Retour à la bibliothèque
arXiv 2025ACM Multimedia 2025Détection des attaques de présentation facialeNotes de lecture

InstructFLIP

Le mur des soupirs

Article original

InstructFLIP: Exploring Unified Vision-Language Model for Face Anti-spoofing

Auteurs de l’article

Kun-Hsiang Lin · Yu-Wen Tseng · Kang-Yang Huang · Jhih-Ciang Wu · Wen-Huang Cheng

Publication
ACM Multimedia 2025Conférence
Premier dépôt sur arXiv
arXiv:2507.12060
Citer cet article · BibTeX

La référence correspond à la version liée et cite les auteurs de l’article original.

@misc{faceantispoofinginstructflip2025,
  title = {{InstructFLIP: Exploring Unified Vision-Language Model for Face Anti-spoofing}},
  author = {Kun-Hsiang Lin and Yu-Wen Tseng and Kang-Yang Huang and Jhih-Ciang Wu and Wen-Huang Cheng},
  year = {2025},
  eprint = {2507.12060},
  archivePrefix = {arXiv},
  url = {https://arxiv.org/abs/2507.12060}
}
Sur cette page

La reconnaissance faciale est un miroir.

Elle reflète les progrès de l'intelligence artificielle lorsqu'elle « voit » l'apparence humaine, tout en révélant la fragilité de notre définition du « réel ».

Définir le problème

Cette technique a quitté la marge de la biométrie pour entrer dans la vie quotidienne : elle remplace des mots de passe, déverrouille des appareils et peut même conditionner le passage d'une frontière.

Mais lorsqu'une photo haute résolution, une vidéo en boucle ou un masque de silicone parfaitement formé trompe le système, il faut le reconnaître : ce miroir n'est pas fiable.

La détection des attaques faciales (Face Anti-Spoofing, FAS) est née de ce constat. Partant de la classification binaire, les chercheurs ont ajouté attention, réseaux antagonistes génératifs et modules d'apprentissage auxiliaires pour démasquer les faux visages.

Puis l'adaptation de domaine (DA) et la généralisation de domaine (DG) sont entrées en scène pour faire face aux différences entre appareils et situations. La DA peut nécessiter des données du domaine cible ; l'évaluation DG où l'on laisse successivement un domaine de côté demande parfois un nouvel entraînement pour chaque domaine cible. Chaque configuration d'évaluation a alors son coût.

L'arrivée de FLIP, en 2023, a ouvert une autre perspective.

Ce travail a introduit la modalité linguistique de CLIP dans la FAS, afin de faire entrer la « sémantique du visage » dans le système de détection. Le langage aide à décrire ce qui semble authentique ou non dans l'image. La porte de l'intermodalité s'est ouverte, même si le langage y joue surtout un rôle auxiliaire.

CFPL-FAS a ensuite suivi cette voie. Son Q-Former issu de BLIP-2 construit des prompts de contenu et de style conditionnés par l'image pour mieux relier les deux modalités. Les étiquettes authentique/faux continuent cependant de superviser l'entraînement ; les prompts ne constituent pas à eux seuls des descriptions libres des attaques.

Dans ses évaluations de généralisation, CFPL-FAS recourt encore à des entraînements distincts selon le domaine laissé de côté. Son langage structure des prompts pour la classification plutôt que des explications libres de l'attaque.

En 2025, I-FAS a approfondi cette piste avec des descriptions spécialisées et un ajustement sur instructions pour produire jugement et texte explicatif. Son protocole 1 utilise plusieurs entraînements avec un domaine laissé de côté ; son protocole 2 entraîne une seule fois sur CelebA-Spoof avant de tester onze jeux inconnus. Les deux protocoles répondent à des questions différentes.

Autrement dit, de FLIP à CFPL puis I-FAS, ces travaux ont repoussé les frontières sémantiques de la FAS, mais se sont aussi arrêtés devant le même mur :

Les modèles peinent à comprendre le monde dans un langage unifié et à garder un raisonnement cohérent dans des environnements variés.

Faut-il vraiment entraîner davantage ou agrandir encore les modèles pour franchir ce mur ? Le langage garde-t-il une force inexploitée ? Pouvons-nous construire un modèle qui écoute les instructions, perce les illusions et apprend d'un seul mouvement à voir plus large ?

Résoudre le problème

En FAS, une grande difficulté vient des écarts de caractéristiques entre jeux de données, scènes et appareils.

