Avec « 4o Image generation », OpenAI nous remet (enfin) une claque

Publié le 27 mars 2025

• Actualités

Écouter une version audio de cet article

Une technologie multimodale qui mise sur la conversation

Cette nouvelle mouture mise sur un concept clé : un entraînement qui englobe simultanément texte et image, au lieu de se concentrer sur l’un ou l’autre. Autrement dit, GPT‑4o “comprend” à la fois les légendes descriptives, la structure linguistique et les caractéristiques visuelles qu’il doit générer. Là où ses prédécesseurs comme Dall-e 3 avaient déjà fait un pas vers la précision contextuelle, GPT‑4o pousse plus loin l’idée en restant dans un environnement où le texte n’est pas juste un prompt isolé, mais bien un échange continu.

Concrètement, on peut formuler un premier brief : “Fais-moi une affiche vintage pour un café bio en centre-ville, avec des teintes sépia et un slogan en haut de l’image”. L’IA produit alors un visuel. Ensuite, si on constate que la couleur du texte n’est pas assez lisible ou qu’on veut ajouter une petite illustration de tasse de café au milieu, on le lui dit directement. GPT‑4o, grâce à son modèle multimodal, comprend les références et retouche en tenant compte du contexte accumulé.

C’est ce qu’on appelle la “conversation multi-tour” : on n’est pas obligé de tout décrire en une fois ; on peut revenir plusieurs fois à la charge. Le modèle se souvient de ce qu’il a fait, il sait qui sont les personnages qu’il a déjà dessinés, quelles couleurs ont été utilisées, et peut même réutiliser des éléments d’un prompt précédent.

Mieux encore, sa base de connaissances encyclopédiques entre en jeu : on peut citer des lieux, des œuvres, des styles artistiques, et GPT‑4o va tenter de les reproduire ou de s’en inspirer. Dans un usage éducatif, on peut lui demander de “transformer le schéma de Newton sur le prisme en illustration enfantine avec des bulles de texte explicatives”, et il essaiera de nous livrer quelque chose de suffisamment clair et lisible pour un jeune public. Certes, cela reste parfois imparfait ou approximatif, mais on a clairement dépassé le stade où les images issues de l’IA étaient juste de jolies curiosités.

Ce n’est pas parfait (loin de là), mais c’est très prometteur

Le premier gros avantage de GPT‑4o, c’est que tout le monde peut s’y mettre immédiatement. C’est un peu l’“IA clé en main” : on ouvre ChatGPT, on commence à taper un prompt en français, on obtient un visuel à retravailler, et on continue à peaufiner. Sur ce point, c’est beaucoup plus ergonomique que de passer par un serveur Discord façon Midjourney, où il faut déjà savoir quels slash-commands taper (ok, j’exagère car depuis plusieurs mois ce n’est plus le cas), ou que d’aller sur un autre site pour utiliser Dall-e avec des prompts complexes. Et puis, GPT‑4o gère beaucoup mieux le texte dans l’image : finis (ou presque) les lettrages déformés et incompréhensibles, c’est plus cohérent pour créer des affiches, des menus ou des panneaux signalétiques. Mais soyons honnêtes : ce n’est pas encore parfait, loin de là ! Mais on avance.

En outre, sa puissance encyclopédique se ressent quand on veut donner un contexte culturel ou historique : il sait réutiliser des références, intégrer des détails liés à une époque ou à un lieu précis, ce qui peut être crucial pour la création de visuels documentaires ou pédagogiques.

Cependant, il n’est pas encore parfait et on le voit clairement. D’abord, la qualité artistique pure n’est pas toujours au niveau de Midjourney, qui reste la référence incontestée pour les rendus “wow”. Les textures ultra-réalistes, les lumières chatoyantes ou les détails complexes peuvent parfois être moins aboutis dans GPT‑4o.

En plus, il a cette manie de rognage, où il coupe un petit bout en bas ou sur les côtés, surtout sur des formats longs ou des visuels très chargés. Il peut aussi halluciner des objets ou en modifier d’autres alors qu’on ne lui a rien demandé. Parfois, quand on dépasse 10 ou 15 éléments distincts dans le prompt, il se met à confondre les couleurs, les positions, voire à inventer de nouveaux objets. Difficile aussi de lui faire rendre des textes non latins (japonais, chinois, russe) sans erreurs: ça peut devenir un joyeux bazar de caractères inexacts.

Et la retouche sélective demeure aléatoire : dire “change seulement la couleur du t-shirt” peut aboutir à des modifications sur la coiffure, le décor, ou encore d’autres détails non sollicités. Bref, même s’il y a un gain énorme en souplesse par rapport aux générations d’images précédentes, on ne peut pas encore se reposer aveuglément sur GPT‑4o pour tout ce qui requiert une précision chirurgicale ou un esthétisme haut de gamme.