Pangram et Redis renforcent la détection visuelle et la mémoire des agents IA

Pangram a présenté le 4 novembre 2026 deux modèles de vision pour repérer les contenus générés par IA, tandis que Redis a élargi Iris avec six capacités destinées aux agents. Dans les deux cas, l’enjeu est le même : mieux contrôler ce que l’IA voit, décide et retient, sans faire reposer toute la chaîne sur un seul modèle. Pangram ajoute aussi des uploads vidéo natifs, une extension Chrome et une API ; Redis mise sur le routage, la mémoire et l’observabilité. Le tout arrive au moment où les déploiements sortent du laboratoire et où les limites pratiques deviennent visibles très vite.

Détecter une image, puis suivre la vidéo image par image

Pangram Image 1.0, le modèle principal, détecte les images générées par IA et affiche une heatmap, c’est-à-dire une carte des zones suspectes à l’intérieur d’une image. Son petit frère, Pangram Image Flash 1.0, s’attaque aux vidéos en analysant chaque frame séparément. Selon la société, Image 1.0 identifie 99,2 % des images générées par IA avec un taux de faux positifs de 0,27 %.

La promesse est utile, mais la mesure compte autant que l’annonce. Pangram dit avoir testé Image 1.0 sur un jeu de 1 200 images synthétiques construites à partir de 100 photos réelles et de 12 générateurs d’images, avec une précision de 99,96 % sur ce banc d’essai conçu par l’entreprise. Cette performance ne vaut pas comme taux universel ; elle décrit un test ciblé, sur des paires réel/synthétique proches.

Pour la vidéo, Pangram a suivi une logique similaire : 129 vidéos réelles issues des réseaux sociaux, 14 générateurs de vidéo et 1 529 vidéos au total. Le benchmark DF26, cité par l’entreprise pour Flash 1.0, rassemble 271 vidéos réelles et 2 420 vidéos synthétiques produites par sept modèles récents. Les auteurs de ce benchmark disent que les humains comme les détecteurs de deepfakes tombent près du hasard sur ce terrain-là [à vérifier], ce qui donne une idée du niveau de difficulté.

Quand la détection sort du labo, les détails font la différence

Pangram affirme que Flash 1.0 atteint 98,7 % sur DF26, soit 29 points de plus que le détecteur suivant. Le modèle arrive aussi dans le tableau de bord via les uploads vidéo natifs, ce qui permet de repérer dans quel passage d’une vidéo une détection IA apparaît. L’extension Chrome élargit encore l’usage à des sites de réseaux sociaux, de shopping ou de location. Pratique, donc. Et un peu moins confortable pour ceux qui comptaient sur le flou.

La version 1.0 améliore aussi la prise en charge des deepfakes, des images basse résolution et des modèles de génération les plus récents, selon Pangram. Le minimum accepté passe à 256 x 256 pixels, mais les images sous 512 pixels déclenchent un avertissement de confiance réduite. L’entreprise dit également avoir entraîné le modèle à reconnaître les transformations introduites par la compression, le redimensionnement, le flou ou le bruit, qu’elles viennent des plateformes ou d’une tentative d’évasion.

Cette évolution compte surtout parce qu’elle change le point d’entrée. En juillet 2026, la préversion de recherche n’acceptait que des images d’au moins 512 x 512 pixels et ne se disait pas fiable sur les deepfakes ou les face swaps. Là, Pangram passe d’un prototype de recherche à un outil plus largement distribuable, avec API image et vidéo en prime.

Redis veut éviter aux agents de bricoler leur mémoire à la main

Redis a, de son côté, étendu Iris, son moteur de contexte temps réel, avec six capacités composables pour agents IA. Quatre sont généralement disponibles, deux restent en bêta. L’idée est simple : ne pas obliger les développeurs à assembler plusieurs briques séparées pour donner à un agent de la mémoire, du contexte, du routage, des données en direct et des mécanismes de communication.

Intent Router, d’abord, interprète le sens d’une requête plutôt que sa formulation exacte. Il peut l’envoyer vers une FAQ mémorisée, une compétence d’agent, un humain ou un LLM, avec des règles conditionnelles et des garde-fous. Agent Playbooks sert à rejouer des procédures établies quand la réponse existe déjà, tout en réservant les exécutions neuves aux cas qui exigent des données fraîches. Redis dit que cette logique réduit le temps de résolution et la consommation de tokens à mesure que les playbooks sont réutilisés.

Agent Memory s’appuie sur MemoryETL pour construire des souvenirs à partir d’actions utilisateur, de documents et de bases de connaissances semi-structurées. La mémoire est organisée de façon hiérarchique et accompagnée de fonctions d’inspection, d’audit et de provenance. Surtout, elle peut aussi supprimer les données qu’elle ne doit pas conserver, y compris des données personnelles identifiables. Context Gateway, lui, fournit un point d’entrée gouverné vers des sources de contexte connectées, avec prise en charge de serveurs MCP et mise en cache d’outils. Redis y voit aussi un moyen de limiter la facture token.

Le vrai sujet : tenir en production sans perdre le fil

Les deux annonces racontent la même histoire sous des angles différents. Pangram travaille la preuve visuelle, Redis la continuité opérationnelle. Dans les deux cas, le problème n’est plus de démontrer qu’une techno existe, mais de savoir si elle tient quand les contenus se ressemblent, que les sessions se coupent et que les données s’empilent. C’est là que les produits deviennent sérieux.

Redis ajoute aussi Lens, pour tracer l’origine d’une décision, et Agent Mesh, pour gérer les interruptions de connexion entre agents. Lens relie un résultat au skill, au routeur, à la mémoire et à la session d’origine, avec des métriques de succès, de latence et de tokens. Agent Mesh couvre les streams éphémères, la reprise automatique, les handoffs d’agent et les flux SSE durables. Ces fonctions sont encore en bêta, contrairement aux briques de mémoire, de routage et de contexte déjà disponibles en général.

Redis rappelle que cet Iris a commencé en mai 2026 comme couche de contexte et de mémoire entre un agent et les données dont il dépend. Le nouvel ensemble élargit ce rôle vers la coordination complète d’une requête, de l’interprétation à la réutilisation. De son côté, Pangram pousse la détection au-delà de l’image statique, avec une promesse plus concrète pour les usages de modération, de commerce et de vérification visuelle. Pour les équipes produit, la question n’est plus seulement “ça marche ?”, mais “où ça casse, et à quelle vitesse ?”.