El preprint A Heart Means Recursion: Exploring Visual Meaning and Communication in VLMs, fechado el 27 de octubre de 2026, informa que ciertos símbolos visuales cambiaron la proporción de soluciones recursivas de tres modelos en una tarea de programación. El resultado dependió del modelo y del símbolo: los autores compararon 20 soluciones por configuración en un ejercicio de recorrido de árboles binarios. El estudio
Una tarea con dos soluciones válidas
Los investigadores pidieron a Claude Opus 4.7, Gemini 3.1 Pro y GPT-5.4 que resolvieran el recorrido en orden (inorder) de un árbol binario. El problema admite una solución recursiva, que vuelve a aplicar el mismo procedimiento a partes del árbol, y otra iterativa, que avanza mediante una secuencia de pasos. Un modelo visión-lenguaje, capaz de procesar texto e imágenes, recibía junto a la instrucción un símbolo de color.
Sin imagen, las soluciones recursivas representaron el 0 % de las muestras de Claude Opus 4.7 y GPT-5.4, y el 40 % de las de Gemini 3.1 Pro. Cada porcentaje corresponde a una configuración concreta de 20 respuestas; no describe una tasa general del modelo.
Cada modelo respondió a símbolos distintos
| Modelo | Recursión sin imagen | Símbolo probado | Recursión con el símbolo en las muestras |
| Claude Opus 4.7 | 0 % | Corazón rojo | 100 % |
| GPT-5.4 | 0 % | Corazón rojo | 100 % |
| Gemini 3.1 Pro | 40 % | Marca de verificación amarilla | 90 % |
El corazón rojo se asoció con soluciones recursivas en las 20 respuestas muestreadas de Claude Opus 4.7 y GPT-5.4. Para Gemini 3.1 Pro, el resultado destacado fue una tasa del 90 % con una marca amarilla, frente al 40 % de referencia sin imagen. La prueba más amplia combinó 24 formas y 12 colores, para un total de 288 símbolos; los autores describen perfiles de respuesta distintos entre los modelos, no una correspondencia única entre símbolo y estrategia.
Las descripciones textuales de los símbolos no reprodujeron bien los efectos de las imágenes. La correlación entre ambos resultados fue −0,05 para Claude Opus 4.7, 0,31 para Gemini 3.1 Pro y 0,17 para GPT-5.4. Las imágenes de ruido gaussiano y las imágenes naturales de ImageNet tampoco aumentaron sistemáticamente la recursión. Barajar los píxeles o rotar las imágenes redujo notablemente la influencia observada.
Las explicaciones no siempre reflejaron la influencia visual
En Gemini 3.1 Pro, el 71,5 % de las trazas generadas cuando un símbolo sí influía en la conducta lo descartó erróneamente como irrelevante (n = 1.524). En los casos en que no hubo influencia, el 19,3 % de las trazas le atribuyó relevancia sin fundamento (n = 145). En GPT-5.4, el 74,7 % de las trazas de casos sin influencia afirmó que el símbolo había dictado la conducta; cuando sí hubo influencia, el 50,4 % la atribuyó correctamente. Claude Opus 4.7 no generó trazas de pensamiento en esta evaluación.
El artículo también probó imágenes insertadas sin una instrucción expresa de mirarlas. En esas condiciones, los cambios máximos en la probabilidad de recursión fueron +1,00 para Claude Opus 4.7, +0,60 para Gemini 3.1 Pro y +0,50 para GPT-5.4. Son resultados de esas pruebas, no una medida de lo que ocurre en cualquier uso del modelo.
Qué otras tareas incluyó el estudio
Los autores informaron resultados en cinco problemas adicionales de recursión frente a iteración, además de otras decisiones de programación, como elegir entre búsqueda en profundidad y en anchura o entre estructuras de datos. También probaron tareas de estilo de escritura y preferencias binarias.
Los autores describen las tareas como sintéticas y el estudio con personas como exploratorio: participaron siete personas. Cómo aparecen estos resultados en flujos de trabajo reales, incluidas las herramientas de programación, sigue siendo una cuestión abierta.
