← Retour au blog
AiEnviron 9 min de lecture

Détection d’images IA : Pangram annonce 99,2 %, et un test vidéo à 98,7 %

Publié le 11 nov. 2026
Détection d’images IA : Pangram annonce 99,2 %, et un test vidéo à 98,7 %

Pangram a livré deux modèles de vision par ordinateur le 4 novembre. Pangram Image 1.0 détecte les images générées par IA. Pangram Image Flash 1.0 est le petit frère, plus rapide, chargé de parcourir image par image une vidéo générée et de dire quelles parties viennent d’un générateur.

Le lancement ajoute une sortie en carte de chaleur, l’import vidéo natif, une extension Chrome et un accès API pour l’image comme pour la vidéo. Sur X, l’entreprise indique qu’Image 1.0 identifie 99,2 % des images générées par IA avec un taux de faux positifs de 0,27 %.

Ces deux chiffres sont du genre qu’on met sur une diapositive. C’est aussi le genre dont il faut lire la note de bas de page.

Comment les 99,96 % ont été mesurés

Pour l’évaluation image, Pangram a pris 100 photographies réelles et en a créé des répliques synthétiques avec 12 générateurs différents. Les prompts étaient rédigés pour coller de près à chaque photo d’origine, produisant 1 200 images synthétiques. Sur cet ensemble, l’entreprise annonce 99,96 % d’exactitude pour Image 1.0.

C’est un test bien conçu pour une question précise. Chaque photo réelle ayant un équivalent synthétique de la même scène et du même sujet, le modèle ne peut pas tricher en apprenant que les photos de plage sont vraies et les photos de produit fausses. Il doit regarder les pixels.

Ce n’est pas un test de ce qui se passe quand on lâche le modèle sur l’internet ouvert. Pangram le dit franchement : le chiffre décrit la performance sur cet appariement ciblé d’images réelles et synthétiques, pas un taux d’exactitude universel pour toute image rencontrée en ligne.

La distinction compte plus qu’elle n’en a l’air. Le profil d’erreur réel d’un détecteur est dominé par les images auxquelles personne n’a pensé pour le jeu de test : captures d’écran de captures d’écran, images passées par trois messageries, vieux JPEG, scans d’imprimés, tout ce qui porte une bande de filigrane, et les sorties des générateurs parus après la constitution du jeu de test. Un ensemble propre de 100 photos en miroir ne mesure rien de tout cela.

Le taux de faux positifs de 0,27 % est le plus intéressant des deux chiffres vedettes, parce que ce sont les faux positifs qui font accuser les gens. À 0,27 %, environ une image réelle sur 370 est signalée. Pour une rédaction qui vérifie quelques photos par jour, c’est une file de relecture gérable. Pour une plateforme qui scanne cent millions d’envois, cela fait un quart de million d’utilisateurs accusés à tort, et c’est pourquoi personne à cette échelle ne s’appuie sur un seul classifieur.

Le chiffre vidéo est celui qui inquiète

C’est sur le benchmark vidéo que cette sortie devient gênante.

Pangram a évalué Flash 1.0 avec DF26, un benchmark décrit dans une prépublication soumise le 7 septembre 2026. DF26 contient 271 vidéos réelles et 2 420 synthétiques produites par sept modèles vidéo modernes. Le contenu est volontairement étroit et volontairement difficile : une personne qui parle face caméra, des déclarations officielles, des interviews en studio. C’est le format d’hypertrucage qui cause réellement des dégâts, parce que c’est celui où l’hypothèse par défaut du spectateur est que la personne est réelle.

Les auteurs du benchmark indiquent que les humains comme les meilleurs détecteurs d’hypertrucages y obtiennent des résultats proches du hasard. Ils plaident pour des évaluations qui testent explicitement la robustesse aux décalages de distribution des générateurs modernes.

Ce résultat mérite qu’on s’y arrête. Proche du hasard signifie un tirage au sort avec des étapes en plus. Les détecteurs sont bien construits. Ils ont été entraînés et évalués sur une génération plus ancienne de faux, et les générateurs récents ne laissent pas les mêmes artefacts. Un détecteur qui a appris à repérer les déformations autour de la mâchoire ne sert à rien quand la mâchoire ne se déforme plus.

Pangram annonce 98,7 % pour Flash 1.0 sur DF26, soit 29 points de plus que le meilleur détecteur suivant. Si cela tient à une réplication indépendante, c’est un écart considérable sur un benchmark conçu pour casser la génération précédente d’outils. C’est aussi un chiffre déclaré par l’entreprise sur un benchmark qu’elle a choisi, évalué avec son propre banc. La position honnête est donc : prometteur, non vérifié.

