آموزش چندوجهی، توانایی استدلال بصری پنهانی به مدل‌های متنی می‌دهد

گروهی به سرپرستی کیو ژانگ در مقاله‌ای که 11 Nov 2026 منتشر شد، نشان دادند مدل‌های زبانی آموزش‌دیده با تصویر و متن، «محور بینایی» پنهانی پیدا می‌کنند که هنگام استدلال صرفاً متنی از آن بهره می‌گیرند. در مدل 7-billion-parameter Chameleon‑7B، غیرفعال‌کردن این محور دقت را در تکلیف ناوبری BIG‑Bench Hard به میزان 27.6 percentage points کاهش داد، اما عملکرد در آزمون‌های نمادین بولی را اندکی بهبود بخشید. این اثر در لایه‌های مشخصی دیده می‌شود و به انجام تکالیف چرخش ذهنی و تغییر زاویه دید نیز کمک می‌کند.