به گزارش پژوهشگران گوگل دیپ‌مایند، کافی است تصویر کوچکی از یک قلب قرمز پیش از یک درخواست برنامه‌نویسی معمولی قرار بگیرد تا شیوه پاسخ دادن دو مدل مطرح هوش مصنوعی عوض شود. این گروه در پیش‌انتشاری که ۲۷ اکتبر ۲۰۲۶ در آرکایو منتشر شد می‌گوید مدل‌های Claude Opus 4.7 و GPT-5.4 در حضور قلب، در همه پاسخ‌های نمونه‌گیری‌شده به جای حلقه سراغ راه‌حل بازگشتی رفتند و استدلال خود مدل‌ها به‌ندرت به نقش تصویر اشاره کرد. نویسندگان این کار را «یافته‌های مقدماتی» توصیف کرده‌اند.
نویسنده نخست مقاله، الکسا تارتالینی، پژوهشگر دانشگاه استنفورد است که این کار را در دوره پژوهشی دانشجویی خود در گوگل دیپ‌مایند انجام داده و ژنگ‌شوان وو، تادئوس ویدمر، مارتین واتنبرگ، بین کیم و یوشوان لی از گوگل دیپ‌مایند همکاران او هستند. آزمون اصلی، پیمایش میان‌ترتیب یک درخت دودویی است؛ مسئله‌ای درسی که هم با روش بازگشتی و هم با یک پشته صریح به یک اندازه خوب حل می‌شود. از هر مدل خواسته شد پیش از حل مسئله به تصویری ۴۰۰ در ۴۰۰ پیکسلی از یک نماد ساده نگاه کند و برای هر حالت ۲۰ پاسخ گرفته شد. بدون تصویر، دو مدل Claude و GPT هرگز روش بازگشتی را انتخاب نکردند و Gemini 3.1 Pro در ۴۰ درصد موارد چنین کرد. به گفته مقاله، با قلب قرمز سهم روش بازگشتی در Claude و GPT به ۱۰۰ درصد رسید و در Gemini یک تیک زرد آن را به ۹۰ درصد رساند؛ تغییری نزدیک به حالتی که پژوهشگران مستقیماً به مدل دستور استفاده از بازگشت می‌دادند.
پژوهشگران سپس کتابخانه‌ای از ۲۸۸ نماد ساختند که از ترکیب ۲۴ شکل و ۱۲ رنگ به دست آمده بود و هر مدل واکنش ویژه خودش را نشان داد. طبق مقاله، مثلث، قلب و دایره فارغ از رنگ، Claude را به سمت بازگشت بردند؛ در GPT بیشتر اثر از قلب‌ها بود؛ و Gemini به ترکیب‌های خاصی مثل علامت جمع صورتی یا مارپیچ فیروزه‌ای واکنش نشان داد. پیکان‌های شاخه‌دار که آدم‌ها به‌راحتی به بازگشت ربط می‌دهند، هیچ اثری بر Claude نداشتند. چند آزمون کنترلی نشان می‌دهد خود نمادها عامل اثرند: توصیف متنی همان شکل‌ها اثر بسیار ضعیف‌تر و کم‌ارتباطی داشت، نویز گاوسی و عکس‌های معمولی پایگاه ImageNet در مدل‌های پیشرو تغییر نظام‌مندی ایجاد نکردند، و به‌هم‌ریختن پیکسل‌های نماد یا چرخاندن آن از حالت معمولش اثر را ضعیف کرد.
این پدیده به یک تمرین محدود نماند. گروه پژوهشی تغییرهای مشابهی را در دیگر مسئله‌های بازگشتی، در انتخاب میان جست‌وجوی عمق‌اول و سطح‌اول و در انتخاب ساختار داده گزارش کرده است؛ برای نمونه شکل‌های دایره‌ای مدل‌ها را به سمت بافر حلقوی بردند. بیرون از برنامه‌نویسی هم نمادها سبک نوشتن و پاسخ به پرسش‌های ساده سلیقه‌ای را تغییر دادند. شکل‌های صورتی و قلب‌ها نوشته هر سه مدل را شاعرانه‌تر کردند و مثلث‌های آبی باعث شدند Gemini و GPT زمستان را به تابستان ترجیح دهند.