Les méthodes habituelles « ratissent large » : elles entraînent le modèle sur plusieurs domaines, puis en réservent un autre pour l'évaluation. Dans un protocole où l'on change le domaine cible, ce changement peut imposer un nouvel entraînement et accroître le coût.

InstructFLIP propose donc une architecture de généralisation unifiée, fondée sur une idée simple :

Au lieu de laisser le modèle deviner à l'aveugle l'attaque et le contexte derrière chaque visage, donnons-lui des instructions linguistiques claires.

La stratégie s'appuie sur un jeu de données essentiel : CelebA-Spoof.

CelebA-Spoof annote les types d'attaques et les conditions de prise de vue. Il permet de créer des instructions explicites dans les limites de ces annotations, afin que le modèle apprenne ces catégories et conditions au cours d'un seul entraînement.

InstructFLIP sépare les instructions en deux familles pour couvrir cet espace sémantique :

  • Instructions de contenu (Content Prompts) : « De quel type d'attaque s'agit-il ? »

    Les onze choix comprennent dix types d'attaques — photo, écran, masque plat, occultation partielle, masque 3D, etc. — et le visage authentique. Exemple :

    “Choose the correct option for the following question: Which spoof type is in this image?”

  • Instructions de style (Style Prompts) : « Dans quelles conditions cette image a-t-elle été prise ? »

    Les options portent sur l'éclairage (normal, contre-jour, obscurité, forte lumière), la scène (intérieur/extérieur) et la qualité de la caméra (faible/moyenne/haute). Exemples :

    “What is the illumination condition in this image?”

    “What is the environment of this image?”

    “What is the camera quality in this image?”

Cette structure transforme les étiquettes de contenu et de style en instructions distinctes, qui supervisent respectivement l'apprentissage du type d'attaque et des conditions de prise de vue.

Architecture du modèle

L'architecture ci-dessus comprend trois grands éléments :

  • (a) Branche de contenu (Content Branch) ;
  • (b) Branche de style (Style Branch) ;
  • (c) Fusion des caractéristiques et décision (Fusion + Classifier & Cue Generator).

Suivons l'information pas à pas.

Branche de contenu

Cette branche apprend les représentations sémantiques liées au type d'attaque. À partir de l'image, elle doit reconnaître la catégorie de falsification ou le visage authentique.

L'encodeur visuel EE transforme l'image xx en caractéristiques profondes fcf_c de contenu. Le Q-Former relie ensuite les instructions linguistiques à ces caractéristiques.

Les auteurs emploient des questions à choix multiple, comme :

"Choose the correct option for the following question: Which spoof type is in this image?"

Les options couvrent le visage authentique et les types d'attaque, pour un total de onze classes. Les instructions deviennent des vecteurs Tc∈Rj×dT_c \in \mathbb{R}^{j \times d}, concaténés à des vecteurs de requête apprenables Qc∈Rk×dQ_c \in \mathbb{R}^{k \times d} avant d'entrer dans le Q-Former :

h=Qc⊕Tch = Q_c \oplus T_c

Le Q-Former empile plusieurs couches d'attention :

  1. Auto-attention (MSA) : elle met à jour les relations internes entre requêtes et instructions :
h~=h+ϕ(h)\tilde{h} = h + \phi(h)
  1. Attention intermodale (MCA) : elle relie l'état caché aux caractéristiques visuelles fcf_c. L'équation (3) de l'article note encore son entrée hh :
h^=h+ψ(h,fc)\hat{h} = h + \psi(h, f_c)

Les requêtes apprennent ainsi à chercher ce que demande l'instruction : des indices d'attaque suspects ou un type particulier de falsification.

La représentation finale des requêtes rejoint les vecteurs de l'instruction pour former un soft prompt. Celui-ci passe dans les couches gelées du modèle de langage et produit la prédiction pcp_c de la branche de contenu.

Cette branche utilise une entropie croisée :

Lc=−∑yclog⁡(pc)\mathcal{L}_c = - \sum y_c \log(p_c)

ycy_c est la véritable étiquette de classe. L'entraînement supervise donc la reconnaissance des attaques et des visages authentiques ; l'absence d'interférences dues au fond doit encore être vérifiée par l'expérience.

Branche de style

La branche de style ressemble davantage à un observateur du contexte : elle s'intéresse à la manière dont l'image a été prise.

