💻 computer science

Is the Modality Gap a Bug or a Feature? A Robustness Perspective

यह शोध पत्र प्रदर्शित करता है कि मल्टी-मोडल मॉडलों में मोडैलिटी गैप (modality gap) एक त्रुटि है जो विक्षोभों (perturbations) के विरुद्ध मजबूती की कमी का कारण बनती है, यह दिखाते हुए कि पोस्ट-प्रोसेसिंग के माध्यम से इस अंतर को कम करने से क्लीन एक्यूरेसी (clean accuracy) से समझौता किए बिना मॉडल की मजबूती को महत्वपूर्ण रूप से बढ़ाया जा सकता है।

मूल लेखक: Rhea Chowers, Oshri Naparstek, Udi Barzelay, Yair Weiss

प्रकाशित 2026-04-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rhea Chowers, Oshri Naparstek, Udi Barzelay, Yair Weiss

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Is the Modality Gap a Bug or a Feature? A Robustness Perspective" पेपर का सरल अवधारणाओं और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

बड़ी तस्वीर: "दो-पक्षीय" समस्या

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट AI असिस्टेंट है (जैसे CLIP) जो तस्वीरों और शब्दों दोनों को समझने में माहिर है। इसका काम उन्हें आपस में मिलाना है। यदि आप इसे कुत्ते की तस्वीर दिखाते हैं, तो इसे "एक कुत्ता" (a dog) टेक्स्ट को पहचानना चाहिए और कहना चाहिए, "हाँ, यह एक मैच है!"

ऐसा करने के लिए, AI दोनों तस्वीरों और शब्दों को एक गुप्त कोड (एक गणितीय "एम्बेडिंग स्पेस") में बदल देता है। आदर्श रूप से, कुत्ते की तस्वीर के कोड और "एक कुत्ता" टेक्स्ट के कोड को एक समान होना चाहिए, जैसे दो लोग बिल्कुल एक जैसा पहनावा पहने हों।

समस्या:
भले ही AI को इन कोड्स को मिलाने के लिए प्रशिक्षित किया जाता है, फिर भी यह उन्हें पूरी तरह से मिलाने में लगातार विफल रहता है। इसके बजाय, "फोटो कोड्स" (Photo Codes) और "वर्ड कोड्स" (Word Codes) इस गुप्त स्थान में दो अलग-अलग, विशिष्ट पड़ोसों में समाप्त होते हैं। उनके बीच एक भौतिक "गैप" (अंतराल) होता है।

पुराना सवाल: क्या यह गैप एक बग (गलती) है या एक फीचर (उपयोगी विशेषता)?
पेपर का उत्तर: यह एक बग है। यह इस बात का एक आकस्मिक दुष्प्रभाव है कि AI कैसे सीखता है, और यह AI को नाजुक (fragile) बनाता है।

उपमा 1: दो द्वीप और पुल

कल्पना कीजिए कि AI का ज्ञान एक महासागर है।

द्वीप A वह है जहाँ सभी इमेज (Images) रहती हैं।
द्वीप B वह है जहाँ सभी टेक्स्ट (Texts) रहते हैं।

AI को द्वीप A के विशिष्ट घरों और द्वीप B के विशिष्ट घरों के बीच पुल बनाने के लिए प्रशिक्षित किया जाता है (जैसे, बिल्ली की तस्वीर वाला एक घर बिल्ली शब्द वाले घर से जुड़ता है)।

"मोडैलिटी गैप" (The Modality Gap):
भले ही पुल बनाए गए हैं, फिर भी दोनों द्वीप अभी भी दूर हैं। AI ने सीख लिया है कि "इमेज यहाँ रहती हैं" और "टेक्स्ट वहाँ रहते हैं", और वह उन्हें एक विस्तृत महासागर द्वारा अलग रखता है।

यह क्यों होता है?
पेपर बताता है कि जब AI सीखना शुरू करता है, तो दोनों द्वीप पहले से ही दूर होते हैं (इस वजह से कि AI को कैसे शुरू किया गया था)। जैसे ही AI पुल बनाने की कोशिश करता है, उसे एहसास होता है कि वह केवल पुलों को मजबूत बनाकर ही एक "अच्छा पर्याप्त" स्कोर प्राप्त कर सकता है, बिना द्वीपों को एक-दूसरे के करीब लाए। वह आलसी हो जाता है! वह एक शॉर्टकट ढूंढ लेता है जहाँ द्वीप दूर ही रहते हैं, लेकिन पुल ज्यादातर समय काम करते रहते हैं।

