Vue en perspective de la plage finale des Maldives, avec palmiers, sable blanc et eau turquoise

Commencer votre propre Vue

Clonez le projet public, ouvrez le dossier dans un agent capable de générer des images et d’exécuter Python, puis demandez-lui d’utiliser la compétence build-a-view. L’outil d’image intégré à l’hôte peut créer la base sans clé API externe ; ses limites d’utilisation s’appliquent toujours. L’amélioration haute résolution nécessite la clé API du fournisseur choisi.

git clone https://github.com/EnterLocus/locus-support.git
cd locus-support
Instruction pour votre agentUtilise la compétence build-a-view pour créer une Vue statique sphérique complète d’un lieu que je décris. Montre-moi d’abord le panorama de base et un aperçu à 360° si disponible. Attends que j’accepte la composition. Propose ensuite les modèles, les dimensions natives estimées, le traitement Standard ou Batch et un plan de coût détaillé avant toute amélioration payante.

Deux validations sont prévues : acceptez d’abord la base et sa composition ; choisissez ensuite le modèle API, la référence des identifiants, l’estimation des dimensions natives, le plan de coût et le mode de traitement. Donnez un nom de variable d’environnement tel que OPENAI_API_KEY ou GEMINI_API_KEY, jamais un secret dans le chat. Approuvez chaque soumission payante concrète, ou autorisez explicitement un plan complet énuméré sous un plafond commun. Une clé ou un budget prévisionnel ne vaut pas accord.

L’aperçu à 360° dépend de votre hôte. S’il ne peut pas en ouvrir, demandez un aperçu interactif local disponible et des vues en perspective. Une image plane ne montre pas le résultat dans toutes les directions.

Utilisez ces réglages par défaut : restaurez toute la base basse résolution, améliorez six faces avec contexte, assemblez à la densité native réelle, puis inspectez chaque direction, raccord et pôle. Commencez sans réparation et prévoyez jusqu’à deux sorties ciblées ; les essais supplémentaires nécessitent un périmètre et un accord propres.

Ouvrir la compétence publique build-a-view

Un original, trois modèles

Cette comparaison part de la même image intégrée inchangée de 1774×887. Le prompt demandait un centre tourné vers le lagon et un raccord propre ; la base place plutôt les palmiers au centre et comporte un défaut de raccord. Ces choix ont été acceptés et figés pour cette comparaison. L’amélioration reconstruit des détails plausibles sans retrouver une vérité photographique.

Le panorama source inchangé des Maldives en 1774×887, avec des palmiers près du centre
Lire le prompt original exact
Use case: photorealistic-natural. Asset type: a full spherical immersive skybox source, not a wide-angle photograph. Create one full 360-degree by 180-degree equirectangular panorama in an exact 2:1 canvas, 3840x1920 if supported. A serene Maldives island beach at eye level about 1.5m above fine white sand, looking out over luminous shallow turquoise water toward a clear level Indian Ocean horizon. In the opposite direction, the same beach continues into natural tropical palms and low lush island vegetation. No buildings, people, boats, text or logos. Warm clear midmorning daylight, realistic white sand, delicate small lapping waves, convincing individual palm fronds and natural vegetation. Full 360 longitude, full latitude from zenith to nadir. Camera has zero roll, horizon is perfectly level at exactly vertical center (50% height); beach and water are below center. Equirectangular longitude distortion and strong polar stretching are required; the entire top row is the single blue sky zenith, the entire bottom row the single sandy nadir directly under camera, with natural pole convergence when projected onto a sphere. The left and right borders must join as one continuous scene, with identical sky, horizon, ocean/beach geometry and lighting at the wrap; place the wrap in uncomplicated distant water/sky if possible. One coherent island with geometrically continuous shoreline and a calm comfortable seated-view atmosphere. Sharp detailed natural photographic rendering, restrained color and exposure; no oversharpening, no lens vignette, no collage, no inset views, no frame.

GPT Image 2.6 utilise le modèle API gpt-image-2.6-sunburst ; Nano Banana Pro utilise gemini-3-pro-image. Les deux ont reçu les mêmes octets source. Les figures du premier comparatif ci-dessous présentent GPT à gauche et Nano Banana Pro à droite. Le test ultérieur de Nano Banana 2.1 réutilise cette source inchangée.

