Pesquisadores identificaram que sistemas baseados em Modelos de Linguagem e Visão (VLM) falham ao atender usuários cegos ou com baixa visão (BLV) em situações dinâmicas. O estudo, publicado no arXiv, aponta que essas ferramentas operam sob um viés de "visão padrão", assumindo que o usuário possui acesso visual paralelo ao ambiente, o que sobrecarrega a capacidade cognitiva dos indivíduos.
O problema do viés de visão
Segundo os autores do estudo, a maioria das soluções atuais, incluindo alternativas de tempo real como o Doubao, falha ao fornecer descrições excessivamente visuais. Ao ignorar que a percepção auditiva é sequencial, essas ferramentas inundam o usuário com dados que não são nem imediatos nem acionáveis. Enquanto arquiteturas de pedido-resposta, como a do BeMyAI, enfrentam problemas de latência proibitiva, os sistemas de tempo real pecam pela falta de adequação à forma como pessoas com deficiência visual processam informações no dia a dia.
Desenvolvimento do VIA-Agent
Para mitigar essas limitações, a equipe desenvolveu o VIA-Agent. O sistema baseia-se em três princípios fundamentais: continuidade, concisão e honestidade calibrada. O projeto combina um núcleo cognitivo especializado com uma arquitetura de Comunicação em Tempo Real (RTC) para permitir um fluxo de dados contínuo e bidirecional.
Resultados da avaliação
Em um estudo envolvendo nove participantes, o VIA-Agent demonstrou desempenho superior aos modelos convencionais:
- Redução de 21,4% no tempo médio de execução das tarefas, caindo de 116,7 segundos para 91,7 segundos.
- Diminuição de 5,9 para 4,3 turnos de conversação necessários para concluir interações.
- Manutenção da taxa de sucesso observada em soluções anteriores, com um nível de confiança mais elevado por parte dos usuários.
O que ainda não foi divulgado
O material técnico disponível não detalha a viabilidade comercial do VIA-Agent para integração em dispositivos portáteis de consumo em massa. Além disso, não foram especificados os requisitos de hardware necessários para manter a baixa latência em ambientes com conectividade de rede instável, fator crítico para a autonomia de usuários BLV em deslocamentos urbanos.
