Зерттеушілер визуалды-тілдік модельдердегі мақсатты зейін қабілетін анықтады

arXiv платформасында жарияланған жаңа ғылыми препринтте визуалды-тілдік модельдердің (VLM) адамға ұқсас мақсатты зейін бөлу мүмкіндіктері зерттелді. Зерттеушілер Qwen3-VL-32B-Thinking және Gemma-4-26B-A4B-it модельдерін 4 887 табиғи көрініс негізінде визуалды іздеу және еркін қарау тапсырмалары бойынша сынақтан өткізді.

Модельдердің болжамдары адамдардың дәл сол суреттерге қарау бағыттарымен (фиксацияларымен) салыстырылды. Нәтижелер көрсеткендей, екі модель де көз қимылын қадағалау бойынша арнайы оқытылмаса да, қойылған мақсаттарға сәйкес адам назарына сәйкес келетін кеңістіктік басымдықтарды өздігінен қалыптастыра алды.

Бұл сәйкестік тіпті ізделіп жатқан нысан суретте болмаған жағдайда да сақталған. Ғалымдардың пікірінше, бұл жаңалық зейін теорияларын дамытуға және әртүрлі тапсырмалар кезінде адам көзқарасын болжауға арналған ауқымды құралдарды жасауға жол ашады.