في عالم التكنولوجيا المتقدمة، أصبحت النماذج المستخدمة في تحويل النصوص إلى صور (text-to-image – T2I) قادرة على إنتاج نصوص واضحة ومهيكلة بشكل جيد ضمن الصور. تتنوع تطبيقات هذه التقنيات لتشمل توليد الوثائق والعروض التقديمية وغيرها. لكن السؤال الذي يطرح نفسه: هل تحافظ هذه الأنظمة على قدرة التفكير المنطقي بشكل كامل عندما يتطلب الأمر التعبير عن حلول معقدة من خلال النصوص المرسومة مباشرة؟

للإجابة على هذا السؤال، تكتشف دراسة جديدة دقة التفكير في توليد النصوص المرئية. حيث يتوجب على النماذج التعبير عن عمليات التفكير الكاملة كصور. واشتملت التقييمات على عدة جوانب، مثل Rendering النص الطويل والبحث عن المعرفة الواقعية وفهم السياق والتفكير متعدد الخطوات.

وعلى الرغم من أن هذه النماذج تنتج نصوصًا تتمتع بمظهر بصري واضح، فقد وجد الباحثون أن هناك أخطاء دلالية، وتناقضات منطقية، وخطوات وسيطة غير صحيحة تحدث بشكل متكرر. تلك النتائج تتناقض بشدة مع الأداء المتميز للنماذج المعتمدة على النصوص فقط في نفس المهام.

تكشف النتائج عن فجوة ملحوظة بين توليد النصوص المرئية والتفكير الإجرائي، مما يحث على الحاجة إلى تطوير موثوق لتوليد النصوص المرئية بشكل أكثر دقة وقدرة على التفكير المنطقي.