Billedredigering som mellemled i multimodal ræsonnering er kun nyttig til bestemte opgavetyper – ikke som en generel tænkemotor. Det viser en ny undersøgelse fra Hugging Face, der introducerer rammen Aphanta til at diagnosticere, hvornår en MLLM → billededitor → MLLM-pipeline reelt forbedrer resultaterne.
Forskerne testede 20 opgaver og flere kombinationer af sprogmodeller og editorer. Gevinsterne koncentrerer sig i visuel cue-injektion, grounding og kontrafaktisk tilstandsrealisering – mens opgaver, der kræver symbolsensitiv konstruktion eller strukturel ekstrapolation, er markant mindre pålidelige. På de positive opgaver løftede den konsoliderede Qwen-pipeline den gennemsnitlige score fra 0,343 til 0,445 – en relativ forbedring på 29,7 %.
For beslutningstagere er pointen klar: Brug ikke billedredigering som et generelt ræsonnementværktøj. Byg det kun ind i workflows, hvor opgaven matcher editorernes styrker – fx visuel grounding eller opdaterede tilstandsvisualiseringer – og vær forberedt på at filtrere opgaver, der kræver symbolpræcis eller strukturel tænkning.
