視覚基盤モデルは一般に、静的な特徴抽出器として学習される。画像を固定の表現に符号化し、タスクへの適応という負担は下流の大規模モデルに委ねるという分業である。この構成は計算資源が十分な場合には有効だが、同じ視覚エンコーダがどのタスクに対しても同じ特徴を出力するため、下流モデルは汎用的な表現から「今のタスクで本当に見るべき情報」を自力で推測しなければならない。
Chengzhi Mao ら 3 名による論文「Language-Instructed Vision Embeddings for Controllable and Generalizable Perception」は、別のパラダイムを提示する。視覚特徴を一方向に言語モデルへ入力するのではなく、言語そのものを用いて視覚エンコーダを動的に導くのである。著者らはこの手法を LIVE（Language-Instructed Vision Embeddings）と名付け、言語を高次のガイダンスとして位置づけ、推論段階でタスク中心の埋め込みを直接生成する。
この設計の直接的な利点は、新しいタスクごとに再学習する必要がなくなることだ。言語指示それ自体がタスクの説明となり、エンコーダはそれに従って入力のうち文脈的に関連する側面へ注意を向け、目的に沿った表現を出力する。著者らはこうして得られる表現を、より制御可能で汎化しやすい特徴と位置づけている。
概要で示される実験結果はこの主張を裏づける。MMVP ベンチマークでは視覚的幻覚の問題を 34 ポイント改善し、視覚質問応答では桁違いにパラメータ数の多い視覚言語モデルを上回った。さらに、学習時に見ていない指示やタスクにも汎化するという。
より広い文脈では、本研究は指示によって駆動される適応的な視覚知能への道筋を示している。視覚知覚は固定された前処理ではなく、言語指示に応じてその場で調整される処理になる。論文は ICLR 2026 の会議論文として採録され、2026 年 6 月 17 日に arXiv（2606.19584、cs.CV 領域）へ投稿された。