Les écarts de domaine en FAS peuvent venir de l'environnement et des appareils. Un vrai visage photographié au crépuscule avec peu de détails peut paraître plus suspect qu'un faux bien éclairé et net.

La branche de style est utile pour cette raison : elle apprend les variations d'éclairage, de scène et de qualité de la caméra, qui diffèrent des catégories d'attaque.

Sa structure est symétrique de celle de la branche de contenu. Elle reçoit notamment des instructions comme :

  • “What is the illumination condition in this image?”
  • “What is the camera quality in this image?”
  • “Is this photo taken indoors or outdoors?”

Ces phrases deviennent des vecteurs TsT_s ; elles sont concaténées aux requêtes apprenables QsQ_s, puis envoyées au Q-Former pour prédire les conditions de prise de vue.

La différence se trouve dans la construction des caractéristiques :

  1. Extraire plusieurs sorties intermédiaires E1(x),E2(x),…,EL(x)E_1(x), E_2(x), \dots, E_L(x) de l'encodeur visuel ;

  2. Pour chaque couche, calculer la moyenne μi\mu_i et l'écart-type σi\sigma_i, puis former :

    si=μi⊕σis_i = \mu_i \oplus \sigma_i
  3. Réunir toutes les couches en caractéristiques de style multirésolution :

    fs=s1⊕s2⊕⋯⊕sL∈R2L×df_s = s_1 \oplus s_2 \oplus \cdots \oplus s_L \in \mathbb{R}^{2L \times d}

Ce choix s'inspire de l'Adaptive Instance Normalization (AdaIN), employée pour le transfert de style.

La branche prédit psp_s par alignement sémantique guidé par le langage. Une entropie croisée entraîne cette prédiction :

Ls=−∑yslog⁡(ps)\mathcal{L}_s = -\sum y_s \log(p_s)

La branche de style ne donne pas directement l'étiquette authentique/faux, mais ses requêtes QsQ_s participeront à la fusion et à la décision finale.

Fusion des caractéristiques et décision

Une fois le contenu et le style analysés, InstructFLIP ne se contente pas de juxtaposer les deux sorties. Un module de fusion guidé par la sémantique réunit les connaissances des deux voies pour la décision finale.

Il concatène d'abord les requêtes apprises par les branches de contenu et de style, QcQ_c et QsQ_s :

Q=Qc⊕Qs∈R2k×dQ = Q_c \oplus Q_s \in \mathbb{R}^{2k \times d}

Ces requêtes interagissent ensuite de nouveau avec les caractéristiques de contenu fcf_c par attention intermodale, afin de produire la représentation fusionnée Q^\hat{Q} :

Q^=Q+ψ(Q,fc~)\hat{Q} = Q + \psi(Q, \tilde{f_c})

Un détail compte ici : les caractéristiques de style fsf_s n'entrent pas dans cette fusion. Elles sont propres au domaine et risqueraient de réduire la généralisation si elles dominaient la décision.

La branche de style participe donc à l'apprentissage, sans imposer directement ses caractéristiques au classifieur final.

La représentation Q^\hat{Q} est divisée en deux :

  • tclst_{cls} : le premier token, donné au classifieur de falsification CC pour décider authentique ou faux ;
  • tcuet_{cue} : les autres tokens, envoyés au générateur GG d'une carte d'indices (cue map) auxiliaire.

Apprentissage à objectifs multiples

Pour entraîner conjointement les deux branches, la décision et la carte d'indices, les auteurs combinent quatre pertes :

L=λ1Lc+λ2Ls+λ3Lcls+λ4Lcue\mathcal{L} = \lambda_1 \mathcal{L}_c + \lambda_2 \mathcal{L}_s + \lambda_3 \mathcal{L}_{cls} + \lambda_4 \mathcal{L}_{cue}
  • Lc\mathcal{L}_c et Ls\mathcal{L}_s : les pertes de classification des instructions de contenu et de style ;
  • Lcls\mathcal{L}_{cls} : l'entropie croisée de la décision finale authentique/faux ;
  • Lcue\mathcal{L}_{cue} : la perte d'apprentissage de la carte auxiliaire, inspirée de l'entraînement à une classe :
Lcue={d2βif d<βd−β2otherwise\mathcal{L}_{cue} = \begin{cases} \frac{d^2}{\beta} & \text{if } d < \beta \\ d - \frac{\beta}{2} & \text{otherwise} \end{cases}

Ici, d=∣pcue−ymask∣d = |p_{cue} - y_{mask}| mesure l'écart entre la carte prédite et sa cible, et β\beta règle le passage entre pénalité quadratique et linéaire. L'article n'utilise pas d'annotation manuelle des régions d'attaque : la cible est toute blanche pour un faux visage, toute noire pour un vrai.

