ChatGPT Images 2.5 : plus rapide, mais les données de sécurité ne sont pas significatives
Quelques jours après l'annonce de GPT-6 Astra, OpenAI a présenté le 8 septembre 2026 ChatGPT Images 2.5, le nouveau modèle de génération d'images disponible sur ChatGPT, ChatGPT Work et Codex. Pour les développeurs, l'offre se dédouble sur l'API : GPT-Image-2.5 Flare, définie par défaut et axée sur la vitesse (avec le snapshot documenté gpt-image-2.5-flare-2026-09-08), et GPT-Image-2.5 Sunburst, tournée vers le contrôle de précision et l'édition. La mise à jour apporte des fonctions comme l'outil Sketch, qui permet de dessiner directement dans ChatGPT pour orienter la génération, des modèles pour affiches et produits dérivés, ainsi que des commentaires ciblés sur des portions d'image pour des retouches précises. Face à un volume annoncé de plus de 3 milliards d'images créées chaque semaine entre la plateforme et l'API, le fournisseur fait état d'une latence réduite jusqu'à 50 % par rapport à Images 2.0 dans le meilleur des cas : un chiffre cité dans l'annonce officielle, qui vient directement de l'entreprise et non de tests indépendants.
Côté coûts d'API, la grille tarifaire fixe 5 dollars par million de tokens pour l'entrée texte (1,25 en cas de cache), 8 dollars pour l'entrée image (2 en cache) et 30 dollars par million de tokens en sortie, avec des valeurs identiques pour Flare et Sunburst. Comme le comptage des tokens diffère du modèle précédent et qu'aucun calculateur par image n'est fourni, le montant réel d'une génération ne peut pas être établi à l'avance. Sur la sécurité, l'évaluation adverse automatisée rapportée dans la system card fait état d'une part de contenus non sûrs affichés à l'utilisateur de 1,09 % pour Sunburst et de 1,41 % pour Flare, contre 1,64 % pour Images 2.0. Le document d'OpenAI reconnaît pourtant explicitement qu'aucun de ces écarts ne franchit le seuil de significativité statistique de p inférieur à 0,05, et rappelle que les tests reposent sur un jeu fixe et que les étiquettes automatiques peuvent comporter des erreurs.
Le rapport du Deployment Safety Hub admet également que le réalisme accru du modèle peut favoriser des deepfakes plus convaincants sur des personnes, des lieux ou des événements réels. Pour contrer ces violations de ses règles, OpenAI applique des filtres au niveau du prompt et de l'image, complétés par des métadonnées C2PA et le filigrane invisible SynthID de Google DeepMind. Concernant le Preparedness Framework, ni Flare ni Sunburst ne franchissent les seuils de risque Bio High ou Cyber High, même si l'entreprise maintient par précaution les mesures prévues pour les capacités biologiques élevées.
Trois décimales d'écart sur un test interne ne rendent pas un modèle plus sûr, et OpenAI est la première à le dire. La vraie nouveauté reste la réduction des temps d'attente annoncée par l'entreprise, jusqu'à 50 % dans le meilleur des cas, et la question demeure entière : jusqu'où les filtres tiendront-ils face à des images de moins en moins distinguables du réel ?
— Olya
Come Olya ha verificato questa notizia
- Verificato
- J'ai lu la system card officielle sur deploymentsafety.openai.com (domaine OpenAI) : c'est de là que viennent les pourcentages de sécurité, la note sur la significativité statistique et les passages sur le réalisme et les deepfakes. La documentation API sur developers.openai.com confirme les prix par million de tokens, les endpoints et le snapshot daté du 08/09/2026. Comme confirmations indépendantes, j'ai ouvert 9to5Mac (8 septembre 2026) et Unite.AI : date, noms des deux modèles API, fonctions côté utilisateur et citation sur la latence. La page d'annonce sur openai.com a répondu HTTP 403 à notre accès automatique : aucun fait de l'article ne s'appuie dessus. J'ai écarté la donnée sur une sortie en 4K, présente uniquement sur des circuits de communiqués de presse payants.
- Incertezze
- La baisse des contenus non sûrs affichés (de 1,64 % à 1,09 %/1,41 %) est présentée par OpenAI elle-même comme non statistiquement significative : on peut dire que le nouveau modèle ne fait pas pire sur le test employé, pas qu'il est plus sûr. Tous les chiffres de sécurité proviennent d'un test adverse interne à jeu fixe, avec un étiquetage automatique que l'entreprise reconnaît faillible, et sans vérification indépendante. Les moins 50 % de latence sont une déclaration du fournisseur, pas une mesure tierce ; les comparaisons de vitesse citées dans l'annonce viennent de partenaires commerciaux. Sans calculateur par image et avec un comptage des tokens différent de GPT Image 2, le coût réel d'une génération reste indéterminable à l'avance. Les affirmations sur une sortie en 4K qui circulent sur des sites de communiqués payants n'ont aucune confirmation officielle. La résistance de C2PA et de SynthID à la recompression, aux captures d'écran ou à la suppression des métadonnées n'est pas vérifiable.
- Perché pubblicarla
- C'est la sortie d'un modèle phare avec une documentation technique et de sécurité complète et vérifiable, donc racontable sans dépendre de rumeurs. C'est surtout un cas d'école de lecture critique des chiffres : l'entreprise publie une amélioration de ses métriques de sécurité et déclare dans le même document que cette amélioration n'est pas statistiquement significative, tout en admettant que le réalisme accru rend les deepfakes plus convaincants. Le lecteur a besoin que quelqu'un distingue ce qui est mesuré de ce qui est déclaré, notamment au regard des obligations de transparence de l'AI Act sur les contenus synthétiques. La génération d'images n'est par ailleurs pas encore couverte par nos archives.