Resumo Técnico: Fantasia Artificial: Imagem Mental Emergente em Modelos de Linguagem de Grande Escala

Declaração do Problema

O artigo aborda uma questão fundamental na ciência cognitiva: a imagem mental visual pode ser impulsionada exclusivamente pela linguagem, ou depende estritamente de representações pictóricas (imagéticas)? A ciência cognitiva tradicional postula que a imagem mental opera sobre representações imagéticas, uma visão sustentada pela metáfora do "olho da mente". No entanto, a existência de afânticos (indivíduos que carecem de imagem visual consciente, mas ainda podem realizar tarefas espaciais e dependentes de imagem) desafia a necessidade de formatos pictóricos.

Os autores investigam se Modelos de Linguagem de Grande Escala (LLMs), que são primariamente treinados em dados proposicionais (linguísticos) e carecem de capacidades inerentes de processamento visual em modos de apenas texto, podem resolver tarefas projetadas para serem solucionáveis exclusivamente por meio de imagem mental pictórica. Se os LLMs tiverem sucesso, isso sugeriria a existência de "fantasia artificial"—uma forma emergente, não pictórica, de imagem mental impulsionada pelo raciocínio proposicional.

Metodologia

Design da Tarefa

O estudo utilizou uma versão estendida da clássica tarefa de "reconstrução de objetos" desenvolvida por Finke, Pinker e Farah (1989).

• Estímulos: Os pesquisadores criaram 60 conjuntos de instruções.
  • 12 itens foram adaptados do estudo original de Finke et al. (modificados para maior clareza).
  • 48 itens foram exemplos novos e personalizados criados especificamente para este estudo, para garantir que estivessem ausentes dos dados de treinamento dos modelos. Estes envolviam transformações composicionais complexas (por exemplo, rotacionar letras, anexar formas, espelhar), onde o objeto final (por exemplo, um guarda-chuva, um mouse de computador) só poderia ser identificado após todas as etapas serem simuladas mentalmente.
• Procedimento: Os sujeitos (tanto humanos quanto LLMs) foram convidados a imaginar uma série de transformações e identificar a "imagem" resultante.
• Linha de Base Humana: 100 participantes humanos completaram a tarefa por meio de instruções de áudio (para evitar viés visual do texto na tela) e foram avaliados usando o Questionário de Vivacidade da Imagem Visual (VVIQ).
• Teste com LLM: O estudo testou uma ampla gama de modelos de última geração, incluindo:
  • Proprietários: OpenAI (o3, o3-Pro, o4-mini, GPT-5, GPT-4.1, ChatGPT-4o), Google (Gemini 3 Pro, 2.5 Pro, 2.0 Flash) e Anthropic (Claude Opus 4.1, Sonnet 4).
  • Pesos Abertos: Qwen 3, Qwen 3 VL, DeepSeek R1 e gpt-oss-120b.
• Variações Experimentais:
  • Geração Auxiliada por Imagem: Alguns modelos foram instruídos a gerar imagens intermediárias usando ferramentas (por exemplo, GPT-image-1, geração de imagens do Gemini) para testar se auxílios pictóricos melhoravam o desempenho.
  • Esforço de Raciocínio: A alocação de "token de raciocínio" (mínimo, baixo, médio, alto) foi variada para os modelos da OpenAI para testar o impacto de cadeias de raciocínio estendidas.
  • Contexto: Os modelos foram testados tanto em modo de contexto único (todas as instruções em um único prompt) quanto em modo de múltiplos contextos (novo contexto para cada conjunto de instruções).

Avaliação

• Pontuação: Foi empregado um sistema de pontuação ponderada. 376 avaliadores humanos ingênuos classificaram a "razoabilidade" da resposta do modelo/humano contra uma imagem alvo canônica em uma escala de 5 pontos.
• Validação por Especialistas: Os autores forneceram classificações independentes de "especialistas". A pontuação final foi uma média ponderada das classificações da multidão e dos especialistas.
• Análise Estatística: Os testes U de Mann-Whitney e os testes de Soma de Postos de Wilcoxon foram utilizados para comparar o desempenho do modelo com a linha de base humana e entre si, com correções de Bonferroni para comparações múltiplas.

Principais Resultados

1. Desempenho Superior dos Modelos de Vanguarda

Os modelos de raciocínio mais avançados superaram significativamente a linha de base humana (pontuação média humana: 2,85/5).

