Technologie
Un modèle multimodal peut lire plusieurs formats, comme le texte et les images. Dans un rapport, il peut examiner un paragraphe et le graphique qui l’accompagne. Les formats réellement pris en charge dépendent de l’outil.
Comprendre le mécanisme
Un modèle multimodal reçoit plusieurs formats, comme du texte et une image. Un traitement prépare chaque format avant le calcul de la réponse. Certains modèles acceptent aussi le son et la vidéo.
Une équipe pourrait créer un graphique fictif et demander quel mois atteint la plus forte valeur. Elle comparerait la réponse avec les chiffres écrits sur le graphique. Un second essai utiliserait une image moins nette pour repérer ce que le modèle ne lit plus correctement.
Accepter une image en entrée ne signifie pas pouvoir créer une image en sortie. Les capacités doivent être examinées pour chaque format.
Dans un projet
Une personne peut fournir un rapport comportant du texte et des graphiques. Un outil compatible peut examiner ces formats pour préparer une synthèse. Il faut conserver les pages d’origine afin de vérifier les valeurs et leur interprétation.
Exemple fictif. Il illustre un usage, sans résultat mesuré.
Vérifiez les formats acceptés, la lecture des petits caractères et la correspondance entre la réponse et les pages citées.
Texte seulement
Le modèle utilise les informations écrites que vous lui donnez.
Texte + image
Un modèle multimodal peut examiner une image, selon ses capacités.
Par exemple, un graphique peut contenir des chiffres qui ne figurent pas dans les paragraphes du document.
Illustration du principe. Les fonctions disponibles dépendent de l’outil et de vos accès.
Articles 21 - 30 sur 49. Les mots-clés, les dates et les conditions d’accès vous aident à choisir.
L’essentiel
Siri AI s’étend au français et à quatre autres langues. La bêta reste indisponible dans l’Union européenne sur iPhone, iPad et Apple Watch.
Source vérifiée le
L’essentiel
L’API (interface de communication entre logiciels) accepte désormais les zones de retouche avec Ultra et sous conservation nulle, mais ces deux options ne fonctionnent pas ensemble avec une image.
Source vérifiée le
L’essentiel
Hi3D publie le code d’inférence d’un modèle de raffinement géométrique. Il détaille une forme existante à partir d’une image du même objet.
Source vérifiée le
L’essentiel
L’équipe WeChat Vision de Tencent présente un modèle qui relie une consigne aux objets et à leurs pixels. Il rassemble localisation, comptage, lecture de texte et détourage.
Source vérifiée le
L’essentiel
Decider for Mac fait tourner localement le modèle de décision pplx-decider-flash-v1.2. Il classe du texte ou des images et renvoie une probabilité par une API (interface de communication entre logiciels) locale.
Source vérifiée le
L’essentiel
Hugging Face fait évoluer sa bibliothèque de génération. Diffusers 0.42 ajoute plusieurs intégrations et modifie les prérequis des workflows personnalisés.
Source vérifiée le
L’essentiel
OpenAI rend Decisions API (interface de communication entre logiciels) généralement disponible avec GPT-6 Luna. L’interface évalue des éléments fournis par une application et renvoie une probabilité, un choix ou un score. Elle accepte désormais jusqu’à 400 questions indépendantes par requête, des images propres à chaque question et des données JSON structurées.
Source vérifiée le
L’essentiel
L’équipe GameScaling, qui associe miHoYo, Tsinghua et plusieurs universités, publie une étude sur l’apprentissage d’agents dans des jeux vidéo. Elle fait varier la taille des modèles, les heures de jeu et le mélange des environnements. Les résultats montrent surtout des progrès dans les mondes proches de l’entraînement, avec un rôle décisif du temps de réponse.
Source vérifiée le
L’essentiel
Canva lance son premier modèle d’image dans Dream Lab. Craft prépare les éléments, leur disposition et le texte avant le rendu, avec une API (interface de communication entre logiciels) encore en préversion.
Source vérifiée le
L’essentiel
KDDI développe au Japon un agent qui aide un opérateur à traiter les alertes de plusieurs véhicules autonomes. Il analyse les images et les données des véhicules arrêtés, actualise leur priorité et propose une réponse expliquée. Des essais simulés sont prévus en novembre 2026, avant une mise en œuvre visée à partir de 2027.
Source vérifiée le
