Исследование выявило целевое внимание у мультимодальных моделей ИИ

В препринте, опубликованном на платформе arXiv, исследователи изучили проявление целевого визуального внимания у готовых визуально-языковых моделей (VLM). В тестах использовались модели Qwen3-VL-32B-Thinking и Gemma-4-26B-A4B-it, которые оценивались на 4 887 естественных сценах в режимах визуального поиска и свободного просмотра.

Результаты моделей сопоставили с реальными точками фиксации человеческого взгляда на тех же изображениях. Обе модели продемонстрировали высокую корреляцию с вниманием человека при соответствующих задачах, причем этот эффект сохранился даже в тех сценах, где целевой объект полностью отсутствовал.

Авторы работы отмечают, что универсальные VLM способны формировать человекоподобные пространственные приоритеты внимания без специализированного обучения на данных взгляда. Это открывает возможности для создания масштабируемых инструментов прогнозирования зрительного внимания человека.