Yapay zekâya insanların görebildiği gizli metni okumayı öğretmek

Yaklaşık 2-3 yıl önce birden alevlenen ve oldukça hızlı sönen yapay zekâ modalarından biri, Görsel-Dil Modellerini (VLM’leri) kullanarak şifreli metinleri ve ‘gizil görüntüleri’ görünüşte zararsız, yapay olarak oluşturulmuş görsellere yerleştirmekti:

QR Code Monster ControlNet’in çıktısı, optik yanılsamalar ve trompe-l’œil etkileriyle öne çıkar. Kaynak

Bu, talep üzerine oluşturulan bir tür trompe-l’œil etkisi ve en çok açık kaynaklı QR Code Monster ControlNet çerçevesiyle tanındı.

Yeterince kişi bu tekniğin işleyişini gördükten sonra, geriye onu pratik bir kriptografi biçimi olarak kullanmaktan başka pek bir seçenek kalmıyor. Böylece VLM’ler ya da Optik Karakter Tanıma (OCR) sistemleri tarafından ele geçirilmeyecek veya yorumlanmayacak metinler gönderilebiliyor; ayrıca yarı bilinçaltı mesajlar iletilebiliyor:

Mesajı alıyor musunuz? Alamıyorsanız yanıt için aşağı kaydırın. Yapay zekâ tarafından oluşturulmuş optik yanılsamaların iyi bilinen bir örneği. Bu örnek, tıpkı bu makalenin ana görselinde olduğu gibi, John Carpenter’ın 1988 yapımı bilimkurgu filmi ‘They Live’dan bir meme gönderme yapıyor. Filmde bir adam, dünyaya sızmış bir uzaylı ırkının bilinçaltı mesajlarıyla dolu olduğunu keşfediyor. Kaynak

2025 tarihli Gözler Önünde Nefret çalışması ve geçen ay yayımlanan Gözler Önünde Gizli gibi çalışmalar, bu yöntemin nefret dolu görüşleri yayma potansiyelini ve genel olarak steganografi yöntemi olarak kullanımını açıkça ortaya koyuyor.

Bu nedenle yöntem, artık literatürde eğlenceli bir meme oluşturma aracından çok, kötüye kullanılma potansiyeli taşıyan bir teknik olarak değerlendiriliyor.

Daha Yakından Bakış

Bu tür girişimleri engellemenin zorluklarından biri — tutarlı bir ad ortaya çıkmadığı için bunlara Yapay Zekâ Optikleri diyelim — çok modlu yapay zekâ modellerinin büyük resmi görmesini sağlamak. Gözlerimizi kıstığımızda ya da bir Yapay Zekâ Optiğini çok küçük boyuta indirdiğimizde, bilinçaltı metnin genel hatlarını görmek bizim için kolaylaşıyor:

Difüzyon modeli eğitimi, yapay zekâyı kavramların kabataslak çizimlerini görmekten yoğun ayrıntıları işleyebilir hâle gelmeye doğru adım adım ilerlettiğinden (bir bakıma baykuşun geri kalanını da çizip bitirmek gibi), VLM’lerin bu tür örüntüleri ayırt etmede oldukça başarılı olması gerekir. Ancak yakın tarihli araştırmalar, durumun aslında böyle olmadığını gösteriyor:

2025 tarihli ‘SemVink’ çalışması, başka açılardan yetkin bir öncü VLM’in Yapay Zekâ Optiklerindeki bilinçaltı metni çözemediğini ortaya koydu. Kaynak

Ancak Çin’den yakın zamanda yayımlanan bir makale, VLM’lerin Yapay Zekâ Optiklerini tanımasına yardımcı olabilecek yeni bir çerçeve öneriyor.

Kodunun yayımlandığı yeni yaklaşımda, bir yapay zekâ modeli başka bir modelden öğreniyor; modele hem görüntünün küçültülmüş bir sürümü hem de doğru metin dökümü veriliyor. Araştırmacılar, bu yöntemin gizli mesajların doğrudan özgün görüntülerden okunmasını sağladığını ve geleneksel eğitim yöntemlerine kıyasla çok daha yüksek tanıma puanları elde edildiğini bildiriyor:

Önerilen yapay zekâ eğitim yönteminin şeması. İki modelin aynı görüntüden öğrendiği gösteriliyor. Öğretmene, gizli metni tanımayı kolaylaştıran daha küçük bir görüntü ve doğru yanıt dâhil olmak üzere ek ipuçları veriliyor. Öğretmenin yönlendirmesi öğrenciyi eğitmek için kullanılıyor; öğrencinin sonunda bu ipuçları olmadan metni tanıması gerekiyor.  Kaynak

SQUINT adı verilen yöntem, bir yapay zekâ modelinin öğrendiği bilgilerin eğitim sırasında başka bir modele aktarıldığı bilgi damıtımından yararlanıyor. Bu yöntemde öğrenci, yanıtlarının matematiksel karşılaştırması kullanılarak öğretmenin tahminlerini yeniden üretmek üzere eğitiliyor. Eğitim tamamlandığında öğretmen model devreden çıkarılabiliyor ve yeni görüntüleri incelemek için geriye ek yardıma ihtiyaç duymayan tek bir model kalıyor.

