# L’entraînement multimodal confère aux modèles textuels des capacités visuelles latentes

> Des chercheurs montrent que l’entraînement sur des données associant images et texte modifie la façon dont les modèles de langage résolvent des tâches spatiales, même lorsqu’ils ne reçoivent que du texte.

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

Date de l’événement: 2026-11-11

Une équipe dirigée par Qi Zhang a publié le 11 nov. 2026 une étude montrant que les modèles de langage entraînés sur des images et du texte développent un « axe visuel » latent, qu’ils mobilisent pour raisonner à partir de texte seul. Dans le modèle Chameleon‑7B, qui compte 7 milliards de paramètres, désactiver cet axe a fait baisser de 27,6 points de pourcentage la précision à la tâche de navigation BIG‑Bench Hard, tout en améliorant légèrement les résultats aux tests symboliques de logique booléenne. Cet effet apparaît dans certaines couches et aide aussi à accomplir des tâches de rotation mentale et de prise de perspective.

## Les faits

- Chameleon‑7B perd 27,6 points de pourcentage de précision à la tâche navigate de BIG‑Bench Hard lorsque son axe visuel est neutralisé
- Étude soumise le 11 nov. 2026 (mer. 11 nov. 2026, 02:44:10 UTC)

## Pourquoi c'est important

Ces résultats montrent que l’entraînement sur des données associant images et texte peut améliorer le raisonnement spatial des IA qui ne traitent que du texte, et ainsi orienter la conception des futurs modèles.

## Sources et références

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

Dernière mise à jour: 2026-11-13