Dạy AI đọc phần chữ ẩn mà con người vẫn nhìn thấy

Một trong những trào lưu AI bùng lên rồi nhanh chóng lụi tàn khoảng 2-3 năm trước là dùng Mô hình Thị giác-Ngôn ngữ (VLMs) để nhúng văn bản khó giải mã và “hình ảnh tiềm ẩn” vào những hình ảnh được tạo ra trông có vẻ vô hại:

Ảo ảnh quang học và hiệu ứng đánh lừa thị giác là những đặc trưng trong hình ảnh do ControlNet QR Code Monster tạo ra. Nguồn

Đây là một dạng hiệu ứng đánh lừa thị giác theo yêu cầu, và trở nên nổi bật nhất nhờ khung mã nguồn mở QR Code Monster ControlNet.

Khi đã có đủ người chứng kiến cách thức này hoạt động, hầu như không còn ứng dụng nào khác cho kỹ thuật này ngoài việc dùng nó như một hình thức mật mã thực tiễn, cho phép gửi văn bản mà các mô hình VLM hoặc hệ thống Nhận dạng ký tự quang học (OCR) không thể chặn bắt hay diễn giải – đồng thời dùng để truyền tải những thông điệp ẩn một phần:

Bạn có nhận ra thông điệp không? Nếu chưa, hãy cuộn xuống để xem đáp án. Một ví dụ nổi tiếng về ảo ảnh quang học do AI tạo ra, gợi nhắc (cũng như hình minh họa chính của bài viết này) đến một meme trong bộ phim khoa học viễn tưởng năm 1988 của John Carpenter, “They Live”. Trong phim, một người đàn ông phát hiện ra thế giới tràn ngập những thông điệp tiềm thức do một chủng tộc ngoài hành tinh ẩn mình phát tán. Nguồn

Các công trình như nghiên cứu năm 2025 Thù hận ngay trước mắt và bài nghiên cứu tháng trước Ẩn ngay trước mắt cho thấy rõ phương pháp này có thể được dùng để lan truyền những quan điểm thù hận, cũng như làm kỹ thuật giấu tin nói chung.

Vì vậy, trong các tài liệu nghiên cứu, kỹ thuật này hiện chủ yếu được xem là một phương thức có khả năng bị sử dụng với mục đích xấu, chứ không đơn thuần là công cụ tạo meme giải trí.

Tìm hiểu sâu hơn

Một trong những thách thức khi ngăn chặn những vụ xâm nhập như vậy – tạm gọi chúng là Ảo ảnh AI, vì dường như chưa có tên gọi thống nhất – là khiến các mô hình AI đa phương thức “nhìn thấy cả khu rừng chứ không chỉ từng cái cây”. Khi nheo mắt hoặc thu nhỏ một Ảo ảnh AI xuống kích thước rất nhỏ, chúng ta có thể dễ dàng nhận ra những đặc điểm tổng thể của dòng chữ tiềm thức:

Vì quá trình huấn luyện mô hình khuếch tán từng bước đưa AI từ việc nhìn nhận các khái niệm dưới dạng “bản phác thảo thô” đến khả năng thể hiện những chi tiết sắc nét (hơi giống như hoàn thiện nốt phần còn lại của… con cú), nên các VLM lẽ ra phải rất giỏi nhận ra những dạng mẫu như vậy. Tuy nhiên, nghiên cứu gần đây cho thấy thực tế không phải vậy:

Nghiên cứu “SemVink” năm 2025 cho thấy một VLM tiên tiến vốn có năng lực tốt ở những mặt khác vẫn không thể giải mã dòng chữ tiềm thức trong các Ảo ảnh AI. Nguồn

Tuy nhiên, một bài nghiên cứu gần đây từ Trung Quốc đề xuất một framework mới có thể giúp các VLM nhận diện Ảo ảnh AI.

