Une photo de chien sur un canapé et la phrase « un chien se repose dans un salon » décrivent la même scène. Un modèle entraîné sur des images et un autre entraîné sur du texte peuvent-ils finir par organiser cette scène de façon comparable, sans apprentissage conjoint image–texte ? Dans une prépublication déposée le 29 octobre 2026, Randall Balestriero et Yann LeCun répondent oui pour une famille précise de modèles et sous des hypothèses explicites. Les chiffres de leur expérience sont frappants ; leur portée mérite d’être délimitée.