یافته‌ای که بیشترین اهمیت عملی را دارد، به توضیح مدل‌ها درباره تصمیم‌های خودشان مربوط است. وقتی تصویرها بدون هیچ دستوری برای نگاه کردن به آن‌ها در ورودی گذاشته شدند، قوی‌ترین نمادها همچنان رفتار را تغییر دادند و ردهای استدلال GPT هرگز به تصویر اشاره نکردند. وقتی از مدل‌ها مستقیم پرسیده شد که یک نماد به معنای بازگشت است یا تکرار، پاسخ‌هایشان فقط اندکی با اثر اندازه‌گیری‌شده همخوانی داشت. در ردهای تفکر Gemini، در ۷۱.۵ درصد مواردی که نماد واقعاً پاسخ را تغییر داده بود، مدل آن را بی‌ربط دانست و به دلایل فنی استناد کرد. GPT خطای معکوس داشت: در ۷۴.۷ درصد مواردی که نماد هیچ اثری نداشت، ردهای استدلالش مدعی بودند که تصویر راهبرد را تعیین کرده است.
در دسته دوم آزمایش‌ها، یک مدل باید تصویری می‌کشید یا انتخاب می‌کرد تا نسخه دیگری از خودش را هدایت کند یا مفهومی را به آن برساند. فرستنده‌ها بیشتر مارپیچ، نماد بی‌نهایت و پیکان را برگزیدند، یعنی شکل‌هایی که برای انسان گویا هستند، نه شکل‌هایی که واقعاً بر گیرنده اثر داشتند؛ نویسندگان این پدیده را «شکاف میان تولید و تفسیر» می‌نامند. با نقاشی آزاد که به صورت کد پایتون نوشته می‌شد، ۹۷.۸ درصد بازی‌های انتقال مفهوم و داستان در نهایت موفق شدند. اما وقتی فقط نمادهای ساده مجاز بود، تنها ۴۷.۸ درصد در تلاش اول جواب داد و ۳۰.۷ درصد در پنج نوبت هرگز به نتیجه نرسید. در یک مطالعه کوچک با هفت شرکت‌کننده انسانی، افراد فقط در حدود ۳۶ درصد موارد جهت اثر قوی‌ترین نمادها را درست حدس زدند که از سطح شانس ۵۰ درصدی هم کمتر است.
به نظر نویسندگان، فعلاً بعید است مدل‌ها عمداً از طریق تصویر پیام‌های پنهان رد و بدل کنند، چون این تداعی‌ها از مدلی به مدل دیگر کمتر تکرار می‌شوند. خطر نزدیک‌تر از نگاه آن‌ها، اثر ناخواسته تصویر بر عامل‌هایی است که با تصویر صفحه و رابط‌های گرافیکی کار می‌کنند؛ جایی که یک آیکون یا بنر می‌تواند رفتار عامل را تغییر دهد، بی‌آنکه نظارتی که به ردهای استدلال تکیه دارد متوجه شود. وب‌سایت AlphaSignal که ۲۷ اکتبر به این مقاله پرداخت و DAIR.AI Academy که آن را در فهرست مقاله‌های برگزیده هفته گذاشت، همین نتایج را خلاصه کرده‌اند.
محدودیت‌های این پژوهش جدی است. مقاله پیش‌انتشاری است که هنوز داوری همتا نشده، هر حالت آزمایشی فقط بر ۲۰ نمونه تکیه دارد و تکلیف‌ها مصنوعی‌اند. اثر به نحوه نوشتن درخواست هم وابسته است: وقتی از مدل دیگر خواسته نمی‌شد راهبردی را انتخاب کند، اثر در Claude و GPT تقریباً از بین رفت و گذاشتن تصویر در میانه درخواست هم آن را تا حد زیادی خنثی کرد. مطالعه انسانی اکتشافی است و کد یا داده‌ای منتشر نشده است. آنچه مقاله نشان می‌دهد این است که تصویرهای ساده در آزمون‌های کنترل‌شده می‌توانند انتخاب‌های مدل را به شکل قابل اندازه‌گیری جابه‌جا کنند، نه اینکه چنین چیزی هم‌اکنون در کار واقعی عامل‌ها رخ می‌دهد.