第129問

ある開発者が、手書きのメモを撮影した画像から、ビジョン対応の生成AIモデル(マルチモーダルモデル)を使ってテキストを読み取るアプリを開発しています。テスト中、数字の「0」とアルファベットの「O」のように字形が似た文字が現れる場面がありましたが、モデルは前後の単語や文全体の流れをふまえて、多くの場合は正しい文字を選べていました。この「文脈をふまえて正しい文字を選ぶ」振る舞いの説明として、最も適切なものはどれですか。