I VLM falliscono nel seguire percorsi visivi a causa della competizione locale con distrattori

Una recente indagine pubblicata su arXiv (2605.15672) indica che i modelli avanzati di visione-linguaggio (VLM) hanno difficoltà nel tracciamento di linee, un compito visivo di base che consiste nel seguire un percorso designato attraverso successive continuazioni locali. I ricercatori hanno creato compiti di tracciamento controllati per ridurre al minimo la confusione semantica e topologica; tuttavia, anche i VLM con le migliori prestazioni spesso deviano dal percorso previsto, optando per alternative vicine che appaiono simili. Analisi interne e interventi comportamentali suggeriscono che questi errori derivano dalla competizione locale con distrattori vicini. Mentre l'aumento delle dimensioni del modello fornisce miglioramenti marginali, il ragionamento aiuta in parte ma non risolve completamente il problema. Questi risultati mettono in dubbio la presunta robustezza dei VLM in operazioni visive fondamentali.