# マルチモーダル学習で、テキスト専用モデルに隠れた視覚的推論能力

> 画像と言語を使った学習によって、テキストだけを入力した場合でも言語モデルの空間タスクの解き方が変わることを研究者が示した。

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

出来事の日付: 2026-11-11

Qi Zhang氏が率いるチームは2026年11月11日、画像とテキストで学習した言語モデルが、テキストだけで推論する際にも利用する、隠れた「視覚軸」を獲得するとする論文を発表した。70億パラメーターのモデルChameleon-7Bでは、この軸を無効にするとBIG-Bench Hardのナビゲーション課題の正答率が27.6ポイント低下する一方、記号的な真偽値テストの成績はわずかに向上した。この効果は特定の層に現れ、心的回転や視点取得の課題にも役立つ。

## 事実

- Chameleon-7Bは視覚軸を除去すると、BIG-Bench Hardのナビゲーション課題で正答率が27.6ポイント低下する
- 論文の投稿日時：2026年11月11日（水）02:44:10 UTC

## なぜ重要か

視覚と言語を組み合わせた学習が、テキストだけを扱うAIの空間推論能力を高める可能性を示しており、今後のモデル設計に役立つ。

## 出典と参考資料

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

最終更新: 2026-11-13