Le code couleur « blanc = faux, noir = authentique » fournit donc une supervision auxiliaire, sans faire de la cue map une localisation entraînée sur des régions annotées.

Détails de mise en œuvre

InstructFLIP utilise CelebA-Spoof (CA) comme unique source d'entraînement.

Ce jeu offre onze choix de contenu — dix types d'attaque et le visage authentique — ainsi que des annotations du contexte :

  • Conditions d'éclairage (illumination) ;
  • Environnement de prise de vue (environment) ;
  • Qualité de la caméra (camera quality).

Ces étiquettes permettent de construire des instructions de contenu (content prompts) et de style (style prompts) pour guider l'apprentissage par le langage.

Au lieu d'entraîner un nouveau modèle pour chaque domaine laissé de côté, InstructFLIP procède à un entraînement puis plusieurs tests. La généralisation est évaluée sur sept jeux FAS publics :

  • MSU-MFSD (M) ;
  • CASIA-FASD (C) ;
  • Replay-Attack (I) ;
  • OULU-NPU (O) ;
  • WMCA (W) ;
  • CASIA-CeFA (C) ;
  • CASIA-SURF (S).

Le modèle affronte ainsi directement des attaques et des distributions inconnues, sans ajustement au domaine cible dans ce protocole.

La mise en œuvre suit les réglages suivants :

  • Préparation des entrées : les visages sont alignés avec MTCNN puis redimensionnés en images RGB de 224×224224 \times 224 ;

  • Encodeur visuel : le ViT-B/16 de CLIP sert d'extracteur EE ;

  • Modèle de langage (LLM) : FLAN-T5 base reste gelé pendant l'entraînement ;

  • Optimisation : AdamW et le calendrier OneCycleLR, avec taux d'apprentissage initial 1×10−61 \times 10^{-6}, maximum 5×10−65 \times 10^{-6} et weight decay 1×10−61 \times 10^{-6} ;

  • Entraînement : une carte NVIDIA RTX 4090, batch size 24 et 20 époques ;

  • Poids des pertes :

    • λ1=0.4\lambda_1 = 0.4 pour le contenu ;
    • λ2=0.4\lambda_2 = 0.4 pour le style ;
    • λ3=0.15\lambda_3 = 0.15 pour la classification finale ;
    • λ4=0.05\lambda_4 = 0.05 pour le générateur de carte.

Ce sont les réglages de l'article ; le coût à l'inférence dépend de la variante réellement employée. L'annexe étudie aussi InstructFLIP⁻, qui retire le LLM gelé.

Trois mesures classiques sont rapportées :

  • HTER (Half Total Error Rate) ;
  • AUC (Area Under ROC Curve) ;
  • TPR@FPR (taux de vrais positifs pour un taux de faux positifs fixé).

Chaque modèle est entraîné avec cinq graines aléatoires, puis les résultats moyens sont rapportés.

Discussion

Pour évaluer InstructFLIP dans un cadre commun, les auteurs le comparent à plusieurs lignes de recherche en FAS :

  • SSDG : séparation du style pour renforcer les caractéristiques invariantes au domaine ;
  • ViT : architecture purement visuelle, utilisée ici dans sa configuration zero-shot afin de ne pas mélanger avec la version few-shot ViTAF ;
  • SAFAS : filtre auto-adaptatif pour la généralisation ;
  • FLIP : approche pionnière de FAS intermodale fondée sur CLIP ;
  • CFPL : BLIP-2 et Q-Former pour élargir l'usage des instructions linguistiques.

BUDoPT, DiffFAS et FGPL n'ont pas été réimplémentés dans cette comparaison, leur code n'étant pas public.

Les autres méthodes ont été réimplémentées et entraînées dans le protocole commun conçu par les auteurs.

