2026년 10월 24일, 새로운 연구가 arXiv 플랫폼에 게재되었으며(논문 번호: arXiv:2610.30841v1) TRiAD—텍스트·이미지·오디오의 전모달에 대한 모호성 해소 능력을 전문적으로 평가하기 위해 설계된 최초의 벤치마크—를 제안했다. 이 연구의 핵심 목표는 다중모달 대규모 언어모델이 인간처럼 각 모달 간의 상호 보완적 단서를 통해 단일 모달에서는 규명할 수 없는 의미적 모호성을 해결할 수 있는지를 검증하는 데 있다.
TRIAD는 텍스트 문장, 이미지, 오디오로 구성된 각각의 샘플 하나에 대해 질문과 여러 개의 선택지가 함께 제공되는, 수작업으로 작성된 327개의 삼모달 샘플을 포함하며, 그 구성 원칙은 다음과 같다: 세 가지 모달이 모두 완전히 존재할 때만 정답이 유일하게 결정되며, 어느 한 모달을 제거하면 남은 정보와 모두 호환되는 여러 개의 선택지가 발생한다. 이 벤치마크는 86개의 시나리오 그룹과 18종의 교차 모달 모호성 유형을 포괄한다.
14개의 전모달 시스템에 대한 평가 결과, 단일 샘플 수준에서는 강력한 성능을 보이더라도, 시나리오 그룹 수준에서의 모호성 해소 능력은 여전히 인간에 크게 뒤처지는 것으로 나타났다—최우수 모델 그룹의 정확도는 인간보다 20%포인트 이상 낮았다. 객관식 선택지 제거(즉, 개방형 답변) 후에는 모델 그룹의 정확도가 한 자릿수로 더욱 하락한 반면, 인간의 성과는 안정적으로 유지되었다. 또한 역설적 분석에 따르면, 현재 시스템들은 텍스트와 이미지가 동시에 존재할 때 오디오 단서의 활용을 전반적으로 약화시키는 경향을 보였다.