Le nouveau modèle Images 2.0 de ChatGPT est étonnamment efficace pour générer du texte

Autrefois, il était assez facile de faire la distinction entre les images créées par l’homme et celles générées par l’IA : il y a à peine deux ans, vous ne pouviez pas utiliser de modèles d’images pour créer un menu pour un restaurant mexicain sans inventer de nouveaux délices culinaires comme « enchuita », « churiros », « burrto » et « margartas ».

Désormais, lorsque je demande au tout nouveau modèle ChatGPT Images 2.0 un menu de plats mexicains, il crée quelque chose qui pourrait immédiatement être utilisé dans un restaurant sans que les clients ne remarquent que quelque chose ne va pas. (Cependant, un ceviche au prix de 13,50 $ pourrait me faire douter de la qualité du poisson.)

A titre de comparaison, voici le résultat que j’ai obtenu avec DALL-E 3 il y a deux ans (à l’époque, ChatGPT ne générait pas d’images) :

Les générateurs d’images d’IA ont toujours eu du mal à épeler car ils utilisaient généralement des modèles de diffusion, qui fonctionnent en reconstruisant les images à partir du bruit.

« Les modèles de diffusion (…) reconstruisent une entrée donnée », a déclaré Asmelash Teka Hadgu, fondateur et PDG de Lesan AI, à TechCrunch en 2024. « Nous pouvons supposer que les écritures sur une image ne représentent qu’une très, très petite partie, donc le générateur d’image apprend les motifs qui couvrent une plus grande partie de ces pixels. »

Les chercheurs ont depuis exploré d’autres mécanismes de génération d’images, comme les modèles autorégressifs, qui font des prédictions sur l’apparence d’une image et fonctionnent davantage comme un LLM.

Malheureusement, OpenAI a refusé de répondre à une question lors d’un point de presse cette semaine sur le type de modèle qui alimente ChatGPT Images 2.0.

La société a cependant expliqué que le nouveau modèle possède des « capacités de réflexion » qui lui permettent de rechercher sur le Web, de créer plusieurs images à partir d’une seule invite et de revérifier ses créations. Cela permet à Images 2.0 de créer des ressources marketing de différentes tailles, ainsi que des bandes dessinées à plusieurs panneaux.

OpenAI indique également qu’Images a une meilleure compréhension du rendu de texte non latin dans des langues comme le japonais, le coréen, l’hindi et le bengali. Les connaissances du modèle s’arrêteront en décembre 2025, ce qui pourrait avoir un impact sur la précision avec laquelle il peut générer certaines invites impliquant des actualités récentes.

« Images 2.0 apporte un niveau sans précédent de spécificité et de fidélité à la création d’images. Il peut non seulement conceptualiser des images plus sophistiquées, mais il donne également vie à cette vision de manière efficace, capable de suivre les instructions, de préserver les détails demandés et de restituer les éléments à grain fin qui brisent souvent les modèles d’image : petits textes, iconographie, éléments d’interface utilisateur, compositions denses et contraintes stylistiques subtiles, le tout à une résolution allant jusqu’à 2K », a déclaré OpenAI dans un communiqué de presse.

Ces capacités signifient que la génération d’images n’est pas aussi rapide que la saisie d’une question sur ChatGPT, mais générer quelque chose de complexe comme une bande dessinée à plusieurs panneaux ne prend que quelques minutes.

Tous les utilisateurs de ChatGPT et du Codex pourront accéder à Images 2.0 à partir de mardi ; les utilisateurs payants pourront générer des résultats plus avancés. La société rendra également disponible l’API gpt-image-2, dont le prix dépendra de la qualité et de la résolution des sorties.