उपमा 2: डगमगाती मेज (मजबूती/Robustness)

यहाँ बताया गया है कि यह गैप एक समस्या क्यों है। पेपर का तर्क है कि यह गैप AI को भंगुर (brittle) यानी आसानी से टूटने वाला बनाता है।

कल्पना कीजिए कि आप दो द्वीपों के बीच एक पुल पार करने की कोशिश कर रहे हैं।

परिदृश्य A (बिना गैप के): द्वीप एक-दूसरे के ठीक बगल में हैं। पुल छोटा और मजबूत है। यदि एक छोटी लहर (शोर/noise) पुल से टकराती है, तो आप गिरते नहीं हैं। आप सही रास्ते पर रहते हैं।
परिदृश्य B (गैप के साथ): द्वीप दूर हैं। पुल लंबा और डगमगाता हुआ है। यदि एक छोटी सी लहर टकराती है, तो यह बुरी तरह झूम उठता है। आप गिर सकते हैं और गलत द्वीप पर पहुँच सकते हैं (AI गलत उत्तर दे देता है)।

"शोर" (The Noise):
वास्तविक दुनिया में, चीजें एकदम सटीक नहीं होतीं।

एक फोटो थोड़ी धुंधली हो सकती है।
एक वाक्य को दोबारा लिखा जा सकता है ("a photo of a dog" बनाम "an image of a canine")।
कंप्यूटर संख्याओं को राउंड ऑफ (quantization) कर सकते हैं।

ये छोटे बदलाव "लहरों" की तरह हैं। यदि AI के बीच एक बड़ा गैप है, तो ये छोटी लहरें AI को पटरी से उतार सकती हैं, जिससे वह एक कुत्ते को मेंढक के रूप में वर्गीकृत कर सकता है।

खोज:
लेखकों ने गणितीय रूप से सिद्ध किया कि जितना बड़ा गैप होगा, उतनी ही अधिक संभावना है कि AI गलती करेगा जब चीजें थोड़ी सी भी अस्त-व्यस्त होंगी।

समाधान: "मूविंग ट्रक" एल्गोरिदम

पेपर एक आश्चर्यजनक रूप से सरल समाधान प्रस्तावित करता है। आपको AI को फिर से प्रशिक्षित करने की आवश्यकता नहीं है (जो महंगा और धीमा है)। आपको इसके दिमाग को बदलने की आवश्यकता नहीं है।

समाधान:
बस "टेक्स्ट आइलैंड" को लें और उसे उपयोग करने से पहले "इमेज आइलैंड" के करीब ले जाएँ।

गैप को मापें: सभी छवियों के औसत स्थान और सभी शब्दों के औसत स्थान के बीच की दूरी की गणना करें।
टेक्स्ट को खिसकाएं: सभी शब्द कोड्स को इमेज कोड्स की ओर थोड़ा सा खिसका दें।
परिणाम: अब द्वीप पड़ोसी हैं। पुल छोटे और अधिक मजबूत हैं।

इससे AI क्यों नहीं टूटता?
लेखकों ने सिद्ध किया कि यदि आप द्वीपों को एक बहुत ही विशिष्ट दिशा में (एक-दूसरे की ओर सीधे, द्वीपों के आकार के लंबवत) ले जाते हैं, तो आप यह नहीं बदलते कि कौन सा घर किस घर से मेल खाता है। आप बस यात्रा को सुरक्षित बनाते हैं।

पहले: AI साफ डेटा पर 90% सटीक है, लेकिन यदि आप थोड़ा शोर जोड़ते हैं, तो यह 60% पर गिर जाता है।
बाद में: AI साफ डेटा पर अभी भी 90% सटीक है, लेकिन शोर के साथ, यह 85-90% पर बना रहता है।

पेपर से वास्तविक दुनिया के उदाहरण

लेखकों ने CLIP और SigLIP जैसे वास्तविक मॉडलों पर परीक्षण किया:

पुनर्गठन (Rephrasing): यदि आप "a photo of a dog" को "a picture of a dog" में बदलते हैं, तो AI भ्रमित हो जाता था। द्वीपों को करीब लाने के बाद, यह बदलाव को पूरी तरह से संभाल लेता है।
क्वांटाइजेशन (Quantization): डेटा को स्टोरेज के लिए सहेजते समय, कंप्यूटर कभी-कभी संख्याओं को राउंड ऑफ करते हैं (जैसे $1.99 को$ 2.00 करना)। यह आमतौर पर AI मॉडल को खराब कर देता है। "गैप-क्लोजिंग" का यह तरीका मॉडलों को इस राउंडिंग एरर के प्रति अधिक प्रतिरोधी बनाता है।

सारांश: बग या फीचर?

