Google DeepMind 与 Stanford 研究图像符号对模型递归代码生成的影响

来自 Google DeepMind 和斯坦福的一篇非常有趣的论文。

他们发现，如果在上下文中放入一张红色心形的图片，Claude Opus 4.7 和 GPT-5.4 就会 100% 地编写递归代码。

他们在中序二叉树遍历问题上发现了这一现象；这个问题既可以用递归解决，也可以用迭代解决，而且两种方案同样有效。一个黄色对勾会让 Gemini 3.1 Pro 在 90% 的样本中选择递归。

这种效果与直接告诉模型使用递归相当，或接近相当。同一符号的文字说明所能起到的引导作用要小得多，而随机图像或自然景观图像的引导作用则更小。

模型无法解释这一现象。它们对该符号的解释及其思维链与实际行为并不一致。对于 GPT-5.4，有 74.7% 的思维链给出了错误的理由。

当模型相互发送图片时，它们会挑选自己和人类都认为直观的形状，而这些形状往往无法引导另一个模型。

如果你的智能体读取屏幕截图或图片，这些输入可能会以推理轨迹不会显示的方式改变其行为。

arxiv.org/abs/2610.36449

Chat with Paper: academy.dair.ai/papers/a-hea…