2/2
2/2 Пока мультимодальные модели тратили десятки секунд на попытки описать геометрию словами, классические детерминированные алгоритмы решили те же задачи практически мгновенно. Алгоритм на основе радиального градиентного анализа и быстрого преобразования Фурье (FFT) вычислил угол поворота за 0,006 секунды со 100% точностью, опередив языковые модели по скорости более чем в тысячу раз. Для поиска разомкнутых колец авторы использовали преобразование Хафа и радиальное сканирование контуров. Этот алгоритм справился за 1,4 секунды и также показал безошибочный результат. ✋ Почему так? Причина такого разрыва кроется в архитектуре. Детерминированный алгоритм опирается на строгую математику и анализ перепадов яркости, тогда как мультимодальным моделям точные пространственные трансформации изображений даются значительно сложнее, чем обычное семантическое распознавание. 🖥 Упрощение задач и протокол MCP Авторы исследования придумали два способа обойти это ограничение. 1️⃣ Первый путь заключается в переформулировании задачи. Исследователи отказались от расчёта точного угла и предложили моделям восемь готовых вариантов картинок с шагом поворота в 45 градусов. Точность участников заметно выросла и составила от 50% до 80% (у GPT-4o — 50%, у Grok 4.20 — 60–70%, а у Gemini 3.1 Pro достигла 80%). Это подтвердило, что модели умеют визуально сравнивать готовые изображения, но не способны выполнять геометрическое вращение «в уме». 2️⃣ Второй путь заключается в создании гибридной архитектуры через протокол Model Context Protocol (MCP). В такой конфигурации языковая модель выступает координатором. Она оценивает входящий запрос, определяет тип капчи и передаёт работу с пикселями внешнему детерминированному скрипту. Алгоритм за миллисекунды возвращает точные координаты или угол поворота, а модель формирует итоговый ответ. 🎯Благодаря интеграции через MCP точность решения капч у GPT-4o и Grok 4.20 выросла до 100%, при этом изменение расхода токенов и времени отклика оказалось неоднозначным и зависело от конкретной модели и задачи. 🫤Единственной моделью, чья точность в гибридном сценарии вращения составила лишь 80% вместо 100%, стала Gemini 3.1 Pro. Модель проявила избыточный перфекционизм. В тестовом наборе из-за шероховатостей генерации капчи идеальный угол составлял 129 градусов. Классический алгоритм округлял значение до ближайшего валидного шага в 135 градусов. Gemini 3.1 Pro заметила лёгкую неровность пикселей на границе склейки, посчитала ответ инструмента ошибочным, отклонила его и предложила свой неверный вариант поворота на 315 градусов. Этот пример показал, что попытка языковой модели перепроверить строгий расчёт детерминированного алгоритма иногда только вредит. 🧐Какой вывод можно сделать? Использовать большие языковые модели для чистых геометрических расчётов нерационально из-за высокой задержки и частых ошибок. Наилучшую эффективность даёт именно гибридный подход. В нём мультимодальная модель берёт на себя логику и смысловой анализ, а математические вычисления и работу с пикселями поручает специализированным алгоритмам через Model Context Protocol. ✋ @Russian_OSINT