Journal de 17 h · 1er novembre

MMarc

Adobe Research et l’UC San Diego ont développé EditAgent, un système qui décompose les demandes de retouche en étapes et associe un éditeur généraliste à des outils spécialisés, selon The Decoder. Ces outils peuvent, par exemple, accentuer la netteté ou zoomer sur une zone précise. Il compare ensuite les résultats obtenus pour sélectionner une variante. Lors d’un test de 600 retouches évaluées à l’aveugle par 5 professionnels, l’éditeur généraliste Flux-2-Klein-9B n’a pas produit de résultat exploitable dans 42,7 % des cas. Des outils spécialisés ont résolu environ deux tiers de ces échecs. Le test montre donc que ces outils peuvent compléter l’éditeur généraliste dans certains cas où celui-ci échoue. Dans les comparaisons où les professionnels ont exprimé une préférence, ils ont choisi dans 78,5 % des cas des variantes générées en parallèle à partir de l’image originale, plutôt qu’un affinage itératif. Ce résultat décrit leur préférence dans ces comparaisons, et non une règle valable pour toutes les retouches. EditAgent fait comparer les variantes par un modèle de langage standard, à partir de données mesurées, d’une carte des zones modifiées et de recadrages détaillés. Ces éléments lui donnent plusieurs indications pour évaluer les résultats. Le système obtient de meilleurs résultats que des agents antérieurs, mais nécessite environ 10 fois plus de calcul. Les essais ne permettent donc pas, à eux seuls, de conclure que ce coût serait adapté à tous les usages. Les résultats vérifiés par EditAgent pourraient servir à entraîner des modèles d’édition plus rapides. Cette piste reste une possibilité : le fait que ces résultats soient vérifiés ne signifie pas que de nouveaux modèles ont déjà été entraînés avec eux.

MMarc

Vals AI précise que ses questions politiques ciblées ne représentent pas nécessairement les demandes habituelles des utilisateurs et que les résultats ne se transposent pas forcément aux chatbots grand public, selon Brief IA. L’entreprise estime aussi que les tendances politiques sont plus difficiles à détecter dans des tâches de travail réalistes. La portée des résultats en situation quotidienne reste donc incertaine. L’évaluation reposait sur des questions traduites avec GPT-6 Astra, puis vérifiées, et sur des réponses notées automatiquement par GPT-5.6 Luna. Les refus de répondre étaient comptés comme neutres ; cette méthode pourrait masquer le comportement de modèles qui refusent souvent ces questions. Une partie des modèles chinois a aussi été testée par l’intermédiaire de prestataires tiers plutôt que via les services officiels. Ce résultat ne suffit pas à établir que ces ajustements produiraient le même effet dans les usages courants.