99,2 % d'images synthétiques détectées : les résultats annoncés par Pangram Image 1.0

Pangram déploie deux modèles de détection d'images et de vidéos générées par IA, avec une extension Chrome et une analyse visuelle des contenus suspects.

Une photographie authentique peut contenir un élément entièrement généré par intelligence artificielle. Une vidéo synthétique peut reprendre le premier plan d'un enregistrement réel, puis reproduire les mêmes mouvements et le même environnement. Ces contenus hybrides compliquent la distinction entre images capturées et images fabriquées. Pour les identifier, Pangram lance deux nouveaux modèles de détection capables d'analyser les photographies, de localiser les régions suspectes et d'examiner les vidéos image par image.

Déjà spécialisée dans la reconnaissance de textes générés par IA, l'entreprise américaine étend son activité avec Pangram Image 1.0 et sa déclinaison plus légère, Image Flash 1.0. Selon les résultats publiés le 4 novembre 2026, le premier détecte 99,2 % des images synthétiques dans les conditions d'évaluation retenues, avec un taux de faux positifs de 0,27 %. Autrement dit, environ 27 photographies authentiques sur 10 000 seraient incorrectement classées comme générées par IA dans ce cadre de test.

Ces résultats sont communiqués par Pangram et n'ont pas encore fait l'objet d'une reproduction indépendante documentée. Repérer les modifications dans une photographie réelle

L'une des nouveautés les plus concrètes concerne la localisation des éléments générés. Plutôt que de fournir uniquement une classification globale, le détecteur peut afficher une carte thermique indiquant les régions présentant des caractéristiques associées à une génération artificielle.

Une photographie de restaurant contenant une fresque murale créée par IA sert notamment d'exemple dans la démonstration officielle. Le système met en évidence la zone suspecte, tout en distinguant le reste de la scène photographiée.

Cette fonction répond à un problème particulier : une image n'est pas nécessairement entièrement réelle ou synthétique. Des outils de retouche générative peuvent modifier un objet, remplacer un arrière-plan ou ajouter des éléments tout en conservant la majorité de la photographie originale.

La capacité à localiser les interventions pourrait intéresser les équipes chargées de vérifier des contenus visuels, mais la carte thermique reste une estimation du modèle. Elle ne constitue pas une preuve irréfutable qu'une région précise a été générée.

Le détecteur a également été entraîné pour mieux résister aux transformations courantes sur Internet. Compression, réduction de définition, flou et ajout de bruit peuvent modifier les caractéristiques utilisées pour reconnaître une image synthétique. Ces transformations interviennent aussi bien lors de publications sur les réseaux sociaux que dans les tentatives délibérées de contourner un système de détection.

Depuis sa première version expérimentale publiée en juillet, la taille minimale des images acceptées est passée de 512 × 512 à 256 × 256. En dessous de 512 × 512, les résultats sont accompagnés d'un avertissement signalant une fiabilité réduite. Des images synthétiques construites à partir de photographies réelles

Pour évaluer son modèle, Pangram a constitué un jeu d'essai à partir de 100 photographies authentiques. Douze générateurs d'images récents ont ensuite produit 1 200 versions synthétiques, à l'aide de descriptions cherchant à reproduire fidèlement les scènes originales.

Sur cet ensemble, l'entreprise rapporte une exactitude de 99,96 %. Ce chiffre diffère du taux de détection de 99,2 % annoncé pour le produit : les deux mesures correspondent à des évaluations et à des indicateurs distincts, qui ne doivent pas être confondus.

Le protocole présente un intérêt particulier puisqu'il évite de comparer uniquement des images réelles et artificielles représentant des sujets totalement différents. En reproduisant les mêmes scènes, les chercheurs cherchent à réduire le risque que le détecteur s'appuie sur des différences de contenu plutôt que sur les caractéristiques de génération.

Les résultats sont aussi comparés à plusieurs jeux d'évaluation universitaires, dont X-AIGD, Mirage-Test, AIGenImages2026 et Synthbuster. Les performances présentées placent le modèle devant plusieurs solutions concurrentes, mais ces comparaisons restent réalisées et publiées par Pangram.

L'exactitude obtenue sur un ensemble de photographies construit pour l'évaluation ne garantit pas des performances identiques sur toutes les images diffusées en ligne. Les nouveaux modèles génératifs, les retouches complexes et les traitements photographiques peuvent modifier les conditions de détection. Un modèle plus léger pour examiner les vidéos

L'analyse vidéo constitue le second volet de cette mise à jour. Avec Image Flash 1.0, Pangram introduit un modèle plus rapide, conçu pour examiner successivement les images d'une séquence et identifier les passages susceptibles d'avoir été générés ou modifiés.

Pour ses comparaisons commerciales, l'entreprise a sélectionné 129 vidéos authentiques issues des réseaux sociaux. Quatorze générateurs ont ensuite produit 1 400 vidéos artificielles, en utilisant le premier plan réel et une description de la scène comme références.

L'évaluation porte ainsi sur 1 529 vidéos. Pangram annonce une exactitude de 98,57 % pour Image Flash 1.0, contre 84,2 % pour le concurrent le mieux classé dans sa comparaison. La méthode vise à confronter les détecteurs à des séquences partageant des sujets et des compositions proches.

Le résultat doit néanmoins être interprété avec prudence. Les vidéos artificielles sont beaucoup plus nombreuses que les vidéos authentiques dans cet ensemble. Sans examen détaillé des erreurs par catégorie, un score global ne suffit pas à déterminer la fréquence à laquelle des vidéos réelles seraient incorrectement signalées.

Un autre résultat concerne DF26, un benchmark universitaire consacré aux vidéos synthétiques. Le modèle obtient, selon Pangram, un score de 98,7 %, soit environ 29 points au-dessus du meilleur système de référence cité.

Cette comparaison nécessite une précaution supplémentaire : les évaluations scientifiques de DF26 utilisent notamment