Voici les résultats :

  • HTER : InstructFLIP fait mieux que les méthodes du tableau sur six des sept jeux. CASIA-CeFA fait exception : son HTER de 8.49 % dépasse les 5.50 % de CFPL. Sur les six autres, les valeurs CFPL → InstructFLIP sont :

    • MSU-MFSD (M) : 8.45 % → 5.52 % ;
    • CASIA-FASD (C) : 2.77 % → 1.47 % ;
    • Replay-Attack (I) : 10.00 % → 9.12 % ;
    • OULU-NPU (O) : 17.21 % → 14.33 % ;
    • WMCA (W) : 26.85 % → 19.51 % ;
    • CASIA-SURF (S) : 42.29 % → 30.33 %.
  • AUC : sur six jeux, l'AUC dépasse celle de CFPL ; sur CASIA-CeFA, 96.81 % reste sous 98.74 %.

  • TPR@FPR=1 % : six jeux dépassent CFPL ; sur CASIA-CeFA, 70.17 % reste sous 78.72 %.

Sur CASIA-CeFA, les trois mesures sont donc moins bonnes que celles de CFPL. L'article suggère des différences culturelles et environnementales, sans ablation ciblée : le tableau n'en établit pas la cause.

Contribution des modules

Les auteurs évaluent d'abord les trois grands composants :

  • Branche de contenu (CB) ;
  • Branche de style (SB) ;
  • Générateur de carte d'indices (Cue).

Le modèle de départ n'utilise aucune instruction textuelle et ne reçoit que l'image.

  • Avec CB seul, le HTER moyen descend de 21.96 % à 14.25 %, tandis que l'AUC monte de 82.88 % à 90.23 %.
  • Avec SB seul, le HTER moyen vaut 16.25 % et le TPR@FPR=1 % monte de 26.89 % à 41.92 %. Avec CB et SB ensemble, il atteint 60.84 %.
  • Après ajout de Cue, le HTER moyen passe de 13.25 % à 12.68 %, et le TPR@FPR=1 % de 60.84 % à 65.23 %. Le tableau ne mesure pas la précision spatiale de la cue map.

Cette ablation appuie l'utilité des trois modules pour les mesures de classification moyennes dans ce protocole.

Effet du module LLM

Pour distinguer l'apport du LLM de celui des annotations structurées du méta-domaine, les auteurs étudient une variante InstructFLIP† :

  • Elle garde CB et SB, mais remplace le LLM par un petit classifieur.

Les résultats :

  • Sans LLM gelé, InstructFLIP† obtient un HTER/AUC moyens de 14.39 %/89.97 %, meilleurs que les 16.15 %/88.65 % de CFPL ; mais son TPR@FPR=1 % de 48.33 % reste inférieur aux 53.98 % de CFPL.
  • Avec le LLM gelé, le modèle complet atteint 12.68 %, 93.68 % et 65.23 % sur ces trois moyennes. La comparaison appuie l'apport du module dans cette architecture.

Annotations structurées et LLM gelé influencent tous deux ces variantes ; leur effet dépend de la mesure examinée.

Détail des types d'attaque

Cette expérience examine la granularité sémantique des catégories d'attaque. Les classes print, replay et masque 2D sont chacune subdivisées progressivement d'une à trois sous-classes ; visage authentique et masque 3D restent chacun une seule classe.

Entre les réglages à une et trois sous-classes, le HTER moyen passe de 19.11 % à 12.68 % et l'AUC de 87.14 % à 93.68 %. Mais au réglage intermédiaire à deux sous-classes, le TPR@FPR=1 % passe de 39.13 % à 38.30 % : ajouter une classe n'améliore pas toujours chaque mesure.

Le tableau appuie donc une annotation plus détaillée de ces attaques dans ce modèle et avec ces données, sans établir que la même granularité convienne à toutes les tâches.

Diversité des instructions de style

Les auteurs vérifient enfin l'effet du nombre d'instructions de style. Ils ajoutent successivement :

  • Style 1 : l'éclairage ;
  • Style 2 : l'environnement de prise de vue ;
  • Style 3 : la qualité de la caméra.

Dans ces trois réglages, le HTER moyen vaut 20.65 %, 19.25 %, puis 12.68 % ; le TPR@FPR=1 % atteint 37.48 %, 45.08 %, puis 65.23 %. Ajouter les trois formes de supervision aide ici, mais le tableau ne mesure pas directement la séparation des caractéristiques.

Analyse qualitative

Aux mesures quantitatives, les auteurs ajoutent des cas réussis, des échecs et une comparaison avec d'autres modèles vision-langage ouverts pour examiner le comportement d'InstructFLIP.