क्या यह एक बग है? हाँ। यह प्रशिक्षण प्रक्रिया का एक आकस्मिक प्रभाव है जो AI को नाजुक (fragile) बनाता है।
क्या यह एक फीचर है? नहीं। यह AI को बेहतर प्रदर्शन करने में मदद नहीं करता है; यह केवल एक कमजोरी को छिपाता है।
मुख्य बात: इस गैप को एक त्वरित गणितीय ट्रिक के साथ "बंद करके", हम इन शक्तिशाली मॉडलों को उनकी मूल बुद्धिमत्ता खोए बिना बहुत अधिक विश्वसनीय और मजबूत बना सकते हैं।

एक वाक्य में: यह पेपर प्रदर्शित करता है कि मल्टी-मोडल मॉडल्स में मोडैलिटी गैप एक बग है जो गड़बड़ी (perturbations) के प्रति मजबूती की कमी का कारण बनता है, यह दिखाते हुए कि पोस्ट-प्रोसेसिंग के माध्यम से गैप को बंद करने से मूल सटीकता से समझौता किए बिना मॉडल की मजबूती में काफी वृद्धि होती है।

1. समस्या विवरण (Problem Statement)

आधुनिक मल्टी-मोडल फाउंडेशन मॉडल्स (जैसे CLIP, SigLIP) को कंट्रास्टिव लॉस (contrastive loss) का उपयोग करके प्रशिक्षित किया जाता है ताकि इमेज और टेक्स्ट एम्बेडिंग्स को एक साझा स्पेस में संरेखित (align) किया जा सके। आदर्श रूप से, समान इमेज-टेक्स्ट पेयर्स को पूरी तरह से ओवरलैप होना चाहिए। हालांकि, एक निरंतर दिखने वाली घटना जिसे "मोडैलिटी गैप" (Modality Gap) कहा जाता है, मौजूद है: इमेज एम्बेडिंग्स और टेक्स्ट एम्बेडिंग्स के वितरण (distributions) साझा एम्बेडिंग स्पेस में अभी भी रैखिक रूप से अलग (linearly separable) रहते हैं, जो एक ग्लोबल गैप वेक्टर द्वारा अलग किए जाते हैं।

जबकि हालिया साहित्य में इस गैप के कारणों (जैसे सूचना असंतुलन, डाइमेंशनलिटी कोलैप्स) और प्रभावों पर बहस हुई है, यह स्पष्ट नहीं है कि:

पूर्ण संरेखण के प्रशिक्षण उद्देश्य के बावजूद यह गैप क्यों बनता है।
क्या गैप को बंद करने से प्रदर्शन में सुधार होता है या नुकसान पहुँचता है।
यह गैप इनपुट पर व्यवधानों (जैसे शोर, पुनर्गठन/rephrasing, क्वांटाइजेशन) के विरुद्ध मॉडल की मजबूती (robustness) से कैसे संबंधित है।

महत्वपूर्ण रूप से, यह पेपर इस धारणा को चुनौती देता है कि गैप एक लाभकारी विशेषता हो सकती है, और यह तर्क देता है कि यह एक अनचाहा आर्टिफैक्ट (artifact) है जो मॉडल की विश्वसनीयता को कम करता है।

2. कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)

लेखक ग्रेडिएंट डायनेमिक्स के सैद्धांतिक विश्लेषण और अनुभवजन्य सत्यापन (empirical validation) के संयोजन के माध्यम से इस समस्या का दृष्टिकोण अपनाते हैं।

A. गैप गठन का सैद्धांतिक विश्लेषण (Theoretical Analysis of Gap Formation)

पेपर एक गणितीय प्रमाण प्रदान करता है जो बताता है कि कंट्रास्टिव लर्निंग के दौरान मोडैलिटी गैप एक अनचाहे आर्टिफैक्ट के रूप में क्यों उभरता है, न कि एक डिज़ाइन की गई विशेषता के रूप में:

