研究表明，顶级AI模型如GPT-5和Gemini在处理“看得见但读不懂”的文字时表现不佳，缺乏符号分割与组合机制导致其无法理解人类易懂的文本。这一现象凸显了AI在教育和无障碍应用中的挑战，需重新审视视觉与文本的整合方式。

研究人员提出了TextHarmony，一个多模态生成模型，能够理解和生成视觉文本。通过Slide-LoRA的支持，TextHarmony在视觉文本理解和生成任务中都有显著提升。这项研究为视觉文本领域的集成方法提供了可行性。