# Мультимодальное обучение развивает скрытые визуальные способности текстовых моделей

> Исследователи показали, что обучение на текстах и изображениях меняет подход языковых моделей к пространственным задачам — даже когда на вход подаётся только текст.

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

Дата события: 2026-11-11

Команда под руководством Ци Чжана 11 Nov 2026 опубликовала работу, в которой показала: языковые модели, обученные на изображениях и текстах, формируют скрытую «визуальную ось», которую используют при рассуждениях исключительно на основе текста. В модели Chameleon‑7B с 7 миллиардами параметров отключение этой оси снизило точность на навигационном задании BIG‑Bench Hard на 27,6 процентного пункта, но немного повысило результаты в символических тестах на булеву логику. Эффект проявляется в определённых слоях модели и также помогает в задачах на мысленное вращение объектов и принятие чужой перспективы.

## Факты

- После удаления визуальной оси точность Chameleon‑7B в задании navigate из BIG‑Bench Hard снижается на 27,6 процентного пункта
- Работа отправлена 11 Nov 2026 (Wed, 11 Nov 2026 02:44:10 UTC)

## Почему это важно

Это показывает, что обучение на текстах и изображениях может улучшить пространственное мышление ИИ, работающего только с текстом, и поможет в разработке будущих моделей.

## Источники и ссылки

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

Обновлено: 2026-11-13