Les vidéos de crise indétectables /
Le planificateur sémantique de ByteDance /
L'édition d'image mise à l'épreuve /
Le multimodal local d'Alibaba

Une quarantaine de chercheurs ont publié RA-Bench, un banc d'essai de détection de vidéos générées qui prend pour référence des séquences authentiques plutôt que des synthèses isolées. L'ensemble réunit 17 886 vidéos : 1 830 ancres réelles réparties en dix catégories de risque social — guerres, catastrophes, urgences publiques — et 16 056 clips fabriqués par quatre générateurs ouverts et cinq générateurs fermés. Trois familles de détecteurs ont été passées au crible : sept détecteurs classiques, dix modèles multimodaux en zero-shot sous trois régimes de relecture, et deux modèles de langage multimodaux spécifiquement affinés sur la tâche. Aucune des trois ne généralise de façon constante, et le résultat le plus gênant tient en une phrase : les vidéos qui trompent les humains sont exactement celles que les machines ratent, tandis que la diffusion sociale — recompressions, recadrages, réencodages successifs — dégrade encore la fiabilité des détecteurs. Les propriétés de génération, qualité, conditionnement et graine d'échantillonnage, affectent chaque famille différemment, mais la signature du générateur d'origine reste stable d'une graine à l'autre.

ByteDance a publié Bernini-Diffusers-v2, la totalité de sa chaîne de génération et d'édition vidéo empaquetée dans un unique répertoire au format diffusers. L'architecture sépare deux métiers : un planificateur sémantique bâti sur Qwen2.5-VL décompose l'instruction en un plan explicite dans l'espace latent, puis un moteur de rendu par diffusion dérivé de Wan2.2 fabrique les images. Six tâches partagent la même interface — texte vers image, image vers image, texte vers vidéo, vidéo vers vidéo, édition guidée par référence et référence vers vidéo — chacune avec son script de lancement dans le dépôt officiel. Par rapport à la première livraison de juin, la recette d'entraînement fait chauffer le connecteur pendant plusieurs milliers d'étapes avant le co-entraînement, ce qui améliore l'édition guidée par référence et porte le score OpenS2V à 63,83, pour 84,46 sur VBench. Le paquet n'est en revanche pas chargeable dans ComfyUI, qui ne reconnaît pas l'architecture du planificateur : seul le rendeur nu, Bernini-R, bénéficie d'un support officiel et d'un tutoriel dédié.

Une équipe d'une vingtaine de chercheurs d'Alibaba, côté Taobao et Tmall, a publié CPI-Bench, un banc d'essai d'édition d'image conçu pour les usages réels plutôt que pour la démonstration. Le constat de départ est sévère : les bancs existants se limitent à des retouches sur image unique, couvrent trop peu de dimensions et ne séparent plus les modèles les uns des autres. CPI-Bench se scinde en trois sous-ensembles — un volet général qui introduit l'édition multi-images, un volet pratique calé sur les demandes les plus fréquentes des utilisateurs, et un volet dit intelligent réservé aux instructions qui exigent du raisonnement. C'est exactement le registre du travail de commande, où le graphisme d'une pochette de disque suppose de tenir plusieurs sources, une intention et une contrainte de format dans la même consigne. Les auteurs revendiquent enfin le meilleur alignement de leur classement avec l'Arena Image Edit Leaderboard, autrement dit avec les préférences humaines exprimées en comparaison directe.

Alibaba a mis en ligne le 14 août les poids de Qwen3.8-27B sous licence Apache 2.0, un modèle dense de 27 milliards de paramètres doté d'un encodeur visuel natif. La fenêtre de contexte atteint 262 144 jetons en natif, extensible au million par la méthode YaRN, et le modèle devance sur l'ensemble des évaluations le Qwen3.7-Plus maison, pourtant servi derrière une API. Sa raison d'être tient dans un ordre de grandeur : 27 milliards de paramètres, c'est la taille qui passe encore sur une machine de bureau, quand le vaisseau amiral de la même famille en aligne 2 400 milliards derrière une API fermée. Pour un studio, l'intérêt n'est pas la conversation mais la lecture — décrire un lot d'images, écrire des légendes, trier des rushes, rédiger des prompts — sans qu'aucun fichier ne quitte le disque. Le calendrier avait été chahuté, les poids du modèle Max étant sortis le 8 août sous une licence maison et ceux du 27B avec plusieurs jours de retard sur la semaine annoncée, mais c'est cette fois une licence réellement permissive.