💬 NLP

Quantification and object perception in Multimodal Large Language Models and human linguistic cognition

Questo studio esamina come i modelli linguistici multimodali gestiscono la quantificazione rispetto alla cognizione umana, rivelando che, nonostante le prestazioni superiori dei modelli "thinking" in compiti di stima numerica e ordinamento, persistono differenze significative tra umani e modelli nell'uso dei range e nella prototipicità dei quantificatori.

Autori originali: Raquel Montero, Natalia Moskvina, Paolo Morosi, Tamara Serrano, Elena Pagliarini, Evelina Leivada

Pubblicato 2026-03-26

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Raquel Montero, Natalia Moskvina, Paolo Morosi, Tamara Serrano, Elena Pagliarini, Evelina Leivada

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🎨 Il Gioco dei Quadrati: Cosa Capiscono davvero le Intelligenze Artificiali?

Immagina di avere davanti a te un grande foglio bianco pieno di quadrati neri e cerchi bianchi. Il tuo compito è guardare l'immagine e dire: "Quanti sono i quadrati?".
Potresti rispondere: "Ce ne sono pochi", "Ce ne sono molti", o "La maggioranza è nera".

Questo sembra facile per un umano, vero? Ma per le Intelligenze Artificiali (in particolare i modelli linguistici multimodali, che vedono e parlano), è come se dovessero indovinare la ricetta di un piatto senza aver mai assaggiato il cibo.

Gli autori di questo studio hanno deciso di fare un esperimento per capire perché queste macchine fanno errori quando usano parole come "alcuni", "molti" o "quasi tutti".

🔍 I Tre Indizi del Mistero

Gli scienziati hanno guardato tre aspetti fondamentali del modo in cui gli umani pensano ai numeri e alle quantità, cose che le macchine spesso ignorano:

La Scala dei Valori (L'Ordinamento):
Immagina una scala di pesi. In testa c'è "Tutti", poi "La maggior parte", poi "Molti", poi "Alcuni" e infine "Pochi".
- Gli umani sanno che se dici "Tutti", automaticamente intendi anche "Molti". È una logica naturale.
- Le macchine, invece, a volte mettono i pesi al contrario o confondono i gradini. Per loro, "Molti" e "Alcuni" possono essere quasi la stessa cosa.
Il "Punto di Mezzo" (La Prototipicità):
Quando un umano dice "Molti", pensa a una percentuale precisa (magari tra il 70% e l'80%). Se vedi il 50%, diresti "metà", non "molti".
- Le macchine sono un po' "sbiadite". Per un modello, "Molti" potrebbe significare qualsiasi cosa tra il 30% e il 90%. Non hanno quel "centro" preciso che abbiamo noi.
Il Sensore dei Numeri (La Stima):
Gli umani hanno due sistemi nel cervello: uno per contare piccoli oggetti (1, 2, 3, 4) e uno per "sentire" le grandi quantità (una folla, un mucchio).
- Le macchine hanno difficoltà a "sentire" la densità. Se i quadrati sono molto vicini, una macchina potrebbe pensare che ce ne siano di più di quanto ce ne siano davvero.

🤖 La Gara: I "Pensatori" contro i "Comandati"

Lo studio ha messo alla prova due tipi di Intelligenza Artificiale, come se fossero due squadre di atleti:

La Squadra "Comandata" (Instruct Models): Sono come studenti che hanno studiato a memoria le regole. Rispondono velocemente, ma spesso sbagliano i calcoli complessi.
La Squadra "Pensatrice" (Thinking Models): Sono come studenti che hanno imparato a ragionare passo dopo passo. Prima di rispondere, si prendono un momento per "pensare" (creano una catena di ragionamento).

Il Risultato della Gara:

Le macchine "Pensatrici" sono state molto meglio nel contare i quadrati e nel capire che "Tutti" è più di "Molti". Hanno fatto meno errori di calcolo.
Tuttavia, nessuna delle due squadre ha imitato perfettamente gli umani. Anche le "Pensatrici" avevano ancora problemi a capire esattamente quando usare la parola "molti" o "pochi". Sembrava che sapessero la definizione del dizionario, ma non avessero il "senso comune" umano.

🌍 La Prova delle Lingue

Gli scienziati hanno fatto lo stesso test in 6 lingue diverse (Inglese, Greco, Russo, Spagnolo, Italiano e Catalano).
Hanno scoperto che:

Le macchine non hanno un "cervello centrale" universale che funziona uguale per tutte le lingue.
In ogni lingua, le macchine fanno errori diversi, come se avessero mappe mentali separate per ogni idioma.
La parola "Molti" è stata la più difficile per tutte le macchine, in tutte le lingue.