SQUINT’in iki aşamasında, öğrencinin tahminleri önce daha fazla bilgiye sahip öğretmenin tahminleriyle karşılaştırılarak aradaki farklardan öğrenmesi sağlanıyor. İkinci aşamada ise gizli metni doğru okuması ödüllendirilerek daha fazla gelişmesi teşvik ediliyor.

Testlerde SQUINT, ilk yapay zekâ modelinin büyük ölçüde başarısız olduğu görsellerdeki gizli yazıları tanıdı ve çeşitli bağımsız kıyaslama testlerinde de daha iyi performans gösterdi. Gizli metnin, okunamasa bile çoğu zaman tespit edilebildiği ve dikkatin harfleri oluşturan görsel bölgelere yöneltilmesiyle tanıma başarısının arttığı görüldü.

İnce ayrıntılar ve dokular bastırılarak daha fazla gelişme sağlandı; böylece temel şekiller daha kolay ayırt edilebilir hâle geldi:

Gizli metnin neden yanlış okunduğunu araştıran üç test. Sol: Modeli görüntünün doğru bölgelerine yönlendirmek, harfleri bulmanın önemli bir engel olduğunu gösteriyor. Orta: Görsel ayrıntıları ortadan kaldırmak, dokunun daha büyük harf şekillerini belirsizleştirebildiğini gösteriyor. Sağ: Küçültülmüş bir görünüm eklemek, görüntüyü küçültmenin modelin görsel olarak birbirine benzeyen karakterleri ayırt etmesine yardımcı olduğunu gösteriyor.

Veriler ve Yöntem

Bir modeli yapay zekâ optik illüzyonlarının daha fazla örneğine maruz bırakmanın tek başına yeterli olmadığı görüldü; çünkü geleneksel eğitim, görüntünün farklı bir ölçekte değerlendirilmesi için herhangi bir neden sunmuyor. Bu nedenle SQUINT’te, modelin tam boyutlu görüntüyle karşılaştığında hangi görsel bilgilere öncelik vermesi gerektiğini öğretmek için eğitim sırasında küçültülmüş bir sürüm kullanılıyor.

Bunu sağlamak için iki veri kümesi gerekiyordu; SquintBench, (belirtilmeyen) bir üretim içerik denetleme hattından derlenen 1.076 görüntüden oluşuyor. Yazarların bildirdiğine göre bunların tümü gerçek üretim verilerinden alınmış; görünüşe bakılırsa, gizli metin içeren ve insanların neredeyse hiç zorlanmadan okuyabildiği profil fotoğrafları. Görünen ve gizli metinlerin her ikisi de insan açıklama ekleyiciler tarafından yazıya dökülmüş.

İkinci veri kümesi SquintCtrl, artık epey eski sayılan Stable Diffusion 1.5 üzerinde çalışan QR Code Monster v2 kullanılarak oluşturulmuş sahnelere yerleştirilmiş gizli metinlerden oluşuyor (görünüşe bakılırsa, bilgisayarla görme araştırmacılarının elinden ancak onlar ölene kadar alınabilecek). Her görüntüyü oluşturmak için kullanılan metin önceden bilindiğinden, metnin tam konumu otomatik olarak belirlenebildi ve böylece tanıma hataları insan açıklamasına gerek kalmadan incelenebildi.

SquintCtrl dört alt kümeye ayrıldı: SquintCtrl-Pair, gizli metnin varlığının tespit edilip edilemeyeceğini sınamak için gizli metin içeren ve içermeyen 500 eşleştirilmiş çift kullanıyor; SquintCtrl-Glyph, tek tek Çin ve Latin karakterlerinin tanınıp konumlarının belirlenip belirlenemeyeceğini sınadı; SquintCtrl-Strength, 200 sahnede gizli metnin belirginlik düzeyini değiştirdi; SquintCtrl-Read ise metnin tamamının yazıya dökülmesini sınamak için açık sözcük dağarcığına sahip 200 görüntü sundu.

Testler

Tanılama deneyleri, mevcut modelin hâlihazırda neleri algılayabildiğini ortaya koymak amacıyla Qwen3.5-9B ile gerçekleştirildi; modelin ağırlıkları değiştirilmeden bırakıldı.

İlk eğitim aşaması olan Squint OPSD, öğrenciye rehberlik etmesi için daha fazla bilgiye sahip öğretmenden yararlanıyor. Öğretmene orijinal görüntü, küçültülmüş bir sürüm ve doğru metin dökümü verilirken öğrenci yalnızca orijinal görüntüyü görüyor. Ardından tahminleri token token karşılaştırılıyor; böylece öğrenci, yalnızca orijinal görüntüyle çalışabilme yetisini korurken öğretmenden öğrenebiliyor.

Eğitim, 3.489 sentetik gizli metin görüntüsü, 1.213 OCR örneği ve 1.203 görsel soru yanıtlama örneğinden oluşan toplam 5.905 istem üzerinde gerçekleştirildi. Ana değerlendirme kümesi olarak SquintBench kullanılırken aktarımı Illusory VQA; AdvOCR ve HC-Bench üzerinde ölçüldü. Daha geniş kapsamlı görsel-dil performansı ise AI2D; DocVQA ve OCRBench üzerinde test edildi.