इनिशियलाइजेशन डायनेमिक्स (Initialization Dynamics): मॉडल्स को आमतौर पर प्रत्येक मोडैलिटी के लिए घने, अलग क्लस्टर्स के साथ इनिशियलाइज़ किया जाता है।
ग्रेडिएंट डिसेंट व्यवहार (Gradient Descent Behavior): लेखक कंट्रास्टिव लॉस के ग्रेडिएंट का विश्लेषण करते हैं। वे सिद्ध करते हैं कि यथार्थवादी धारणाओं (घने प्रारंभिक क्लस्टर्स) के तहत, ग्रेडिएंट डायनेमिक्स पहले प्रारंभिक गैप की दिशा में एम्बेडिंग्स के वेरिएंस (variance) को कम करता है।
ऑर्थोगोनैलिटी (Orthogonality): एक बार जब गैप की दिशा में वेरिएंस न्यूनतम हो जाता है, तो उस दिशा में ग्रेडिएंट शून्य हो जाता है। उसके बाद का प्रशिक्षण मोडैलिटीज को केवल गैप वेक्टर के लंबवत (orthogonal) दिशाओं में संरेखित करता है।
परिणाम: प्रशिक्षण एक ऐसे समाधान पर अभिसरित (converge) होता है जहाँ एक ग्लोबल गैप वेक्टर $\vec{g}$ मौजूद होता है और वह दोनों मोडैलिटीज के एफीन सबस्पेस (affine subspaces) के लंबवत होता है। यह दर्शाता है कि गैप इनिशियलाइजेशन और कंट्रास्टिव लॉस डायनेमिक्स के बीच परस्पर क्रिया का परिणाम है, जो इस विचार का खंडन करता है कि "डाइमेंशनलिटी कोलैप्स" ही एकमात्र कारण है।

B. मजबूती के साथ सैद्धांतिक संबंध (Theoretical Link to Robustness)

पेपर गैप और मॉडल की मजबूती के बीच एक सीधा संबंध स्थापित करता है, गैप को एक स्थिरीकरण विशेषता के बजाय एक भेद्यता के स्रोत (बग) के रूप में पहचानता है:

मजबूती की परिभाषा (Definition of Robustness): वह प्रायिकता (probability) कि एम्बेडिंग स्पेस में शोर (noise) जोड़ने पर क्वेरी का निकटतम पड़ोसी (nearest neighbor - NN) अपरिवर्तित रहता है।
ज्यामितीय अंतर्ज्ञान (Geometric Intuition): गैप की उपस्थिति में, इमेज एम्बेडिंग्स टेक्स्ट एम्बेडिंग्स से दूर होते हैं। टेक्स्ट एम्बेडिंग्स में शोर जोड़ने से निर्णय सीमा (decision boundary) घूम जाती है। चूंकि इमेज दूर हैं, इसलिए वर्गीकरण को बदलने (NN को बदलने) के लिए सीमा के थोड़े से घुमाव की ही आवश्यकता होती है। अतः, एक बड़ा गैप मॉडल को शोर और एडवरसेरियल व्यवधानों के प्रति काफी अधिक संवेदनशील बनाता है।
थ्योरम 3.4 (Theorem 3.4): सिद्ध करता है कि ऑर्थोगोनैलिटी धारणा के तहत, एक मोडैलिटी को दूसरी ओर ले जाने (गैप को बंद करने) से मजबूती बढ़ती है।
थ्योरम 3.5 (Theorem 3.5): सिद्ध करता है कि यदि गैप वेक्टर मोडैलिटी सबस्पेस के लंबवत है, तो इस वेक्टर के अनुदिश एम्बेडिंग्स को स्थानांतरित करने से निकटतम पड़ोसी संबंधों में कोई बदलाव नहीं आता है। इसलिए, गैप को बंद करने से क्लीन सटीकता (clean accuracy) से समझौता किए बिना मजबूती में सुधार होता है।

C. प्रस्तावित एल्गोरिदम (Proposed Algorithm)

इस सिद्धांत के आधार पर कि गैप एक 'बग' है, लेखक इसे ठीक करने के लिए एक सरल, ट्रेनिंग-मुक्त पोस्ट-प्रोसेसिंग एल्गोरिदम का प्रस्ताव करते हैं:

