно на исходных изображениях, причём точность распознавания значительно выше, чем при использовании традиционных методов обучения:

Схема предлагаемого метода обучения ИИ. На ней показано, как две модели учатся на одном и том же изображении. Учитель получает дополнительные подсказки, в том числе уменьшенную версию изображения, на которой скрытый текст легче распознать, и правильный ответ. Его рекомендации используются для обучения ученика, который в итоге должен распознавать текст без этих подсказок.  Источник

Метод под названием SQUINT использует дистилляцию знаний — процесс, при котором информация, усвоенная одной моделью ИИ, передаётся другой во время обучения. В данном случае ученика обучают воспроизводить предсказания учителя, математически сопоставляя их ответы. После завершения обучения учителя можно удалить: останется одна модель, которая сможет анализировать новые изображения без дополнительной помощи.

На двух этапах SQUINT предсказания студенческой модели сначала сравнивают с предсказаниями более осведомлённой модели-учителя, что позволяет ей учиться на различиях. На втором этапе её дополнительно стимулируют правильно распознавать скрытый текст.

В ходе тестирования SQUINT распознавала скрытые надписи на изображениях, с которыми исходная модель ИИ в основном не справлялась, а также показала лучшие результаты в нескольких независимых тестах. Выяснилось, что скрытый текст часто удаётся обнаружить даже тогда, когда прочитать его не получается; распознавание улучшается, если направить внимание на участки изображения, из которых складываются буквы.

Дополнительного улучшения удалось добиться, подавляя мелкие детали и текстуры, благодаря чему базовые формы становились заметнее:

Три теста, посвящённые изучению причин ошибочного распознавания скрытого текста. Слева: если направить модель на нужные участки изображения, становится понятно, что обнаружить буквы — серьёзная трудность. В центре: удаление мелких визуальных деталей показывает, что текстура может скрывать более крупные формы букв. Справа: добавление уменьшенного изображения показывает, что уменьшение помогает модели различать визуально похожие символы.

Данные и метод

Выяснилось, что просто показывать модели больше примеров оптических иллюзий, созданных ИИ, недостаточно: традиционное обучение не даёт ей оснований рассматривать изображение в другом масштабе. Поэтому при обучении SQUINT используют уменьшенную версию изображения, чтобы научить модель расставлять приоритеты между визуальными данными, когда ей предстоит анализировать изображение в исходном размере.

Для этого потребовались два набора данных; SquintBench состоит из 1 076 изображений, отобранных из производственного конвейера модерации контента, сведения о котором не указаны. По словам авторов, все изображения взяты из реальных производственных данных и, по-видимому, представляют собой фотографии профилей пользователей со скрытым текстом, который люди могут прочитать практически без усилий. Аннотаторы-люди расшифровали как видимый, так и скрытый текст.

Во втором наборе данных, SquintCtrl, скрытый текст встроен в сгенерированные сцены с помощью QR Code Monster v2, работающего на базе уже почтенной Stable Diffusion 1.5 (которую исследователи в области компьютерного зрения, похоже, не отдадут, пока не вынут из их холодных мёртвых рук). Поскольку текст, использованный для создания каждого изображения, был известен заранее, его точное местоположение можно было определить автоматически. Это позволяло изучать случаи нераспознавания без аннотации людьми.

SquintCtrl разделили на четыре поднабора: SquintCtrl-Pair включает 500 пар сопоставленных изображений со скрытым текстом и без него и предназначен для проверки того, можно ли обнаружить его наличие; SquintCtrl-Glyph проверяет, можно ли определить и локализовать отдельные китайские и латинские символы; SquintCtrl-Strength варьирует интенсивность скрытого текста в 200 сценах; а SquintCtrl-Read содержит 200 изображений с открытым словарём для проверки полного распознавания текста.

Тестирование

Диагностические эксперименты проводились с использованием Qwen3.5-9B; её веса оставили без изменений, чтобы выяснить, что уже способна воспринимать исходная модель.

На первом этапе обучения, Squint OPSD, более осведомлённая модель-учитель направляет студенческую модель. Учитель получает исходное изображение, его уменьшенную версию и правильную расшифровку, тогда как студенту показывают только исходное изображение. Затем их предсказания сравнивают по токенам, позволяя студенту учиться у учителя и при этом сохранять способность работать только с исходным изображением.