Phương pháp mới này, với mã nguồn đã được công bố, sử dụng cách huấn luyện trong đó một mô hình AI học từ một mô hình khác, đồng thời được cung cấp phiên bản thu nhỏ của hình ảnh và bản chép chính xác nội dung. Các nhà nghiên cứu cho biết phương pháp này giúp đọc trực tiếp thông điệp ẩn trong ảnh gốc, với điểm số nhận diện cao hơn đáng kể so với các phương pháp huấn luyện thông thường:

Sơ đồ phương pháp huấn luyện AI được đề xuất. Hình minh họa hai mô hình cùng học từ một hình ảnh. Mô hình giáo viên được cung cấp thêm manh mối, trong đó có một phiên bản thu nhỏ giúp nhận ra dòng chữ bị che giấu dễ hơn, cùng với đáp án chính xác. Hướng dẫn của mô hình giáo viên được dùng để huấn luyện mô hình học sinh, vốn cuối cùng phải nhận diện được dòng chữ mà không cần những manh mối này.  Nguồn

Phương pháp có tên SQUINT này tận dụng kỹ thuật chưng cất tri thức, trong đó kiến thức mà một mô hình AI học được sẽ được truyền sang một mô hình khác trong quá trình huấn luyện. Trong trường hợp này, mô hình học sinh được huấn luyện để tái tạo các dự đoán của mô hình giáo viên bằng cách so sánh phản hồi của hai mô hình theo phương pháp toán học. Khi quá trình huấn luyện hoàn tất, có thể loại bỏ mô hình giáo viên, chỉ giữ lại một mô hình để phân tích hình ảnh mới mà không cần hỗ trợ thêm.

Trong hai giai đoạn của SQUINT, trước tiên, các dự đoán của mô hình học trò được so sánh với dự đoán của mô hình giáo viên có nhiều thông tin hơn, giúp mô hình học trò rút kinh nghiệm từ những khác biệt. Ở giai đoạn thứ hai, mô hình được khuyến khích cải thiện hơn nữa bằng cách thưởng cho những lần đọc đúng văn bản ẩn.

Trong các thử nghiệm, SQUINT nhận diện được chữ ẩn trong những hình ảnh mà mô hình AI ban đầu hầu như không thể xử lý, đồng thời đạt kết quả tốt hơn trên một số bộ chuẩn độc lập. Nghiên cứu cho thấy văn bản ẩn thường có thể được phát hiện ngay cả khi không thể đọc được; khả năng nhận diện được cải thiện khi hướng sự chú ý vào những phần của hình ảnh tạo thành các chữ cái.

Khả năng nhận diện còn được cải thiện hơn nữa khi loại bỏ các chi tiết nhỏ và họa tiết, giúp phân biệt những hình dạng cơ bản dễ dàng hơn:

Ba thử nghiệm tìm hiểu lý do văn bản ẩn bị đọc sai. Bên trái: hướng mô hình đến đúng vùng trong ảnh cho thấy việc tìm ra các chữ cái là trở ngại lớn. Ở giữa: loại bỏ các chi tiết hình ảnh nhỏ cho thấy họa tiết có thể che khuất hình dạng tổng thể của chữ cái. Bên phải: bổ sung một phiên bản thu nhỏ cho thấy giảm kích thước ảnh giúp mô hình phân biệt các ký tự có hình thức tương tự.

Dữ liệu và phương pháp

Nghiên cứu cho thấy chỉ cho mô hình xem thêm các ví dụ về AI Opticals là chưa đủ, vì phương pháp huấn luyện thông thường không tạo ra lý do nào để mô hình xem xét hình ảnh ở một tỷ lệ khác. Vì vậy, SQUINT sử dụng phiên bản thu nhỏ trong quá trình huấn luyện để dạy mô hình nên ưu tiên thông tin hình ảnh nào khi gặp ảnh có kích thước đầy đủ.

Để hỗ trợ việc này, cần có hai bộ dữ liệu; SquintBench gồm 1.076 hình ảnh được tuyển chọn từ một quy trình kiểm duyệt nội dung trong môi trường sản xuất (không nêu cụ thể). Các tác giả cho biết toàn bộ hình ảnh đều lấy từ dữ liệu sản xuất thực tế; có vẻ đó là ảnh hồ sơ của người dùng chứa văn bản ẩn mà con người có thể đọc gần như dễ dàng, trong đó cả phần văn bản hiển thị lẫn văn bản bị che giấu đều do người gán nhãn chép lại.