• Gemini 3 Pro alcançou a maior pontuação média (3,65, $p < .0001$).
• GPT-5 (3,35, $p = .0004$) e a família o3 (o3-Pro: 3,31, $p < .0001$; o3: 3,13, $p = .0067$) também superaram significativamente os humanos.
• Modelos mais antigos ou menos capazes (por exemplo, ChatGPT-4o, Gemini 2.0 Flash, Qwen 3) performaram significativamente pior que os humanos ou falharam em atingir a linha de base.

2. Impacto do Raciocínio e Auxílios de Imagem

• Tokens de Raciocínio: O desempenho correlacionou-se positivamente com o esforço de raciocínio. O GPT-5 com raciocínio "alto" (3,35) superou significativamente o raciocínio "mínimo" (2,04).
• Geração Auxiliada por Imagem: Contrariando a hipótese de que auxílios visuais ajudariam, adicionar capacidades de geração de imagens (por exemplo, o3 com GPT-image-1) diminuiu o desempenho em comparação com o raciocínio apenas em texto. Isso sugere que os erros de geração composicional inerentes aos modelos de imagem atuais prejudicaram a tarefa, e que o processamento puramente linguístico foi mais eficaz.
• Contexto: A aprendizagem em contexto (contexto único vs. múltiplos contextos) não mostrou diferença significativa no desempenho.

3. Limitações de Código Aberto

Modelos de pesos abertos performaram mal, com nenhum atingindo a linha de base humana. Qwen 3 (média 1,58) e Qwen 3 VL (média 1,99) não mostraram diferença significativa, sugerindo que o passo de alinhamento visão-linguagem no Qwen 3 VL não conferiu uma vantagem significativa para esta tarefa proposicional específica.

4. Incerteza e Estratégia

• Incerteza: Diferentemente dos humanos, que frequentemente responderam com "Não sei" (54 ocorrências), os LLMs nunca expressaram incerteza, frequentemente alucinando respostas mesmo nos itens mais difíceis.
• Paralelo com Afantasia: O estudo observou que o alto desempenho dos LLMs (que carecem de imagem visual) espelha o desempenho de afânticos humanos, que também têm sucesso em tarefas de imagem sem representações pictóricas.

Principais Contribuições

1. Evidência para Fantasia Artificial: O artigo fornece evidência empírica de que LLMs podem resolver tarefas complexas de imagem mental usando apenas representações proposicionais (linguísticas), desafiando a visão de que formatos pictóricos são necessários para tal cognição.
2. Novo Benchmark: Os autores introduziram 48 itens novos, não presentes nos dados de treinamento, para tarefas de imagem mental, criando um benchmark robusto para avaliar as capacidades de raciocínio emergente dos LLMs.
3. Reavaliação dos Formatos de Imagem Mental: Os resultados sugerem que a imagem mental "visual" pode não ser uma capacidade monolítica, mas pode ser alcançada por meio de raciocínio espacial dentro de um quadro proposicional, apoiando a distinção entre imagem de objeto e imagem espacial.
4. Insight Metodológico: O estudo demonstra que forçar modelos a gerar imagens intermediárias pode degradar o desempenho em tarefas de raciocínio composicional, destacando as limitações atuais da geração de imagens em fluxos de trabalho lógicos multi-etapa.

Significado e Alegações

Os autores afirmam que suas descobertas "reativam o debate sobre a exigência de um formato pictórico na imagem mental". Eles argumentam que o sucesso dos LLMs de vanguarda (especificamente modelos de raciocínio como o3, GPT-5 e Gemini 3 Pro) indica uma capacidade cognitiva emergente onde a linguagem sozinha é suficiente para simular e manipular relações espaciais tradicionalmente pensadas como exigindo um "olho da mente".

O artigo postula que esses modelos não dependem de representações pictóricas ocultas, mas sim de raciocínio proposicional e embeddings linguísticos para construir layouts espaciais. Isso desafia a visão clássica de que a imagem mental visual é exclusivamente pictórica. Além disso, o estudo sugere que a lacuna entre o desempenho humano e artificial neste domínio está se estreitando, com os modelos mais avançados agora superando as capacidades humanas em tarefas de imagem específicas e estruturadas.

Os autores permanecem modestos quanto ao mecanismo, reconhecendo que, embora os modelos tenham sucesso, a representação interna exata (puramente proposicional versus proposicional com priores visio-linguísticos) permanece um assunto para investigação futura. Eles concluem que esses resultados oferecem uma nova perspectiva tanto para a comunidade de IA, no que diz respeito às capacidades emergentes dos modelos de raciocínio, quanto para a comunidade de ciência cognitiva, no que diz respeito à natureza da imagem mental humana e às estratégias utilizadas por afânticos.