Обучение проводилось на 5 905 запросах: 3 489 изображениях со скрытым текстом, созданных искусственно, 1 213 примерах распознавания текста и 1 203 примерах ответов на вопросы по изображениям. Основным набором для оценки был SquintBench, а переносимость оценивали на наборах переноса — Illusory VQA, AdvOCR и HC-Bench. Более широкие возможности работы с визуальной и языковой информацией проверяли на AI2D, DocVQA и OCRBench.

Для сравнения проверили исходную предварительно обученную модель, её версию с дополнительным уменьшенным изображением, вариант с дообучением с учителем (SFT), а также DAPO. В качестве внешних ориентиров также оценивались Claude Opus 5, Gemini 3.1 Pro, GPT-6 Astra и Qwen3-VL-235B-Thinking.

Результаты тестирования Squint OPSD в сравнении с базовыми методами. Squint OPSD показала наивысший результат на SquintBench — 88,61, сохранив при этом значительно больше общих возможностей работы с визуальной и языковой информацией, чем вариант с дообучением с учителем.

Как видно из таблицы выше, Squint OPSD повысила результат на SquintBench с 26,50 у исходной модели до 88,61, превзойдя все три базовых метода обучения и в значительной степени сохранив результаты на тестах общих возможностей работы с визуальной и языковой информацией.

В следующем тесте Squint OPSD оценивали на трёх внешних тестах для скрытого текста:

Результаты тестирования Squint OPSD в сравнении с пятью другими моделями на SquintBench и трёх внешних тестах для скрытого текста. Squint OPSD показала лучшие результаты во всех тестах, когда моделям предоставляли исходные изображения без изменений. В Illusory VQA более низкая доля ошибок при распознавании слов означает лучший результат.

Результаты на AdvOCR выросли с 3.7 до 66.7, а на HC-Bench — с 1.8 до 44.6; доля ошибок при распознавании слов на Illusory VQA снизилась со 178.10 до 67.00. На исходных изображениях SquintBench значительно более крупные модели Qwen3-VL-235B-Thinking и GPT-6 Astra также показали низкие результаты: их оценки составили соответственно 24.44 и 8.33.

После обучения стали гораздо чётче различаться отдельные символы, скрытые на изображении, во внутренних представлениях модели. Для китайских иероглифов показатель, отражающий, насколько чётко представлена идентичность символа, вырос с 0.718 до 0.975, а аналогичный показатель для латинских символов — с 0.612 до 0.779.

Проверка того, как после обучения изменилось распознавание моделью скрытых символов. Слева показано, как предсказания модели и её внимание всё больше концентрируются на участках изображения, образующих скрытые символы; при нарушении этих участков точность падает. Справа показано, как альтернативные предсказания модели о символах всё сильнее группируются по визуальному сходству, при этом сохраняется информация, основанная на языке.

Модель также стала уделять больше внимания тем участкам изображения, которые действительно образовывали скрытые буквы. Когда внутреннее представление этих участков намеренно нарушали, точность падала с 90.5% до 71.5%. Для сравнения, нарушение такого же количества случайно выбранных участков фона почти не меняло результат. Это указывает на то, что модель распознавала скрытый текст по соответствующим визуальным структурам.

Заключение

Возможно, в этой новой работе проявляется своего рода «фрактальная близорукость», характерная и для других областей ИИ. Многие пользователи, знакомые с передовыми большими языковыми и визуально-языковыми моделями, замечали, как часто те сосредоточиваются на небольшом фрагменте текста, изображения или видеогенерации, не задумываясь шире о том, как эти изменения могут повлиять на общую картину.

Во многих случаях проблема связана с несовершенной памятью ИИ и его ещё только зарождающейся способностью сжимать собственную память для длительных и обычно агентных задач. Однако иногда, как в данном случае, выясняется, что стандартные методы обучения оставляют желать лучшего и требуют отдельного внимания. Вопрос в том, насколько нам следует извлекать уроки из подобных случаев и пересматривать базовые методы обучения — и в какой момент такой подход становится слишком «узкоспециализированным» и незначительным для чего-либо, кроме стороннего решения вроде LoRA.

Впервые опубликовано во вторник, 10 ноября 2026 года