ChatGPT Images 2.0 : points verts, artefacts… comment résoudre les bugs ?
Depuis la mise à jour de son module de génération d'images baptisé ChatGPT Images 2.0, OpenAI fait face à une vague de signalements de la part de ses utilisateurs : le modèle produit régulièrement des rendus visuellement corrompus. Les deux manifestations les plus fréquentes sont un bruit fractal envahissant, points verts, damiers hallucinatoires, micro-motifs répétitifs dans les zones complexes comme les feuillages ou les nuages, et un effet dit de "ghosting", où les contours d'une image générée précédemment dans la même conversation se superposent à la nouvelle création. Ainsi, un utilisateur qui demande successivement un vaisseau spatial puis une grenouille peut se retrouver avec les géométries du premier incrustées sur le visage du second. Ces bugs se manifestent surtout lorsqu'une image de référence est fournie, que le style demandé est précis (peinture numérique, rendu photoréaliste), ou que le prompt est particulièrement dense en détails.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Le Big Data. Lire l'article original →
L'impact est concret pour tous ceux qui utilisent ChatGPT comme outil de production visuelle : créatifs freelance, équipes marketing, illustrateurs ou développeurs intégrant la génération d'images dans leurs workflows. Une mise à jour censée enrichir les capacités créatives du modèle introduit en pratique une instabilité qui force des régénérations répétées, dégrade la fiabilité du service et soulève des questions sur le contrôle qualité d'OpenAI lors des déploiements. La frustration est d'autant plus grande que ChatGPT Images 2.0 apportait par ailleurs de réelles améliorations en termes de cohérence et de détail.
OpenAI n'a fourni aucune documentation officielle sur ces défaillances, mais la communauté technique a formulé trois hypothèses sur les causes profondes. La première pointe vers l'algorithme de filigrane invisible intégré aux images générées par IA à des fins d'authentification : dans les compositions complexes, cette grille de marquage ressortirait de manière visible. La deuxième tient au fonctionnement autorégressif du nouveau modèle, qui conserverait en mémoire l'ensemble des images générées dans une conversation et ne parviendrait plus à isoler ce qui doit être oublié entre deux requêtes. La troisième invoque un mécanisme d'upscaling défaillant : confronté à un prompt trop ambitieux, le modèle entrerait dans une boucle en reproduisant indéfiniment le même micro-motif pour remplir l'espace. En attendant un correctif officiel, la solution la plus efficace identifiée par les utilisateurs reste radicalement simple : démarrer une nouvelle conversation pour chaque image, afin d'effacer le contexte visuel accumulé.
Les créatifs freelance, équipes marketing et développeurs français et européens intégrant la génération d'images IA dans leurs workflows de production subissent une dégradation de fiabilité qui force des régénérations répétées et ralentit leur productivité.