Basta um pequeno desenho de um coração vermelho colocado antes de um pedido de programação banal para mudar a forma como dois dos principais modelos de IA escrevem a resposta. É o que relatam investigadores da Google DeepMind num artigo publicado no arXiv a 27 de outubro de 2026, com o título "A Heart Means Recursion: Exploring Visual Meaning and Communication in VLMs". Segundo a equipa, o Claude Opus 4.7 e o GPT-5.4 trocaram ciclos por recursão em todas as respostas recolhidas quando o coração estava presente, e o próprio raciocínio dos modelos raramente admitiu a influência da imagem. Os autores apresentam os resultados como preliminares.
Assinam o trabalho Alexa Tartaglini, investigadora de Stanford que o realizou como estagiária de investigação na Google DeepMind, e ainda Zhengxuan Wu, Thaddäus Wiedemer, Martin Wattenberg, Been Kim e Yuxuan Li, todos da Google DeepMind. O teste principal consiste em percorrer uma árvore binária em ordem, um exercício clássico que se resolve igualmente bem por recursão ou com uma pilha explícita. Pedia-se a cada modelo que olhasse para uma imagem de 400 por 400 píxeis com um símbolo simples antes de resolver o problema, e foram recolhidas 20 respostas por condição. Sem imagem, o Claude Opus 4.7 e o GPT-5.4 nunca optaram pela recursão, e o Gemini 3.1 Pro fê-lo em 40% dos casos. Com o coração vermelho, o Claude e o GPT-5.4 chegaram aos 100%. No Gemini, um visto amarelo elevou a proporção para 90%, valores próximos dos obtidos quando a equipa mandava usar recursão de forma explícita.
Os investigadores criaram depois uma biblioteca de 288 símbolos, combinando 24 formas e 12 cores, e cada modelo reagiu à sua maneira. Segundo o artigo, triângulos, corações e círculos empurraram o Claude para a recursão independentemente da cor; no GPT-5.4, o efeito veio sobretudo dos corações; e o Gemini respondeu a combinações concretas, como um sinal de mais cor-de-rosa ou uma espiral ciano. Setas ramificadas, que uma pessoa associaria facilmente à recursão, não mexeram nada no Claude. Vários testes de controlo apontam para os próprios símbolos: legendas de texto a descrever as mesmas formas tiveram efeitos muito mais fracos e mal correlacionados, ruído gaussiano e fotografias comuns do ImageNet não provocaram desvios sistemáticos nos modelos de topo, e baralhar os píxeis de um símbolo ou rodá-lo para fora da posição habitual enfraqueceu o efeito.
O fenómeno não se limitou a um exercício. A equipa observou desvios semelhantes noutros problemas recursivos, na escolha entre pesquisa em profundidade e em largura e na seleção de estruturas de dados; formas circulares, por exemplo, levaram os modelos a preferir buffers circulares. Fora da programação, os símbolos alteraram o estilo de escrita e as respostas a perguntas simples de preferência. Formas cor-de-rosa e corações tornaram a escrita dos três modelos mais poética, e triângulos azuis fizeram o Gemini 3.1 Pro e o GPT-5.4 preferir o inverno ao verão.
A conclusão com mais peso prático diz respeito ao que os modelos contam sobre as suas próprias decisões. Quando as imagens surgiam sem qualquer instrução para as observar, os símbolos mais fortes continuaram a desviar o comportamento, e os registos de raciocínio do GPT-5.4 nunca mencionaram a imagem. Questionados diretamente sobre se um símbolo significava recursão ou iteração, os modelos deram respostas pouco alinhadas com os efeitos medidos. Nos registos do Gemini 3.1 Pro, em 71,5% dos casos em que um símbolo mudou de facto a resposta, o modelo descartou-o como irrelevante e invocou razões técnicas. O GPT-5.4 cometeu o erro inverso: em 74,7% dos casos em que o símbolo não teve efeito, os seus registos afirmavam que fora a imagem a decidir a estratégia.
Numa segunda série de experiências, um modelo desenhava ou escolhia imagens para orientar ou informar outra cópia de si próprio. Os emissores escolheram sobretudo espirais, símbolos de infinito e setas, formas intuitivas para humanos, em vez das que realmente influenciavam o recetor, um desfasamento que os autores chamam lacuna entre geração e interpretação. Com desenhos livres feitos em código Python PIL, 97,8% dos jogos de conceitos e histórias acabaram por resultar. Limitados a símbolos simples, só 47,8% acertaram à primeira e 30,7% nunca lá chegaram em cinco tentativas. Num pequeno estudo com sete participantes humanos, as pessoas acertaram na direção do efeito dos símbolos mais fortes apenas em cerca de 36% das vezes, abaixo dos 50% do acaso.
Para os autores, uma sinalização secreta e deliberada entre modelos parece improvável por agora, porque as associações pouco se repetem de um modelo para outro. O risco mais próximo, dizem, é o desvio visual involuntário de agentes que trabalham com capturas de ecrã e interfaces gráficas, onde um ícone ou um banner pode alterar o comportamento sem que a supervisão baseada nos registos de raciocínio o detete. A AlphaSignal, que noticiou o estudo a 27 de outubro, e a DAIR.AI Academy, que o incluiu entre os artigos da semana, resumiram os mesmos resultados.
As ressalvas são importantes. Trata-se de uma pré-publicação sem revisão por pares, cada condição assenta em 20 amostras e as tarefas são artificiais. O efeito depende ainda da formulação: quando o pedido deixou de mandar o modelo escolher uma estratégia, o desvio quase desapareceu no Claude e no GPT-5.4, e colocar a imagem a meio do pedido atenuou-o bastante. O estudo com humanos é exploratório e nem o código nem os dados foram divulgados. O artigo mostra que imagens simples conseguem mexer de forma mensurável nas escolhas dos modelos em testes controlados, mas não que isso já aconteça em fluxos reais de agentes.