💡 La Conclusione: Cosa ci insegna?

Immagina che le Intelligenze Artificiali siano come brillanti traduttori che hanno letto milioni di libri, ma che non hanno mai vissuto nel mondo reale.

Sanno che la parola "molti" appare spesso vicino a immagini di folla.
Ma non sperimentano mai la sensazione di essere in mezzo a quella folla.

Questo studio ci dice che, anche se le macchine stanno diventando molto brave a ragionare (grazie alle nuove tecniche di "pensiero"), loro non hanno ancora la nostra intuizione numerica e linguistica. Non capiscono le sfumature, le "sfumature" del significato che noi diamo per scontate.

In sintesi: Le macchine stanno imparando a contare, ma devono ancora imparare a sentire il numero. Per ora, quando dicono "molti", potrebbero intendere qualcosa di molto diverso da quello che intendiamo noi.

Titolo

Quantificazione e percezione degli oggetti nei Modelli Linguistici Multimodali (MLLM) e nella cognizione linguistica umana

1. Il Problema e il Contesto

La quantificazione linguistica (l'uso di termini come "alcuni", "molti", "la maggior parte") è un fenomeno complesso che interseca logica, pragmatica e cognizione numerica. Sebbene i Modelli Linguistici Multimodali (MLLM) abbiano mostrato progressi, la loro capacità di gestire la quantificazione rimane un punto critico.
Il paper identifica tre lacune principali nella letteratura esistente:

Mancanza di indagine su aspetti specifici: La maggior parte degli studi non ha esplorato come i modelli organizzano i quantificatori in scale, le loro gamme di utilizzo (ranges of use), i valori prototipici e i bias del sistema di stima numerica approssimata umano.
Confronto tra architetture: Non è stato sistematicamente testato se le difficoltà nella quantificazione dipendano dalle capacità numeriche specifiche del modello (confronto tra modelli "Thinking/Reasoning" e modelli "Instruct/General Purpose").
Limitazione linguistica: Gli studi precedenti si sono concentrati quasi esclusivamente sull'inglese, senza verificare se le osservazioni siano valide cross-linguisticamente o se esistano mappe linguistiche specifiche nei modelli.

L'obiettivo è determinare se i MLLM possiedono una rappresentazione semantica e pragmatica della quantificazione simile a quella umana o se si basano su pattern statistici superficiali.

2. Metodologia

Lo studio ha adottato un approccio sperimentale comparativo tra esseri umani e modelli AI.

Compito Sperimentale:
- Stimoli Visivi: Immagini contenenti un numero variabile di quadrati neri e cerchi bianchi (su un totale di 100 oggetti).
- Task: I partecipanti (umani e modelli) dovevano:
  1. Scegliere il quantificatore che meglio descriveva l'immagine (es. "pochi", "alcuni", "molti", "la maggior parte").
  2. Stimare la proporzione approssimativa di quadrati neri presenti (es. 11-20%, 21-30%, ecc.).
- Obiettivo del doppio task: Distinguere se le discrepanze derivano da errori nella stima numerica (mapping oggetto-numero) o da errori nel mapping tra la proporzione percepita e il quantificatore linguistico.
Partecipanti Umani:
- 240 partecipanti reclutati su Prolific (40 per lingua).
- Lingue testate: Inglese, Greco, Russo, Spagnolo, Italiano, Catalano.
- I quantificatori sono stati tradotti basandosi su intuizioni di madrelingua e letteratura linguistica specifica.
Modelli AI Testati:
- Modelli "Thinking" (Reasoning): o4-mini, GLM-4.6V-thinking (addestrati con Reinforcement Learning su problemi verificabili per generare catene di pensiero).
- Modelli "Instruct" (General Purpose): GPT-4o, Gemma 3, Molmo 2.
- Il design includeva un mix di modelli chiusi, open-weights e fully open-source.
- I parametri di temperatura sono stati impostati a 0 per massimizzare la precisione numerica.
Analisi Statistica:
- Regressione lineare mista (LMM) per la stima numerica.
- Regressione multinomiale per l'analisi della produzione dei quantificatori in funzione della proporzione riportata.
- Confronto di scale, valori modali (prototipicità) e intervalli interquartili (IQR).

