Ce que les modèles savent lire d’un plan, et ce qu’ils ne savent pas compter

Il y a une confusion utile à lever, parce qu’elle explique beaucoup de déceptions. Quand on montre un plan à un modèle multimodal, il ne « voit » pas un plan : il voit une image qui contient du texte et des formes. Sur le texte, il est excellent. Sur les formes, il devine.

L’écart mesuré entre lire et compter

Un travail d’évaluation publié en janvier 2026 — AECV-Bench — mesure les modèles multimodaux actuels sur cent vingt plans et cent quatre-vingt-douze paires question-réponse portant sur des dessins d’architecture et d’ingénierie. La hiérarchie est franche : jusqu’à 0,95 d’exactitude sur les tâches de lecture de texte, et 0,40 à 0,55 sur le comptage de portes et de fenêtres.

Lire le cartouche : résolu. Compter les ouvertures d’un niveau : une fois sur deux. Les auteurs concluent que ces systèmes fonctionnent comme des assistants documentaires mais n’ont pas de « robust drawing literacy », et recommandent des approches spécialisées au domaine avec validation humaine.

Cette étude est une prépublication non évaluée par les pairs, et son échantillon est petit. Nous la citons pour ce qu’elle est : une indication récente et cohérente avec le reste, pas une preuve définitive.

Lire le cartouche : résolu. Compter les ouvertures d’un niveau : une fois sur deux.

Ce n’est pas un problème neuf, et il n’est pas résolu côté spécialisé non plus

La reconnaissance de symboles sur des plans vectoriels est un sujet de recherche à part entière. FloorPlanCAD, présenté à l’ICCV 2021, met à disposition 10 094 plans annotés à la ligne sur trente catégories d’objets. Le modèle proposé par les auteurs, conçu spécifiquement pour cette tâche, atteint une qualité panoptique de 0,561. Un système dédié reconnaît donc correctement un peu plus de la moitié des symboles.

Depuis, l’effort porte sur la donnée. ArchCAD-400K, publié en 2025, réunit 413 062 fragments issus de 5 538 plans standardisés — un jeu « over 26 times larger than the largest existing CAD dataset ». C’est la trajectoire du domaine : le progrès vient de l’annotation experte accumulée, pas d’un modèle plus gros.

Le document lui-même résiste

Même sans dessin, le document technique pose problème dès qu’il ressemble à ce qu’on manipule vraiment. Le jeu DUDE, présenté à l’ICCV 2023, évalue la compréhension de documents multi-pages et multi-domaines — donc longs et hétérogènes, comme un dossier de consultation. L’écart entre la performance humaine et le meilleur modèle y reste considérable, là où les jeux plus anciens et plus simples étaient réputés proches d’être résolus.

La formulation fondatrice date de DocVQA (WACV 2021) et n’a pas vieilli : les modèles doivent progresser « specifically on questions where understanding structure of the document is crucial ». La structure, pas les mots.

Le parsing spécialisé bat encore le modèle généraliste

Un dernier repère, sur la brique la plus en amont : extraire proprement le contenu d’un PDF. Le benchmark OmniDocBench compare les chaînes de traitement spécialisées aux modèles vision-langage généralistes. Sur la distance d’édition du texte extrait — plus la valeur est basse, meilleur c’est — une chaîne dédiée obtient 0,061 quand un modèle généraliste récent est à 0,096 et GPT-4o à 0,144. Sur la reconnaissance de tableaux, l’écart va dans le même sens.

C’est un point technique et c’est pourtant le plus déterminant en pratique : si l’extraction se trompe de zone, tout ce qui vient après est faux avec assurance.

Comment nous avons réglé ce problème dans les infrastructures que nous livrons

La conséquence est une brique de lecture distincte du modèle de langage, construite en quatre temps.

Sur la structure du dossier. Avant toute lecture, chaque planche est identifiée par son cartouche — nature, échelle, numéro, état existant ou projeté — et un index du dossier est construit, avec le graphe des renvois : le repère de coupe porté sur une vue en plan pointe vers la planche de coupe correspondante. Une hauteur sous plafond ne se cherche pas dans tout le dossier ; elle se lit sur la coupe, et la coupe est citée.

Sur la résolution. Une planche n’est jamais donnée entière. Elle est découpée en tuiles à recouvrement, dimensionnées par surface de papier et non par pixels, pour qu’une cote de deux millimètres repasse de six à une vingtaine de pixels après la réduction opérée par le modèle. C’est mécanique.

Sur les cotes. Les cotes écrites sont rattachées aux lignes de cote réellement dessinées, les chaînes sont reconstituées, et la somme des cotes partielles est confrontée à la cote totale. La règle est absolue : la cote écrite fait foi, on ne mesure jamais sur le dessin. La géométrie sert à apparier et à contrôler, pas à mesurer.

Sur les formes et les repères. Compter des ouvertures ou identifier des ouvrages ne repose jamais sur la seule reconnaissance graphique : la lecture se recoupe avec la nomenclature du lot quand elle existe — c’est la source la plus fiable du dossier — et tout écart entre les deux est signalé plutôt que tranché. Même règle pour les conventions : aucune couleur, aucune hachure n’est interprétée seule, parce qu’il n’existe aucun standard universel — un logiciel marque le démoli en jaune, un autre en rouge, et les cabinets personnalisent ce défaut. Les ancres fiables sont les mots des légendes, l’état porté au cartouche et les annotations. Sans elles, le statut d’un ouvrage est « à confirmer », et la personne habilitée décide.

Ce qu’il faut en conclure

Un environnement de production documentaire pour l’architecture ne peut pas se résumer à un modèle auquel on donne des PDF. Il lui faut une brique de lecture du dessin distincte du modèle de langage, une extraction structurée qui sait où elle regarde, et une validation humaine sur ce que la machine ne sait pas encore faire — c’est-à-dire, à ce jour, compter des symboles de façon fiable.

Ce que cet article ne dit pas : nous ne prétendons pas faire mieux que ces chiffres. Aucune mesure interne n’est publiée dans ces corpus, et une comparaison de notre part serait invérifiable pour vous. Nous ne disons pas non plus que « les modèles ne savent pas lire un plan » : ils en lisent le texte remarquablement bien. Ils n’en lisent pas les symboles.