Bộ dữ liệu thứ hai, SquintCtrl, gồm văn bản ẩn được nhúng vào các cảnh tạo sinh bằng QR Code Monster v2 chạy trên Stable Diffusion 1.5, một phiên bản nay đã có tuổi đời đáng kể (dường như các nhà nghiên cứu thị giác máy tính nhất quyết không chịu buông bỏ nó cho đến hơi thở cuối cùng). Vì đã biết trước văn bản dùng để tạo từng hình ảnh, vị trí chính xác của văn bản có thể được xác định tự động, nhờ đó có thể khảo sát các trường hợp nhận diện thất bại mà không cần người gán nhãn.

SquintCtrl được chia thành bốn tập con: SquintCtrl-Pair sử dụng 500 cặp hình ảnh tương ứng, có và không có văn bản ẩn, để kiểm tra xem có thể phát hiện sự hiện diện của văn bản hay không; SquintCtrl-Glyph kiểm tra khả năng nhận diện và xác định vị trí của từng ký tự tiếng Trung và ký tự Latinh; SquintCtrl-Strength thay đổi độ đậm của văn bản ẩn trong 200 cảnh; còn SquintCtrl-Read cung cấp 200 hình ảnh có từ vựng mở để kiểm tra khả năng chép lại toàn bộ văn bản.

Thử nghiệm

Các thí nghiệm chẩn đoán được tiến hành với Qwen3.5-9B, trong đó các trọng số được giữ nguyên để làm rõ những gì mô hình hiện có đã có thể nhận biết.

Giai đoạn huấn luyện đầu tiên, Squint OPSD, sử dụng mô hình giáo viên có nhiều thông tin hơn để hướng dẫn mô hình học trò. Mô hình giáo viên nhận ảnh gốc, một phiên bản thu nhỏ và bản chép chính xác, trong khi mô hình học trò chỉ nhìn thấy ảnh gốc. Sau đó, các dự đoán của hai mô hình được so sánh từng token, giúp mô hình học trò học từ mô hình giáo viên mà vẫn có thể xử lý chỉ bằng ảnh gốc.

Quá trình huấn luyện sử dụng 5.905 câu lệnh, gồm 3.489 hình ảnh tổng hợp có văn bản ẩn, 1.213 mẫu OCR và 1.203 mẫu hỏi đáp trực quan. SquintBench được dùng làm bộ đánh giá chính, còn khả năng chuyển giao được đo trên Illusory VQA; AdvOCR; và HC-Bench. Hiệu suất thị giác-ngôn ngữ trên phạm vi rộng hơn được kiểm tra bằng AI2D; DocVQA; và OCRBench.

Để so sánh, mô hình được thử nghiệm cùng với phiên bản tiền huấn luyện ban đầu, phiên bản được cung cấp thêm góc nhìn thu nhỏ, phương pháp tinh chỉnh có giám sát (SFT) và DAPO. Các mô hình tham chiếu bên ngoài cũng được đánh giá gồm Claude Opus 5; Gemini 3.1 Pro; GPT-6 Astra; và Qwen3-VL-235B-Thinking.

Kết quả thử nghiệm so sánh Squint OPSD với các phương pháp cơ sở. Squint OPSD đạt điểm SquintBench cao nhất, ở mức 88.61, đồng thời duy trì hiệu suất thị giác-ngôn ngữ tổng quát cao hơn đáng kể so với phương pháp tinh chỉnh có giám sát.

Như thể hiện trong bảng kết quả ở trên, Squint OPSD nâng điểm SquintBench từ 26.50 của mô hình ban đầu lên 88.61, vượt trội hơn cả ba phương pháp huấn luyện cơ sở, đồng thời phần lớn vẫn giữ được hiệu suất trong các bài kiểm tra thị giác-ngôn ngữ tổng quát.

