Un paper sur Hugging Face mesure pour la première fois comment les modèles de diffusion, ceux qui génèrent des images, scalent par rapport au texte que vous leur donnez. La qualité de la génération s’améliore de manière prévisible lorsque le prompt contient plus de langage structuré, indépendamment du nombre de mots. Les chercheurs ont défini deux métriques pour quantifier cette structure (GPG et ED) et ont trouvé des relations régulières : la loss de diffusion diminue de manière linéaire avec la première et suit une power law avec la seconde.

Si vous écrivez des prompts pour générer des images, les résultats indiquent qu’organiser le texte avec des annotations sémantiques et géométriques améliore la qualité de l’output de manière mesurable. À partir de cette idée, les chercheurs ont construit un système qui surpasse tous les modèles open-weight sur les benchmarks compositionnels, de raisonnement et de world-knowledge, et égale ou surpasse les modèles propriétaires sur la majorité des évaluations.

Si vous voulez essayer : le code est public sur GitHub, avec le projet décrit sur la page officielle du paper.

En détail

Les modèles de diffusion génèrent des images à partir du texte. Jusqu’à présent, personne n’avait mesuré de manière systématique comment la qualité de la génération change quand le prompt s’allonge. La raison est technique : la loss de diffusion, la métrique qui mesure à quel point le modèle reconstruit bien l’image, ne scale pas avec le nombre de tokens dans un prompt en langage naturel. Plus de mots ne signifient pas une meilleure loss, et donc la relation semblait inexistante.

Ce paper change de perspective. Au lieu de compter les tokens, les chercheurs mesurent la quantité de langage structuré dans le prompt, avec deux métriques complémentaires : GPG (une mesure « white-box » basée sur la vraisemblance du langage) et ED (une mesure « black-box » basée sur les attributs). Ils trouvent que la loss converge de manière prévisible : linéaire avec GPG, power law avec ED.

Que signifie « structuré » en pratique ? Un prompt structuré inclut des annotations sémantiques (ce qu’il y a dans l’image) et géométriques (où cela se trouve dans l’espace). Au lieu de « un chat sur une table avec une tasse », un prompt structuré spécifie les positions, relations et attributs de manière explicite.

De là, les chercheurs améliorent le système sur deux fronts. La diffusability : ils construisent des prompts structurés à partir d’annotations dérivées des images elles-mêmes. La promptability : ils entraînent un « prompter » qui transforme des descriptions simples en prompts structurés, en utilisant supervised fine-tuning, cold-start et verifier-gated on-policy distillation. Sur cette dernière technique, la distillation on-policy est le même fil que nous avons suivi avec β-OPSD, où le paper identifiait le paramètre qui rendait stable la distillation pour les modèles de reasoning.

Le résultat : le système surpasse tous les modèles open-weight évalués sur presque tous les benchmarks compositionnels, de raisonnement et de world-knowledge, et égale ou surpasse les modèles propriétaires les plus forts sur la majorité des évaluations.

À quel point faire confiance. Les résultats proviennent de l’abstract et de la page du projet. Le paper a été publié le 31 juillet 2026 et uploadé sur Hugging Face le 3 août, avec 23 upvotes. Le repo GitHub a 2 stars : le code est public mais l’adoption est encore précoce. Les métriques GPG et ED sont définies par les chercheurs eux-mêmes, et l’affirmation de surpasser « tous les modèles open-weight » doit être lue avec prudence tant que la communauté ne réplique pas les résultats.

Pour ceux qui utilisent l’IA dans leur travail, l’angle pratique est clair. Si vous générez des images avec des prompts, expérimentez avec la structure du texte : séparez description sémantique et géométrique, utilisez des annotations explicites. Le principe que l’organisation du contexte compte plus que sa quantité est le même à la base du playbook sur le bon contexte du premier coup, où l’ordre et la structure de ce que vous donnez au modèle font la différence entre une réponse utile et une à corriger.