3. Risultati Chiave

A. Sistema di Stima Numerica Approssimata (ANS)

Gli esseri umani mostrano un'alta accuratezza nella stima delle proporzioni.
I modelli Thinking (o4-mini, GLM-4.6V) superano significativamente i modelli Instruct nella stima numerica, avvicinandosi di più al comportamento umano.
I modelli Instruct tendono a sottostimare le proporzioni quando i quadrati neri superano il 50%.
Conclusione: Le differenze nell'uso dei quantificatori derivano parzialmente da differenze nelle capacità di stima numerica sottostanti.

B. Produzione dei Quantificatori e Scale Lessicali

Ordinamento in Scale:
- Gli umani seguono coerentemente la scala <pochi, alcuni, molti, la maggior parte> (con variazioni minori, es. in catalano tra "pochi" e "alcuni").
- I modelli Thinking rispettano parzialmente questa scala, ma mostrano variazioni cross-linguistiche non presenti negli umani (es. GLM-4.6V usa "molti" in contesti dove gli umani usano "alcuni").
- I modelli Instruct falliscono nel rispettare l'ordine della scala: spesso usano "la maggior parte" per proporzioni inferiori a quelle di "molti", violando le definizioni insiemistiche (es. "la maggior parte" dovrebbe implicare >50%).
Gamma di Utilizzo e Prototipicità:
- Esistono differenze significative nei valori modali (il contesto più tipico per un quantificatore).
- Per gli umani, il valore modale per "la maggior parte" è 91-100%. Per i modelli (sia Thinking che Instruct), scende drasticamente a 51-70%.
- Le distribuzioni dei modelli sono spesso troppo strette o troppo ampie rispetto agli IQR umani, indicando una difficoltà nel fissare le soglie contestuali ( $n_c$ ) corrette.
Difficoltà Specifiche:
- I quantificatori "molti" (many) e "alcuni" (some) sono i più difficili per tutti i modelli, mostrando differenze statistiche significative rispetto agli umani in quasi tutte le lingue e architetture.
- Contrariamente alle aspettative, l'inglese non è la lingua in cui i modelli performano meglio; le performance variano, ma nessun modello replica il comportamento umano in nessuna lingua.

4. Contributi Principali

Scomposizione del problema: Il paper dimostra che le difficoltà dei MLLM nella quantificazione non sono monolitiche, ma derivano da problemi distinti: stima numerica, organizzazione in scale lessicali e definizione delle soglie pragmatiche (prototipicità).
Impatto del tipo di modello: Dimostra che l'addestramento aggiuntivo dei modelli "Thinking" (RL su problemi verificabili) migliora le capacità numeriche e l'ordinamento in scala, ma non risolve completamente le discrepanze semantiche e pragmatiche (range di uso e prototipicità).
Prospettiva Cross-Linguistica: Estende l'analisi a lingue non inglesi (Greco, Russo, lingue romanze), rivelando che i modelli non possiedono una rappresentazione concettuale centralizzata della quantificazione, ma sembrano avere rappresentazioni interne diverse per ogni lingua, senza replicare le variazioni umane.
Critica alle teorie attuali: Suggerisce che l'approccio semantica distribuzionale (basato su pattern statistici) è insufficiente per catturare la natura logica e pragmatica dei quantificatori, specialmente in compiti multimodali dove il significato deve essere ancorato alla realtà visiva.

5. Significato e Implicazioni

Questo studio fornisce prove empiriche che, nonostante i progressi, i MLLM non agiscono come agenti semantici e pragmatici completi.

Limiti Cognitivi: I modelli faticano a replicare la complessità della cognizione umana che integra sistemi numerici precisi e approssimati con regole logiche e implicature scalari.
Architettura: Le differenze tra modelli "Thinking" e "Instruct" suggeriscono che il ragionamento esplicito aiuta la precisione numerica, ma non garantisce una comprensione profonda delle sfumature linguistiche.
Futuro della ricerca: Il lavoro indica la necessità di sviluppare nuovi benchmark che testino non solo la correttezza fattuale, ma la coerenza semantica e pragmatica dei modelli, e di esplorare come le rappresentazioni interne varino tra lingue diverse, sfidando l'ipotesi di un'uniformità cross-linguistica nei modelli attuali.

In sintesi, il paper evidenzia che la quantificazione rimane una "prova stringente" (stringent testbed) che rivela il divario tra il riconoscimento di pattern statistici e la vera comprensione del significato linguistico e numerico.