Исследователи из Китая предложили учебный каркас SQUINT, который учит визуально-языковые модели читать скрытый текст на сгенерированных изображениях. Метод поднял оценку модели Qwen3.5-9B на наборе SquintBench с 26,50 до 88,61 балла, а результат на AdvOCR вырос с 3,7 до 66,7. Код подхода уже опубликован. Работа важна потому, что такие оптические иллюзии ИИ остаются понятными людям, но обходят OCR и модерацию.
Как построено обучение SQUINT
Метод нацелен на изображения, где слова или буквы проявляются лишь при уменьшении картинки или прищуренном взгляде. Ранние примеры опирались на открытый каркас QR Code Monster ControlNet для эффектов обмана зрения, а позднейшие работы вроде Hate in Plain Sight связали прием с языком вражды и стеганографией. Сейчас в литературе его рассматривают в основном как потенциально вредоносную технику. Главная трудность — заставить модель видеть крупный узор, а не мелкие детали.
SQUINT использует дистилляцию знаний, когда одна модель ИИ учится у другой во время обучения. Учитель получает исходное изображение, его уменьшенную копию и верную расшифровку, а ученик видит только исходное изображение. Их предсказания сравниваются математически по токенам, и ученик учится повторять ответы учителя. После обучения учитель удаляется, поэтому новые изображения проверяет одна модель без подсказок. На второй стадии модель дополнительно поощряют за верное чтение скрытого текста.
Диагностика показала, почему прямое обучение не срабатывает. Простое добавление примеров таких иллюзий было недостаточным, поскольку обычное обучение не дает повода смотреть на изображение в другом масштабе. Направление внимания на области букв улучшало поиск, а подавление мелкой текстуры проясняло базовые формы. Уменьшенная копия помогала различать похожие символы. Еще исследование SemVink 2025 года показало, что сильная передовая модель не могла раскрыть такой скрытый текст. Поэтому SQUINT через уменьшенное изображение учит, какую визуальную информацию считать главной.
Что это дает модерации контента
Для компаний, проверяющих пользовательский контент, результат открывает практичный путь поиска скрытых лозунгов в аватарах и загружаемых картинках. Набор SquintBench включает 1076 изображений из рабочего конвейера модерации — как сообщается, это фото профилей со скрытым текстом, легко читаемым людьми и расшифрованным аннотаторами. Модель, читающая полноразмерное изображение напрямую, встраивается в очередь проверки без отдельного изменения размера. Небольшие команды получают автоматическую сортировку, а крупные платформы — дополнительную проверку перед ручным разбором.
Ограничения важны для покупателей и разработчиков систем модерации. Обучение шло на 5905 запросах, включая 3489 синтетических изображений со скрытым текстом, 1213 OCR-примеров и 1203 примера визуальных вопросов и ответов. Синтетический набор SquintCtrl создан через QR Code Monster v2 на базе Stable Diffusion 1.5 и разделен на проверку наличия, символов, силы и чтения. Перенос проверяли на Illusory VQA, AdvOCR и HC-Bench, а общие способности — на AI2D, DocVQA и OCRBench. Сама новость не доказывает устойчивость вне этих данных, поэтому у поставщика стоит спросить о ложных срабатываниях, языках и типах изображений.
Маркером станет независимое воспроизведение результатов на открытом коде и наборах, а также оценки на Illusory VQA, AdvOCR и HC-Bench. В статье частота ошибок слов на Illusory VQA упала со 178,10 до 67,00, а результат на HC-Bench вырос с 1,8 до 44,6. Если другие команды повторят прирост без потери общих визуально-языковых способностей, проверка скрытого текста может стать обычной мерой модерации.