Karşılaştırma için, önceden eğitilmiş orijinal modelin yanı sıra ek bir küçültülmüş görünüm sunulan bir sürüm, denetimli ince ayar (SFT) ve DAPO test edildi. Dış referanslar olarak ayrıca Claude Opus 5; Gemini 3.1 Pro; GPT-6 Astra ve Qwen3-VL-235B-Thinking değerlendirildi.

Squint OPSD’nin temel yöntemlerle karşılaştırıldığı test sonuçları. Squint OPSD, 88.61 ile SquintBench’de en yüksek puanı alırken denetimli ince ayara kıyasla genel görsel-dil performansının çok daha büyük bir bölümünü koruyor.

Yukarıdaki sonuç tablosunda görüldüğü gibi Squint OPSD, SquintBench puanını orijinal modelin 26.50 olan puanından 88.61’e yükseltti; üç eğitim temel yönteminin tümünü geride bırakırken genel görsel-dil testlerindeki performansı büyük ölçüde korudu.

Bir sonraki testte Squint OPSD, gizli metinleri değerlendiren üç harici kıyaslama testinde değerlendirildi:

SquintBench ve üç harici gizli metin kıyaslama testi genelinde Squint OPSD ile diğer beş modeli karşılaştıran test sonuçları. Modellere görüntülerin tamamı, değiştirilmemiş hâlleriyle verildiğinde Squint OPSD her testte en iyi sonucu aldı. Illusory VQA’da kelime hata oranının düşük olması daha iyi performansa işaret eder.

AdvOCR’daki puanlar 3.7’den 66.7’ye, HC-Bench’tekiler ise 1.8’den 44.6’ya yükselirken Illusory VQA’daki kelime hata oranı 178.10’dan 67.00’ye düştü. Çok daha büyük olan Qwen3-VL-235B-Thinking ve GPT-6 Astra da orijinal SquintBench görüntülerinde sırasıyla 24.44 ve 8.33 puan alarak kötü sonuçlar verdi.

Eğitimin ardından, bir görüntüde gizlenmiş tek tek karakterler arasında modelin içsel olarak çok daha net ayrımlar yaptığı gözlemlendi. Çince karakterlerde, karakter kimliğinin ne kadar net temsil edildiğini ölçen değer 0.718’den 0.975’e yükselirken Latin karakterler için karşılık gelen puan 0.612’den 0.779’a çıktı.

Eğitimin ardından modelin gizli karakterleri ele alış biçiminin nasıl değiştiğini gösteren testler. Solda, modelin tahminlerinin ve dikkatinin, gizli karakterleri oluşturan görüntü bölgelerinde giderek daha fazla yoğunlaştığı; bu bölgeler bozulduğunda doğruluğun düştüğü gösteriliyor. Sağda ise modelin alternatif karakter tahminlerinin, dile dayalı bilgiyi korurken görsel benzerliğe göre giderek daha düzenli biçimde gruplandığı gösteriliyor.

Görüntünün gizli harfleri gerçekten oluşturan bölümlerine de daha fazla dikkat yöneltildi. Bu bölgelerin modelin içsel temsilini kasıtlı olarak bozmak, doğruluğun %90.5’ten %71.5’e düşmesine yol açtı. Buna karşılık, rastgele seçilmiş eşit sayıdaki arka plan bölgesini bozmak neredeyse hiçbir değişikliğe neden olmadı; bu da gizli metnin ilgili görsel yapılardan okunabildiğini gösteriyor.

Sonuç

Bu yeni çalışmada, başka yapay zekâ alanlarında da tekrarlanan bir tür “fraktal miyopluk” söz konusu olabilir. Öncü LLM’lere ve VLM’lere aşina olan çoğu kullanıcı, bu sistemlerin daha geniş kapsamı ve yapılan değişikliklerin genel tabloyu nasıl etkileyebileceğini dikkate almadan, metin, görüntü veya video üretiminin küçük bir bölümüne odaklanmaya ne kadar yatkın olduğunu fark edecektir.

Çoğu durumda sorun, yapay zekânın kusurlu belleğiyle (ve daha uzun, genellikle ajan tabanlı görevler için belleğini sıkıştırma henüz başlangıç aşamasındaki becerisiyle) ilgili olacaktır. Ancak bazen, bu örnekte olduğu gibi, varsayılan eğitim uygulamalarının yetersiz kaldığı ve bu sorunun özel olarak ele alınması gerektiği ortaya çıkıyor. Bu tür örneklerden ne ölçüde ders çıkarmamız ve temel eğitim uygulamalarını yeniden gözden geçirmeyi düşünmemiz gerektiği… ve bu sürecin, LoRA gibi üçüncü taraf bir yaklaşım dışında başka bir seçeneği gerektirmeyecek kadar “özelleşmiş” ve sınırlı sayılıp sayılamayacağı ise yanıt bekleyen sorular.

İlk olarak 10 Kasım 2026 Salı günü yayımlandı