Mostrare a un modello di AI un cuore rosso può spingerlo a scrivere codice ricorsivo ogni singola volta — e il modello potrebbe non capire mai il perché. È la conclusione principale di un nuovo studio di ricercatori di Google DeepMind e Stanford University, che suggerisce che immagini non correlate allegate a un prompt possono modificare silenziosamente il modo in cui i modelli visione-linguaggio risolvono problemi di programmazione.

Il paper, intitolato "A Heart Means Recursion: Exploring Visual Meaning and Communication in VLMs", è stato pubblicato su arXiv — il server di preprint aperto dove la ricerca appare comunemente prima della revisione formale tra pari — il 27 ottobre 2026. La sua osservazione centrale è netta: le immagini usate negli esperimenti non avevano nulla a che fare con il compito in questione, eppure i modelli hanno comunque modificato il loro comportamento.

Un cuore, un segno di spunta e un test di programmazione

Lo studio è stato guidato da Alexa Tartaglini, ricercatrice affiliata sia a Google DeepMind che a Stanford. Il team si è concentrato sui modelli visione-linguaggio, o VLM — sistemi di AI capaci di elaborare immagini insieme al testo, una descrizione che riguarda la maggior parte dei chatbot di punta attuali.

I ricercatori hanno scelto come banco di prova un classico esercizio di programmazione: l'attraversamento di un albero binario. La struttura può essere immaginata come un albero genealogico in cui ogni persona ha al massimo due figli, e il compito consiste nello scrivere codice che visiti ogni persona, o nodo, di quell'albero.

Ci sono due modi principali per svolgere il compito. Una soluzione ricorsiva fa sì che una funzione chiami se stessa ripetutamente, come un insieme di bambole russe nidificate. Una soluzione iterativa utilizza un ciclo e tiene traccia manualmente della propria posizione. Entrambi gli approcci funzionano, il che ha reso l'esercizio un metodo pulito per misurare se un'immagine potesse spingere un modello verso uno stile di codifica piuttosto che un altro.

I ricercatori hanno eseguito 20 campioni per ogni configurazione di modello, hanno allegato ai prompt forme colorate di base e hanno contato quante volte i modelli sceglievano la ricorsione.

Gli effetti sono stati marcati. Con un cuore rosso nel prompt, Claude Opus 4.7 e GPT-5.4 hanno prodotto soluzioni ricorsive nel 100% dei casi; il loro baseline senza immagini era dello 0%. Gemini 3.1 Pro ha risposto a un simbolo diverso — un segno di spunta giallo ha spinto il suo tasso di ricorsione al 90%. In altre parole, un simbolo senza alcuna connessione evidente con il compito è bastato a determinare l'approccio adottato dai modelli.

Nel corso dell'esperimento, il team ha valutato in totale 288 combinazioni forma-colore. Ogni modello ha mostrato un proprio distinto profilo di orientamento, il che significa che i simboli che influenzavano un sistema non necessariamente influenzavano un altro.

I controlli — e un problema di trasparenza scomodo

I ricercatori hanno effettuato verifiche per assicurarsi di non stare semplicemente misurando rumore. Quando hanno sostituito le immagini con didascalie testuali che descrivevano gli stessi simboli, l'effetto di orientamento è stato minimo. Hanno anche provato immagini di rumore gaussiano, essenzialmente statico casuale, che non hanno prodotto quasi nessun movimento.

Non era, dunque, la semplice presenza di un input aggiuntivo a fare la differenza. Immagini specifiche esercitavano un'influenza specifica, e la parola scritta per quelle immagini no.

Un'altra scoperta contraddice l'intuizione. Ci si potrebbe aspettare che un simbile che assomiglia visivamente alla ricorsione, come una freccia ramificata, sia lo stimolo più forte. Lo studio ha rilevato che i simboli intuitivi di questo tipo non hanno costantemente superato quelli arbitrari. Un cuore non ha alcun legame evidente con funzioni che chiamano se stesse, eppure ha funzionato lo stesso — almeno per due dei modelli.

Poi c'è il problema della trasparenza. Secondo lo studio, i modelli spesso non hanno riconosciuto che le immagini li stavano influenzando. Le loro tracce di ragionamento — le spiegazioni passo-passo che generano — in generale non contenevano alcuna menzione del ruolo del segnale visivo. In pratica, i modelli hanno alterato il loro approccio senza spiegazioni, e potrebbero non essere stati in grado di fornirne una.

Gli autori definiscono il fenomeno visual steering. Definiscono inoltre i risultati come preliminari, un avvertimento da tenere presente prima di trarre conclusioni affrettate sui cuori come linguaggio di programmazione.

Perché conta oltre il laboratorio

Lo studio suggerisce che i risultati potrebbero influenzare interazioni reali che coinvolgono screenshot o diagrammi. Se una forma arbitraria può cambiare lo stile di codifica di un modello dallo 0% al 100%, elementi visivi incidentali in un'immagine incollata potrebbero plausibilmente produrre effetti non voluti da nessuno.

La scoperta sulle tracce di ragionamento aggiunge un secondo livello di preoccupazione. Molti team si affidano alla spiegazione che un modello dà della propria logica per auditarne il lavoro; se quella spiegazione omette un driver importante dell'output, l'audit presenta un punto cieco.

C'è anche un problema di frammentazione. Poiché ogni modello ha mostrato un profilo di orientamento diverso nelle 288 combinazioni, non esiste un unico elenco di simboli rischiosi da filtrare. Ciò che influenza un sistema può non fare nulla a un altro.

Per i laboratori che costruiscono questi modelli, il paper solleva domande su come gli input visivi e testuali vengono combinati internamente. Il fatto che le didascalie abbiano avuto poco effetto mentre le immagini stesse ne hanno avuto uno grande indica qualcosa di specifico nel modo in cui questi sistemi elaborano le immagini.

La ricerca ammette anche una lettura più ottimista. Se le immagini possono orientare il comportamento così fortemente, potrebbero eventualmente essere usate deliberatamente come canale di comunicazione con i modelli. Il titolo del paper, con il suo focus sul significato visivo e sulla comunicazione, accenna a quella direzione, anche se i risultati dello studio restano in fase iniziale. Perché le immagini esercitano un'influenza che le loro didascalie scritte non hanno — e come i team possono tenere conto di influenze che i loro modelli non sono in grado di segnalare — sono le domande aperte che questo lavoro pionieristico lascia al settore.