# آموزش چندوجهی، توانایی استدلال بصری پنهانی به مدل‌های متنی می‌دهد

> پژوهشگران نشان داده‌اند آموزش دیداری‌ـ‌زبانی، شیوه حل مسائل فضایی را در مدل‌های زبانی تغییر می‌دهد؛ حتی وقتی ورودی فقط متن است.

Oossa · 2026-11-13 · https://oossa.com/fa/multimodal-training-gives-text-only-models-hidden-visual-reasoning-abilities

تاریخ رویداد: 2026-11-11

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.

## حقایق

- با حذف محور بینایی، دقت Chameleon‑7B در تکلیف navigate از مجموعه BIG‑Bench Hard به میزان 27.6 pp کاهش می‌یابد
- مقاله در 11 Nov 2026 ارسال شد (چهارشنبه، 11 نوامبر 2026، ساعت 02:44:10 UTC)

## چرا مهم است

این یافته نشان می‌دهد آموزش دیداری‌ـ‌زبانی می‌تواند استدلال فضایی هوش مصنوعی را در کار با متنِ صرف تقویت کند و در طراحی مدل‌های آینده راهگشا باشد.

## منابع و ارجاع‌ها

1. [Emergent Vision-Shaped Thinking in Text-Only Reasoning through Multimodal Training](https://arxiv.org/abs/2611.14942) – arXiv, 2026-11-13

آخرین به‌روزرسانی: 2026-11-13