गैप की गणना करें: ग्लोबल गैप वेक्टर $\vec{g} = \mu_y - \mu_x$ (टेक्स्ट और इमेज माध्य के बीच का अंतर) की गणना करें।
ऑर्थोगोनल प्रोजेक्शन (Orthogonal Projection): $\vec{g}$ को लक्षित मोडैलिटी के ऑर्थोगोनल कॉम्प्लीमेंट (PCA का उपयोग करके) पर प्रोजेक्ट करें ताकि यह सुनिश्चित हो सके कि ट्रांसलेशन मोडैलिटी की आंतरिक संरचना को नहीं बदलता है। इसे $\vec{g}'$ कहें।
ट्रांसलेशन (Translation): लक्षित मोडैलिटी (जैसे, टेक्स्ट) के एम्बेडिंग्स को $-\alpha \cdot \vec{g}'$ से शिफ्ट करें ताकि उन्हें स्रोत मोडैलिटी के करीब लाया जा सके, जो प्रभावी रूप से गैप को बंद करता है।
परिणाम: यह मोडैलिटीज के बीच की दूरी को कम करता है, जिससे निकटतम पड़ोसियों के सापेक्ष क्रम को बनाए रखते हुए (क्लीन सटीकता) मजबूती बढ़ती है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक स्पष्टीकरण: पेपर सिद्ध करता है कि मोडैलिटी गैप अलग-अलग क्लस्टर्स से शुरू होने वाले कंट्रास्टिव लॉस डायनेमिक्स का एक अनचाहा आर्टिफैक्ट है, जिसके परिणामस्वरूप एक मोडैलिटी के लंबवत गैप वेक्टर बनता है। यह "डाइमेंशनलिटी कोलैप्स" को प्राथमिक कारण मानने की आवश्यकता का खंडन करता है।
मजबूती संबंधी अंतर्दृष्टि: यह मोडैलिटी गैप को मजबूती के संबंध में एक बग के रूप में पहचानता है। एक बड़ा गैप मॉडल को एम्बेडिंग स्पेस में शोर और व्यवधानों के प्रति अधिक संवेदनशील बनाता है, जो स्पष्ट रूप से किसी भी ऐसी परिकल्पना का विरोध करता है कि गैप स्थिरता को बढ़ाता है।
ट्रेनिंग-फ्री समाधान: लेखक एक कंप्यूटेशनल रूप से कुशल पोस्ट-प्रोसेसिंग स्टेप पेश करते हैं जो गैप को बंद करता है। उन तरीकों के विपरीत जो गैप को बनाए रख सकते हैं, इस दृष्टिकोण के लिए किसी पुन: प्रशिक्षण (retraining), फाइन-ट्यूनिंग या आर्किटेक्चरल बदलाव की आवश्यकता नहीं है।
अनुभवजन्य सत्यापन: विधि को कई मॉडल्स (CLIP, SigLIP, MetaCLIP) और कार्यों (Zero-shot classification, Image-to-Text retrieval, VQA) पर सत्यापित किया गया है, जो निरंतर मजबूती में वृद्धि प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने यह सत्यापित करने के लिए विभिन्न शोर स्थितियों के तहत अपने एल्गोरिदम का परीक्षण किया कि गैप को बंद करने से मजबूती में सुधार होता है:

नियंत्रित गौसियन शोर (Controlled Gaussian Noise):
- टेक्स्ट एम्बेडिंग्स में शोर जोड़ना और मजबूती को मापना।
- परिणाम: जैसे-जैसे गैप बंद होता है ( $\alpha$ बढ़ता है), मजबूती निरंतर बढ़ती है। महत्वपूर्ण रूप से, क्लीन सटीकता अपरिवर्तित रहती है, जो थ्योरम 3.5 की पुष्टि करती है।
क्वांटाइजेशन (Quantization):
- पोस्ट-ट्रेनिंग क्वांटाइजेशन (बिट-डेप्थ कम करना) का अनुकरण करना।
- परिणाम: क्वांटाइजेशन से पहले गैप को बंद करने से क्वांटाइजेशन त्रुटियों के प्रति मजबूती काफी बढ़ जाती है, जो संसाधन-बाधित वातावरण में तैनाती के लिए महत्वपूर्ण है।
टेक्स्ट पुनर्गठन (Text Rephrasing - वास्तविक दुनिया का शोर):
- पैराफ्रेज किए गए कैप्शन के साथ A-OKVQA डेटासेट पर परीक्षण।
- परिणाम: हालांकि पुनर्गठन के लिए जीरो-मीन शोर की सैद्धांतिक धारणा पूरी तरह से लागू नहीं होती है, फिर भी एल्गोरिदम ने क्लीन सटीकता को कम किए बिना पुनर्गठित इनपुट पर सटीकता में काफी सुधार किया।
डाउनस्ट्रीम टास्क (Downstream Tasks):
- ImageNet (Zero-shot) और MS-COCO (Retrieval) पर प्रयोग दिखाते हैं कि प्रस्तावित गैप-क्लोजिंग विधि नगण्य सटीकता हानि के साथ लगातार मजबूती को बढ़ावा देती है, जो पुष्टि करती है कि गैप को संरक्षित करने वाली विशेषता नहीं है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

