Un modèle de vision généraliste et figé, sans aucun entraînement spécifique à la mode, a battu un modèle de mode affiné pour décrire des vêtements — et la seule chose qu’on lui a fournie, ce sont les descriptions d’autres produits. RA-CoA, publié sur arXiv le 12 septembre par des chercheurs de MBZUAI et de l’IIT Jodhpur, récupère des ensembles d’attributs dans un catalogue d’articles existants, raisonne dessus attribut par attribut, et ne met jamais à jour le moindre poids. Ce que cela redéfinit, c’est la liste des intrants nécessaires à la découverte produit par IA : le modèle se loue au niveau de capacité voulu par un distributeur, tandis que l’archive écrite qui l’alimente, elle, ne se loue pas.

La comparaison qui compte commercialement est celle que les auteurs ont menée sur un terrain n’appartenant à aucune des deux méthodes. UniFashion, le système supervisé servant de référence, a été entraîné sur de vastes jeux de données de mode incluant celui utilisé ici — le tester sur son propre terrain l’aurait donc avantagé ; les deux systèmes ont plutôt été confrontés à un petit ensemble de test, mis de côté, d’images produit et de légendes tirées d’Amazon. RA-CoA, tournant sur le modèle ouvert InternVL2-8B sans le moindre affinage, y a obtenu un score METEOR de 20,2 contre 16,2 pour UniFashion, et a presque doublé son BLEU-1. Entraîner un modèle sur un corpus de mode a rapporté moins que lire ce corpus au moment de l’inférence.

Rien dans cette construction n’est propriétaire. Les auteurs ont échantillonné 60 000 produits issus de la partition d’entraînement de FashionGen, recadré chaque photographie sur l’article grâce à un détecteur standard, et utilisé un modèle Llama à 3 milliards de paramètres pour extraire des paires attribut-valeur structurées de descriptions déjà rédigées par des stylistes professionnels pour un catalogue e-commerce. Le code est public et chaque composant de ce pipeline est ouvert, léger et peu coûteux à faire tourner. Les descriptions sont le seul intrant qui devait forcément être produit par quelqu’un qui savait ce qu’était un péplum.

L’essentiel du gain vient du texte emprunté, plus que de l’échafaudage de raisonnement qui donne son nom à la méthode. Montrer à InternVL2 une poignée de légendes voisines récupérées, à titre d’exemples en contexte, sans aucune chaîne d’attributs, fait déjà grimper le METEOR de 13,8 à 31,8. Le pipeline complet de chaîne d’attributs n’ajoute par-dessus qu’un peu plus d’un tiers de ce gain. Les auteurs mènent aussi le test inverse : retirer les légendes récupérées du prompt fait perdre au même modèle environ la moitié de son score.

Les expériences oracle séparent deux choses que les distributeurs ont tendance à facturer comme une seule. Fournir au modèle la liste exacte des attributs à mentionner ne lui fait gagner qu’un peu plus de quatre points de METEOR, ce qui signifie qu’identifier quoi chercher est déjà quasiment résolu par la seule récupération. Lui fournir les valeurs correctes de ces attributs fait grimper le score à 97,1, car savoir si le revers est cranté ou la braguette dissimulée n’est pas quelque chose qu’un modèle lit de façon fiable sur une photo. Ce plafond est artificiellement gonflé, puisque les valeurs ont été extraites des mêmes légendes expertes qui servent à évaluer le résultat. Mais la hiérarchie survit à cette réserve : nommer l’attribut est bon marché, en fournir la valeur est tout le problème — et cette valeur se trouve déjà dans une description que quelqu’un a écrite.

Cela renverse la façon dont le problème a généralement été classé, y compris par nous-mêmes. Nous avons soutenu que c’est le catalogue, pas le modèle, qui fait échouer les projets de commerce par IA, et que les benchmarks suppriment discrètement les produits sans description avant même que quiconque ne mesure quoi que ce soit. Les deux angles traitent les descriptions produit comme un manque à combler avant de déployer un modèle. RA-CoA traite ce même texte comme la chose que l’on déploie.

La récupération transforme l’arrière-catalogue d’un distributeur en l’affinage qu’il n’a plus besoin d’acheter.

L’archive nécessaire pour cela est plus modeste que ne le suggère l’argument de l’avantage acquis. Réduire la base de connaissances à 10 000 entrées coûte peu à InternVL2, et les auteurs constatent que les gains plafonnent au-delà de 20 000. Un distributeur détenant une archive de cette taille possède l’actif ; une place de marché en détenant cent fois plus n’a un avantage que sur les articles de longue traîne, et guère plus. Quand CJ ONSTYLE a réécrit ses fiches produit et quadruplé son trafic issu des assistants conversationnels, le volume a fait la une, mais la rédaction en était le mécanisme.

L’objection la plus solide est que ce résultat tient à une vision par ordinateur encore faible, et donc temporaire. Selon cette lecture, les valeurs d’attributs ne sont difficiles à voir que jusqu’à ce que la prochaine génération de modèles lise directement l’encoche du revers sur la photo, moment où l’archive deviendrait une béquille plutôt qu’un actif. Pour que l’objection tienne, la prédiction des valeurs à partir des pixels devrait progresser plus vite que la récupération ne peut s’y substituer. Or GPT-4o, le modèle le plus performant testé par les auteurs, est celui qui a le plus profité de la base de connaissances, et non le moins : il passe de 12,6 en METEOR sans exemple à 67,6 avec récupération. L’écart avec l’oracle de valeurs s’élargit aussi à mesure que les modèles grossissent, et l’article en tire la conséquence explicite : quand la capacité augmente, le facteur limitant se déplace davantage vers la prédiction des valeurs, pas l’inverse.

Corrompre la moitié des valeurs d’attributs stockées ne coûte au système qu’environ deux points de METEOR. Un test plus brutal est plus révélateur : supprimer purement et simplement la moitié des entrées d’attributs — simulant des champs manquants plutôt que des champs erronés — coûte 8,4 points, soit environ quatre fois plus. La rédaction de fiches produit est généralement la première dépense sabrée, sous l’hypothèse que son résultat n’est qu’un contenu marketing à courte durée de vie ; ces résultats la décrivent plutôt comme un stock. Chaque description qu’une équipe merchandising cesse de commander cette année est une entrée qui manquera à la base de récupération le jour où un assistant demandera ce que fait l’ourlet. Si les distributeurs continuent de traiter les fiches produit comme un centre de coûts tout en louant des modèles pour compenser, ils loueront la moitié bon marché du système tout en liquidant discrètement sa moitié rare. Ce qui ressemble à une décision technologique est en réalité une décision de recrutement.