في تطور مثير في عالم نماذج اللغات، لفتت دراسة حديثة الانتباه إلى أبعد مما كان يُعتقد عن معالجة النصوص باستخدام تقنيات انغماس الرموز (token embeddings). حيث قامت الدراسة بتحدي الفرضيات التقليدية حول معالجة اللغة، خاصة تلك المرتبطة باللغة الصينية، من خلال استخدام صورة واحدة مصفوفة من تسلسل الأحرف بدلاً من الاعتماد على الرموز المنفصلة.

تم تصميم إطار عمل مزدوج الفروع (dual-branch) يعزل بشكل مباشر تأثير طريقة الإدخال، حيث يتم مقارنة نموذج يعتمد على الرؤية بمرجع بناءً على الرموز. تم استخدام نفس هيكل فك التشفير (decoder)، وهدف التدريب، والمُحسِّن، ومنهجية البيانات، مما يضمن أن أي اختلاف في الأداء يُعزى فقط إلى أسلوب المدخلات.

النتائج كانت مذهلة، إذ تفوق النموذج القائم على الصور على النموذج المستند إلى الرموز، حيث حقق دقة قصوى بلغت 0.429 مقابل 0.355 للنموذج المعتمد على الرموز، وهو ما يمثل تحسيناً نسبته 21%، مع تحقيقه هذه الدقة في عدد أقل من دورات التدريب. وكان هذا التفوق واضحاً بشكل خاص في أول خمس دورات تدريبية، مما يبرز فعالية الأسلوب الجديد عند التعامل مع بيانات محدودة.

تستمر فائدة هذا الأسلوب حتى مع وجود تشويش طفيف على الشخصيات، مما يدل على مرونة النموذج القائم على الرؤية. أظهرت الدراسات أن هذا التفوق يتطلب مدخلات متجانسة مكانياً ومُشفّر (ViT encoder) مع ترميزات مكانية ثنائية الأبعاد.

وعلى الرغم من أن المقارنة عبر اللغات قد أظهرت أن هذا التفوق لا يمكن نقله مباشرة إلى أنظمة الكتابة الأبجدية، إلا أن الهيكل الفريد والكثافة البصرية لأحرف اللغة الصينية قد تكون أسبابًا رئيسية وراء هذا النجاح.

تشير هذه النتائج إلى أن نماذج Transformers قد تكون أكثر مرونة من المتوقع، وأن الرموز المنفصلة ليست شرطًا أساسيًا في نمذجة اللغة الصينية، مما سيعيد التفكير في كيفية تطوير نماذج الذكاء الاصطناعي لمواكبة اللغات المختلفة.