一篇發表於arXiv的論文（arXiv:2607.11893）揭示了大語言模型（LLM）在處理盲文等無障礙關鍵模態時的嚴重不足。該研究由Abdullah Abdullah等人完成，已被ACL 2026的LTEDI研討會接收。儘管LLM在許多語言任務上表現優異，但在結構受限的盲文翻譯方面能力存疑。研究者使用人工標註的資料集，評估了多個最先進LLM在韓語-盲文雙向翻譯任務上的表現。結果令人震驚：所有測試的LLM均輸出質量低下且不穩定的結果，與人類判斷的吻合度極低。這表明當前的LLM缺乏針對盲文的特殊標記化機制，且韓語與盲文模式之間的對齊非常薄弱。
相比之下，研究團隊在同一資料集上對小型T5-small模型進行了監督微調。儘管T5-small規模遠小於當代LLM，但其在SacreBLEU、ChrF++、CER、BLEU、ROUGE-L、METEOR、CIDEr等所有標準指標上均取得了顯著且穩定的提升，大幅超越零樣本和提示式LLM基線。這一對比凸顯了針對性任務特定監督的有效性。
該研究的意義在於，它系統性地指出了當前LLM在無障礙技術應用中的侷限性。盲文作為視障人士的重要溝通媒介，其翻譯的準確性至關重要。然而，即使是經過多語言指令微調的模型也無法勝任。研究建議，未來的LLM開發應納入對盲文等特殊模態的感知處理，並考慮利用小規模但任務特定的微調來彌補現有缺陷。這項工作為AI無障礙研究提供了重要警示和改進方向。論文的引用資訊：arXiv:2607.11893，提交於2026年5月7日。