# Treino multimodal dá a modelos só de texto raciocínio visual oculto

> Pesquisadores mostram que o treino com imagens e texto transforma a forma como modelos de linguagem resolvem tarefas espaciais, mesmo quando recebem apenas texto.

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

Data do evento: 2026-11-11

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.

## Os fatos

- Chameleon‑7B perde 27,6 p.p. de precisão no BIG‑Bench Hard navigate quando seu eixo visual é removido
- Artigo enviado em 11 Nov 2026 (Wed, 11 Nov 2026 02:44:10 UTC)

## 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.

## Fontes e referências

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

Última atualização: 2026-11-13