Một nghiên cứu công bố trên arXiv ngày 31 tháng 10 năm 2026 (mã số arXiv:2610.37867) cho thấy các biểu diễn thị giác trong AI hiện nay chưa phản ánh chính xác độ tương đồng thực sự của món ăn, đặc biệt trong các nền ẩm thực phức tạp như Ấn Độ.
Nhóm tác giả đã sử dụng phiên bản mở rộng của tập dữ liệu Khana cùng 7 mô hình thị giác tiền huấn luyện khác nhau, bao gồm các kiến trúc mạng tích chập (CNN), transformer, mô hình tự giám sát (self-supervised) và mô hình căn chỉnh văn bản - hình ảnh (vision-language). Mục tiêu của nghiên cứu là đánh giá cách các mô hình này tổ chức không gian biểu diễn cho các tác vụ truy xuất ảnh sang ảnh (image-to-image) và gom cụm hình ảnh theo món ăn (image-to-dish).
Ẩm thực Ấn Độ được nhóm nghiên cứu chọn làm trường hợp thử nghiệm điển hình vì đặc thù phức tạp: nhiều món ăn có hình thức bên ngoài rất giống nhau nhưng thuộc các trường phái ẩm thực khác biệt, trong khi các món cùng một nhóm ẩm thực lại có thể mang hình thức chế biến rất đa dạng. Báo cáo chỉ ra rằng ở cấp độ từng hình ảnh riêng lẻ, các cụm lân cận (neighborhoods) thay đổi rất lớn tùy thuộc vào kiến trúc mô hình, thậm chí thường xuyên gộp nhầm các món nằm ngoài ranh giới nhóm ẩm thực gốc.
Khi tổng hợp các biểu diễn thị giác lên cấp độ món ăn, các mô hình bắt đầu bộc lộ cấu trúc thị giác chung nhất định. Tuy nhiên, cấu trúc thị giác này lại có độ tương đồng rất thấp khi đối chiếu với dữ liệu tương đồng rút ra từ công thức nấu ăn thực tế của chính các món đó.
Theo nhóm tác giả, kết quả này chứng minh rằng việc chỉ đánh giá độ chính xác nhận diện đơn thuần (identity preservation) là không đủ để hiểu cách AI học cấu trúc quan hệ giữa các món ăn. Độ tương đồng ẩm thực trong hệ thống máy tính phụ thuộc chặt chẽ vào phương pháp biểu diễn, phương thức dữ liệu và mức độ trừu tượng, thay vì là một thuộc tính cố định. Nghiên cứu nhấn mạnh việc hiểu rõ các giới hạn này là tiền đề cần thiết trước khi kết hợp nhiều nguồn dữ liệu ẩm thực vào các ứng dụng gợi ý và tìm kiếm món ăn.