Modelos de visão-linguagem concordam sobre a personalidade das formas — mas nem sempre

Seis modelos de visão-linguagem mostraram mais concordância ao julgar as qualidades afetivas de objetos 3D — ideias como se uma forma parece “luxuosa” ou “barata” — do que ao usar pares de adjetivos sem relação. Mas essa concordância ainda foi mais fraca do que para descrições geométricas diretas, e variou bastante de uma categoria de objeto para outra. O preprint propõe usar o acordo entre modelos como um filtro inicial antes de expor controles semânticos em interfaces de design generativo.

Um audit das classificações dos modelos

Os pesquisadores testaram 4.950 objetos únicos do ShapeNetCore em 10 categorias de produtos — cadeiras, mesas, luminárias, sofás, armários, estantes, garrafas, potes, relógios e carros. Cada objeto foi renderizado de oito pontos de vista fixos como uma forma cinza-mate uniforme, e seis encoders de visão-linguagem pré-treinados processaram os mesmos objetos com pesos públicos, sem fine-tuning. Para cada par de adjetivos, o estudo criou uma direção entre os dois significados e projetou a representação de cada objeto nela, gerando uma pontuação contínua.

Entre o controle e o ruído

A concordância média (correlação de Spearman) foi de 0,441 para pares geométricos, 0,364 para eixos afetivos e 0,135 para eixos irrelevantes. Em outras palavras: os modelos alinham mais em geometria, chegam a um nível intermediário em descrições afetivas e concordam menos quando os adjetivos não têm relação com o objeto. O padrão não foi uniforme — a convergência afetiva variou de 0,21 (estantes) a 0,51 (potes).

Por que isso importa para ferramentas de design

A concordância esteve positivamente associada a quão próximo um eixo de adjetivo estava das principais formas de variação dentro de uma categoria (correlação de 0,72 para eixos afetivos). Os eixos afetivos também concordaram mais na categoria pretendida do que em categorias estrangeiras. A interface proposta usaria 0,14 (a linha de base dos pares irrelevantes) como piso: um controle seria exposto quando seu limite inferior de bootstrap superasse esse chão, marcado como provisório quando o intervalo se sobrepusesse ao nulo e oculto quando ficasse abaixo. No exemplo do paper, um controle “luxuoso–barato” atingiu 0,47 para potes, mas foi ocultado em 0,10 para estantes e 0,14 para armários.

Um teste de consistência, não de gosto humano

A limitação central é direta: o audit não foi validado contra julgamentos humanos (Kansei). A concordância entre modelos, portanto, não pode ser lida como evidência de que as pontuações capturam como as pessoas experimentam a forma. A interface também não foi avaliada com usuários. Ainda assim, o trabalho oferece um método barato e reproduzível para sinalizar quando um controle semântico de design é confiável o suficiente para aparecer em ferramentas generativas — um filtro de consistência entre modelos, antes de investir em validação com humanos.