Uma equipe liderada por Qi Zhang publicou um artigo em 11 Nov 2026 mostrando que modelos de linguagem treinados com imagens e texto desenvolvem um “eixo visual” oculto, que usam ao raciocinar apenas com texto. No modelo Chameleon‑7B, de 7 bilhões de parâmetros, desativar esse eixo reduziu em 27,6 pontos percentuais a precisão na tarefa de navegação do BIG‑Bench Hard, enquanto elevou ligeiramente o desempenho em testes simbólicos de lógica booleana. O efeito aparece em camadas específicas e também ajuda em tarefas de rotação mental e tomada de perspectiva.
Por que importa
Isso mostra que o treino com imagens e texto pode aprimorar o raciocínio espacial de IAs que recebem apenas texto, orientando o desenvolvimento de modelos futuros.