Chaque exemple est soumis à quatre séries d'instructions :

  • Content : identifier le type d'attaque ;
  • Style1 : décrire l'éclairage ;
  • Style2 : décrire le lieu de prise de vue ;
  • Style3 : évaluer la qualité de la caméra.

Le tableau suivant montre ces questions séparées sur le contenu et les conditions de capture.

Exemples réussis

Dans la partie (a), un visage authentique est classé correctement, avec un fake score de 0.001 pour cet exemple.

Dans la partie (b), une attaque par vidéo rejouée sur tablette est reconnue comme fausse, avec un fake score de 0.998.

Ces deux exemples permettent d'observer :

  • Les sorties sémantiques du LLM, comme type d'attaque, éclairage, lieu ou qualité de l'image, que l'on peut comparer aux étiquettes affichées ;
  • Les cue maps, qui réagissent à certaines parties de l'image, mais ont été entraînées sur des cibles de classe entièrement blanches ou noires, sans annotation des contours d'attaque ;
  • La forme des réponses sur quelques images de domaines différents, qui ne suffit pas à démontrer un raisonnement robuste dans toutes les situations inconnues.

Exemples d'échec

Malgré ses bons résultats d'ensemble, InstructFLIP se trompe dans certaines situations.

Les auteurs présentent deux types d'erreur :

  • Une attaque classée comme authentique

    Dans la partie (c), le modèle classe à tort une affiche d'attaque comme vrai visage. La figure montre aussi :

    • Un fake score faible, 0.055, pour cette affiche ;
    • Une prédiction d'éclairage Backlight au lieu de l'étiquette Normal. L'exemple ne permet pas d'isoler le brillant du matériau ou les gradients de luminosité comme cause de l'erreur.
  • Un visage authentique classé comme attaque

    Dans la partie (d), le modèle prend un vrai visage pour une vidéo rejouée sur écran, avec un fake score de 0.851. Certaines autres prédictions correspondent aux étiquettes, d'autres non ; ce seul cas ne permet pas de dire si les reflets ou la qualité de la caméra ont causé la décision.

    Ces exemples invitent à évaluer séparément la plausibilité des attributs et la classification authentique/faux.

Comparaison avec des modèles vision-langage ouverts

Pour examiner les réponses aux instructions, les auteurs montrent une petite comparaison avec :

  • InstructBLIP : modèle vision-langage généraliste capable de suivre des instructions ;
  • GPT-4o : modèle multimodal généraliste.

Le tableau donne un exemple faux et un vrai, avec leurs questions de contenu et de style.

Sur ces deux cas, GPT-4o refuse certaines réponses ou reste incomplet, et InstructBLIP se trompe sur quelques attributs. Il ne permet pas d'estimer la fréquence générale de ces comportements.

InstructFLIP correspond mieux aux étiquettes affichées sur ces exemples. Une supériorité générale en stabilité et en raisonnement demanderait une évaluation plus large et contrôlée.

Conclusion

InstructFLIP prolonge la recherche de CFPL sur la FAS guidée par la sémantique. Les deux architectures semblent proches, avec Q-Former et instructions multimodales, mais InstructFLIP avance sur trois points :

D'abord, sa stratégie de méta-domaine entraîne un seul modèle sur CelebA-Spoof et le teste sur sept jeux cibles, sans recommencer à chaque domaine laissé de côté. Cela évite des entraînements répétés dans cette évaluation ; le coût du déploiement n'a pas été mesuré.

Ensuite, deux branches distinctes supervisent le type d'attaque et les conditions de capture avant de fusionner leurs requêtes apprises. Les ablations appuient l'intérêt des deux voies dans ces tests.

Enfin, la fusion des requêtes et le générateur de cue map produisent une décision et une carte auxiliaire. Le modèle complet conserve toutefois le LLM gelé ; l'annexe examine séparément une variante sans ce module, à 0.030 contre 0.046 seconde par échantillon sur une RTX 4090. Ces chiffres ne démontrent ni le temps réel sur téléphone ni un basculement instantané entre variantes. La cue map, elle, n'est pas supervisée par des annotations de région d'attaque.

Du point de vue de l'ingénierie, InstructFLIP montre une manière d'utiliser le langage comme signal de supervision tout en étudiant une variante plus légère. Les instructions peuvent devenir une interface naturelle entre modèle et définition de la tâche, à condition de vérifier leur coût supplémentaire et la fidélité des explications dans l'usage visé.