Trong thử nghiệm tiếp theo, Squint OPSD được đánh giá trên ba bộ chuẩn bên ngoài về văn bản ẩn:

Kết quả thử nghiệm so sánh Squint OPSD với năm mô hình khác trên SquintBench và ba bộ chuẩn bên ngoài về văn bản ẩn. Squint OPSD đạt kết quả tốt nhất trong mọi thử nghiệm khi các mô hình được cung cấp hình ảnh đầy đủ, không chỉnh sửa. Với Illusory VQA, tỷ lệ lỗi từ càng thấp thì hiệu suất càng cao.

Điểm số tăng từ 3.7 lên 66.7 trên AdvOCR và từ 1.8 lên 44.6 trên HC-Bench, trong khi tỷ lệ lỗi từ trên Illusory VQA giảm từ 178.10 xuống 67.00. Qwen3-VL-235B-Thinking và GPT-6 Astra, vốn lớn hơn nhiều, cũng đạt kết quả kém trên hình ảnh SquintBench gốc, với điểm số lần lượt là 24.44 và 8.33.

Sau khi huấn luyện, người ta nhận thấy sự phân biệt nội tại giữa từng ký tự ẩn trong hình ảnh rõ ràng hơn nhiều. Với chữ Hán, chỉ số đo mức độ thể hiện rõ danh tính ký tự tăng từ 0.718 lên 0.975, trong khi điểm số tương ứng của chữ cái Latinh tăng từ 0.612 lên 0.779.

Các thử nghiệm về sự thay đổi trong cách mô hình xử lý ký tự ẩn sau khi huấn luyện. Ở bên trái, các dự đoán và mức độ chú ý của mô hình tập trung hơn vào những vùng ảnh tạo thành các ký tự bị che giấu; độ chính xác giảm khi các vùng đó bị làm nhiễu. Ở bên phải, các dự đoán ký tự thay thế của mô hình được sắp xếp rõ nét hơn theo mức độ tương đồng về hình ảnh, đồng thời vẫn giữ lại thông tin dựa trên ngôn ngữ.

Mô hình cũng chú ý nhiều hơn đến những phần của hình ảnh thực sự tạo thành các chữ cái ẩn. Khi biểu diễn nội tại của mô hình về những vùng này bị làm nhiễu có chủ đích, độ chính xác giảm từ 90.5% xuống 71.5%. Ngược lại, việc làm nhiễu một số lượng tương đương các vùng nền được chọn ngẫu nhiên hầu như không làm thay đổi kết quả, cho thấy văn bản bị che giấu được đọc từ các cấu trúc hình ảnh liên quan.

Kết luận

Có lẽ công trình mới này cho thấy một dạng “cận thị kiểu fractal” lặp lại trong các lĩnh vực AI khác. Hầu hết người dùng quen thuộc với các mô hình LLM và VLM tiên tiến nhất hẳn sẽ nhận ra nhiều trường hợp chúng có xu hướng tập trung vào một vùng nhỏ trong văn bản, hình ảnh hoặc video được tạo ra, mà không cân nhắc rộng hơn về cách những thay đổi đó có thể ảnh hưởng đến toàn cảnh.

Trong nhiều trường hợp, vấn đề liên quan đến bộ nhớ chưa hoàn hảo của AI (và khả năng tự nén bộ nhớ vẫn còn ở giai đoạn sơ khai, đối với các tác vụ dài hơn, thường mang tính tác tử). Tuy nhiên, đôi khi, như trong trường hợp này, hóa ra các phương pháp huấn luyện mặc định vẫn còn thiếu sót và cần được điều chỉnh riêng. Câu hỏi đặt ra là chúng ta nên rút kinh nghiệm từ những trường hợp như vậy đến mức nào và cân nhắc sửa đổi các phương pháp huấn luyện cơ bản ra sao… cũng như khi nào quy trình có thể bị xem là quá “chuyên biệt” và chỉ phù hợp với một phương pháp của bên thứ ba như LoRA.

Đăng lần đầu vào thứ Ba, ngày 10 tháng 11 năm 2026