Frontières des éléments de preuve : une observation n’est pas une vérification
Le résultat d’un modèle est une hypothèse visuelle sur les pixels. Les métadonnées sont extraites du fichier envoyé. La provenance cryptographique et les filigranes invisibles nécessitent des validateurs dédiés. Img ID présente ces catégories séparément au lieu de mélanger des indices différents en une seule probabilité.
- Observations visuelles du modèle : anatomie, texte, éclairage, géométrie, texture et marques visibles. Elles peuvent étayer un verdict, mais ne prouvent pas l’origine.
- Métadonnées extraites : champs EXIF lus dans le fichier lorsqu’ils sont présents. Ils peuvent être modifiés ou supprimés et constituent donc du contexte, pas une preuve.
- Content Credentials cryptographiques : Img ID lit le fichier original avec le SDK officiel C2PA et distingue les identifiants fiables, valides mais non approuvés, invalides ou absents. Une déclaration signée ne prouve pas que la scène représentée a réellement eu lieu.
- Filigranes invisibles : les affirmations SynthID signées sont signalées séparément avec un lien vers la vérification Gemini officielle. Google ne documente pas d’API publique prise en charge pour cette vérification ; Img ID ne prétend donc pas détecter automatiquement SynthID. L’absence d’un indice SynthID reste neutre.
Jeu pilote : 13 images documentées comme point de départ
Le jeu actuel comprend 9 images générées par IA : quatre de Midjourney, quatre de Grok et une de Gemini. Il comprend aussi 4 photographies réelles : des portraits, un site remarquable et des paysages.
Une seule variation du résultat modifie le taux brut de réussite de 7,7 points de pourcentage. Le jeu ne comporte pas de séparation d’évaluation, une large diversité d’appareils photo, d’historique de retouche, de variantes transformées ni de validation indépendante des étiquettes. Il ne permet donc pas de revendiquer publiquement une précision représentative.
Évaluation : mêmes consignes et mêmes images, erreurs examinées d’abord
Chaque candidat reçoit la même image et la même consigne de détection. Les verdicts affirmés ou nuancés, « IA » ou « réel », sont comparés à l’étiquette binaire enregistrée. Les réponses incertaines s’abstiennent. Le classement interne valorise une direction confiante correcte, accorde moins de poids aux verdicts nuancés et pénalise davantage les erreurs confiantes.
Le score pondéré est une heuristique de produit, pas une probabilité calibrée ni une mesure scientifique. La confiance déclarée par le modèle n’est pas présumée calibrée. Les examens portent sur les faux positifs, les faux négatifs et les cas incertains, plutôt que sur un chiffre unique mis en avant.
Politique de publication des résultats
- Présenter le jeu actuel comme un pilote ou un ensemble de régression, pas comme un benchmark représentatif.
- Indiquer le nombre d’échantillons, la date d’exécution, l’identifiant du modèle, la version de la consigne et les erreurs individuelles.
- Ne pas transformer un résultat de 12 sur 13 en affirmation publique de précision.
- Ne pas attribuer une image à un modèle sans évaluation distincte à l’appui.
- Ne pas considérer l’absence de métadonnées comme une preuve de génération par IA.
- Dater les anciens résultats des fournisseurs, car leurs modèles hébergés peuvent évoluer.
Élargir l’évaluation pour construire un benchmark crédible
- Réunir au moins 200 fichiers dont les droits sont clarifiés, avec leur source, leur licence, leur vérité terrain, leur historique de retouche et leur empreinte SHA-256.
- Équilibrer les classes réelles et générées, puis réserver un jeu de test avant tout réglage des modèles ou des consignes.
- Couvrir les générateurs actuels, différents appareils, personnes et lieux, captures d’écran, images de synthèse, œuvres, reçus, mèmes et photos retouchées.
- Tester le recadrage, le redimensionnement, les filtres, la recompression, les captures, l’agrandissement et le réencodage des réseaux sociaux.
- Faire examiner indépendamment les étiquettes ambiguës et exclure les fichiers non résolus des résultats principaux.
- Publier les faux positifs, faux négatifs, abstentions, résultats de calibration et résultats par catégorie avec des intervalles d’incertitude.
Lire les résultats avec prudence
Utilisez Img ID comme un deuxième avis. Pour une décision importante, vérifiez la source, le fichier original, le contexte de publication et les documents associés. Consultez également les exemples de vérification, le guide du détecteur d’images par IA et le scanner gratuit.