पैराडाइम शिफ्ट (Paradigm Shift): यह पेपर मोडैलिटी गैप को संरक्षित करने योग्य विशेषता के रूप में नहीं, बल्कि इनिशियलाइजेशन और लॉस डायनेमिक्स के बीच परस्पर क्रिया के कारण होने वाले मजबूती बग (robustness bug) के रूप में पुनर्परिभाषित करता है।
व्यावहारिक प्रभाव: प्रस्तावित एल्गोरिदम वास्तविक दुनिया के परिदृश्यों में, जहाँ इनपुट शोर युक्त, क्वांटाइज्ड या पुनर्गठित होते हैं, मल्टी-मोडल मॉडल्स की विश्वसनीयता में सुधार के लिए एक "प्लग-एंड-प्ले" समाधान प्रदान करता है।
सैद्धांतिक गहराई: यह सिद्ध करके कि गैप वेक्टर मोडैलिटीज के लंबवत है, लेखक एक ठोस औचित्य प्रदान करते हैं कि मोडैलिटीज को एक साथ लाने से प्रशिक्षण के दौरान सीखे गए सिमेंटिक संरेखण (semantic alignment) में व्यवधान नहीं आता है।

संक्षेप में, यह पेपर प्रदर्शित करता है कि गैप को बंद करने से प्रदर्शन से समझौता किए बिना मॉडल की मजबूती काफी बढ़ जाती है, जो यह सिद्ध करता है कि गैप एक फीचर नहीं बल्कि एक बग है।

ELI5 (इसे 5 साल के बच्चे की तरह समझाएं)

समस्या:
कल्पना कीजिए कि आपके पास दोस्तों के दो समूह हैं: "चित्र वाले लोग" और "शब्द वाले लोग"। वे एक-दूसरे को समझने के लिए एक ही कमरे में खड़े होने की कोशिश कर रहे हैं। हालांकि, किसी कारण से, वे दो अलग-अलग घेरों में खड़े हैं और उनके बीच एक बड़ा खाली स्थान (गैप) है।

गलती:
वैज्ञानिक पहले सोचते थे कि यह गैप ठीक है, या शायद मददगार भी है। लेकिन यह पेपर दिखाता है कि यह गैप वास्तव में एक बग (खराबी) है। क्योंकि दोनों समूह दूर-दूर हैं, अगर थोड़ा सा "शोर" (जैसे रेडियो पर खरखराहट या शब्द में टाइपिंग की गलती) होता है, तो यह बहुत आसान है कि एक "शब्द वाला व्यक्ति" गलती से गलत "चित्र वाले व्यक्ति" को समझ ले। गैप जितना बड़ा होगा, भ्रमित होना उतना ही आसान होगा।

समाधान:
लेखकों ने इसे ठीक करने के लिए एक सरल ट्रिक ढूंढी जिसमें उन्हें कुछ भी नया सिखाने की जरूरत नहीं है। उन्होंने बस दोनों समूहों को धीरे से एक-दूसरे के करीब धकेल दिया, गैप को भर दिया।

परिणाम:
जब समूह करीब होते हैं, तो वे अभी भी एक-दूसरे को पूरी तरह से समझ सकते हैं (उनकी "क्लीन" सटीकता वैसी ही रहती है), लेकिन अब उन्हें शोर या गलतियों से भ्रमित करना बहुत कठिन हो जाता है। गैप को बंद करने से सिस्टम बहुत अधिक विश्वसनीय और मजबूत बन जाता है।