Ce que fait réellement le produit

La liste des fonctions est plus informative que le marketing.

La carte de chaleur localise la matière synthétique dans une image. C’est la capacité qui compte pour le cas réel courant, qui n’est pas une image entièrement générée mais une photographie réelle avec un élément généré inséré, ou une image réelle recouverte d’une zone générée. Une étiquette oui/non est inutilisable là. Une carte de chaleur dit au rédacteur où regarder.

L’import vidéo natif lance l’analyse image par image dans le tableau de bord et identifie les portions de la vidéo signalées. Pour un clip de deux minutes, cela produit une chronologie du doute plutôt qu’un verdict, ce qui est la bonne sortie pour un relecteur humain.

L’extension Chrome signale les contenus générés par IA sur les réseaux sociaux, les sites de commerce et les sites de location. Cette dernière catégorie est celle qui coûte de l’argent aux gens. Les photos d’annonces locatives sont un endroit classique où une image générée coûte de l’argent réel à quelqu’un.

Ce qui a changé depuis la préversion de juillet

La préversion de recherche du 29 juillet 2026 n’acceptait que les images de 512 par 512 pixels ou plus, et listait explicitement les hypertrucages et les échanges de visages parmi les cas qu’elle ne détectait pas avec assurance. C’était une limite honnête, et c’était aussi un trou béant, puisque les échanges de visages sont le cas nuisible le plus courant.

La version 1.0 revendique de meilleures performances sur les hypertrucages, les images basse résolution et les modèles de génération de pointe. L’entrée minimale est désormais 256 par 256, avec un avertissement de confiance réduite en dessous de 512. L’entreprise dit avoir entraîné le nouveau modèle à détecter les transformations comme la compression, la réduction d’échelle, le flou et le bruit, qu’elles viennent des plateformes ou d’acteurs cherchant à échapper à la détection.

Cette dernière phrase porte beaucoup. La plupart des images IA du monde réel vous arrivent après recompression par au moins une plateforme. Un détecteur qui ne fonctionne que sur des PNG intacts est un instrument de laboratoire.

L’accès s’est aussi élargi. En préversion, l’API image était sur invitation et l’entrée vidéo du tableau de bord était annoncée pour plus tard. Aujourd’hui, les deux existent.

Le problème structurel que personne n’a résolu

La détection est un problème de classification où un camp peut itérer. Chaque amélioration d’un générateur décale la distribution des artefacts, et chaque détecteur entraîné sur l’ancienne distribution perd en exactitude. Les défenseurs doivent gagner en continu. Les attaquants n’ont besoin de gagner qu’une fois, sur l’image qui compte.

C’est cet écart que des normes de provenance comme C2PA ont été conçues pour combler. Une signature cryptographique sur une capture d’appareil est un type d’affirmation différent d’une estimation statistique sur des pixels. La signature peut être retirée, mais quand elle est présente, ce n’est pas une probabilité.

Les deux approches sont complémentaires, pas concurrentes. La provenance répond à « savons-nous d’où cela vient ». La détection répond à « cela a-t-il l’air généré ». Une rédaction veut les deux, une plateforme veut les deux, et aucune ne suffit.

Le discours de Pangram revient à dire que la détection n’est pas un problème résolu et que quelqu’un devrait la vendre comme produit avec cartes de chaleur et API, plutôt que comme démonstration de recherche. C’est une activité raisonnable. Les 99,2 % leur ouvriront des rendez-vous. Les 98,7 % sur DF26 sont ce sur quoi on devrait les interroger, en détail, avec le banc de test et un générateur récent.

Une note pratique pour les utilisateurs

Si un détecteur vous dit qu’une image est générée par IA, vous avez une piste. S’il vous dit qu’une image est réelle, vous n’avez rien. Cette asymétrie est inscrite dans le problème, et aucun chiffre d’exactitude ne la change. Le taux de faux positifs de 0,27 % indique à quelle fréquence l’outil vous mettra dans l’embarras dans un sens. Rien dans l’annonce ne dit à quelle fréquence il rate un bon faux, et ce chiffre est toujours pire.

Utilisez-le donc comme outil de tri, conservez la carte de chaleur, journalisez la version du modèle à côté du verdict, et prévoyez de refaire votre évaluation à chaque sortie d’un générateur majeur. La demi-vie de l’exactitude d’un détecteur se compte en mois.

Articles associés