Restaurer d’abord le panorama entier

Une restauration globale cohérente précède les détails de chaque face. GPT a renvoyé 3840×1920 en qualité high et mode Standard. Nano Banana a utilisé un contexte cyclique 21:9 en Standard 4K, renvoyé 6336×2688, puis subi un retrait explicite des marges et une réduction en panorama de 5376×2688. La source reste inchangée.

Restaurations globales : GPT à gauche et Nano Banana à droite

Six faces, dimensions natives mesurées

Projetez six faces d’environ 102° : un cœur de 90° avec 6° de contexte de chaque côté. Les entrées carrées de 1186 pixels de GPT ont donné des faces de 2880 pixels ; celles de 1660 de Nano Banana ont donné 4096 pixels. Les entrées ont été projetées à la densité source, sans agrandissement à la taille de sortie demandée. La face d’essai réussie fait partie des six faces.

Assemblez directement les faces renvoyées avec une demi-largeur de fusion de 0.25°. Calculez les dimensions finales 2:1 à partir du rapport réel T entre zone stockée et cœur, et du côté N renvoyé. Cette règle prudente décrit la densité de pixels, pas les détails réellement résolus. Aucun résultat n’est nativement 12K.

f_center = N / (2*T) pixels per radian
W = 2 * floor(pi*N / (2*T)); H = W/2

GPT:  T=1186/960,  N=2880 → 7322×3661
Nano: T=1660/1344, N=4096 → 10418×5209
Recadrages natifs de 512 pixels de la face avant : GPT à gauche, Nano Banana à droite

Ces recadrages de 512 pixels proviennent des faces avant natives. Ouvrez l’image à sa taille réelle pour une inspection 1:1. Leurs angles diffèrent en raison des densités de pixels ; la comparaison à angle identique ci-dessous est plus adaptée pour juger le même paysage.

Réparer les défauts réellement visibles

L’assemblage brut de GPT présentait des facettes dans le ciel et des bandes verticales d’exposition. Un ajustement local des tons du ciel a réduit les facettes ; un masque protégé a conservé le ciel cohérent de la restauration globale sur environ un tiers de l’image. Cette zone interpole le ciel 3840×1920 sans créer de nouveaux détails 7.3K. Deux retouches payantes en perspective à 60°, aux angles yaw ±135°, ont réparé les dernières bandes de raccord ciel/eau.

Le nadir de Nano Banana avait une étoile radiale dans le sable. La première réparation payante a échoué et figure dans le coût. Un transfert local de grain a retiré la forme radiale ; une seconde retouche payante a restauré le grain et a été appliquée localement en protégeant pierres, ombres et recouvrements. Une correction locale du raccord a atténué la fine ligne du ciel.

Avant et après réparation : raccord de GPT et nadir sableux de Nano Banana

Nano Banana conserve une large différence de ton au raccord du ciel, des cirrus convergeant au zénith et un relief plus lisse au centre du nadir. Dans ces sorties, GPT a reconstruit des feuillages, de l’eau et du sable plus nets ; Nano Banana a fourni davantage de pixels, mais des détails plus doux. Plus de pixels ne garantit pas une meilleure Vue.

Comparaison finale : GPT 7322×3661 à gauche et Nano Banana 10418×5209 à droite
Angles identiques sur les palmiers, le rivage, le nadir et le raccord : GPT à gauche, Nano Banana à droite

Les comparaisons à angle identique emploient les mêmes directions, champ de vision et grille de vérification de 768 pixels. Ce sont des rééchantillonnages en perspective, sans détails générés en plus. La vérification a couvert six directions, les 12 arêtes du cube, les pôles, le raccord et les limites des retouches. Ces résultats restent des candidats de comparaison : l’importation Locus, l’apparence sur Vision Pro physique et le confort ne sont pas vérifiés. L’eau est peinte dans une skybox statique, sans mouvement, profondeur ni parallaxe.

Nano Banana 2.1 : un essai complémentaire moins coûteux

Le 14 novembre 2026, nous avons testé gemini-nano-banana-2.1 avec la même source figée et le prompt d’origine. Les neuf sorties utilisaient le mode Standard : une restauration globale, six faces et deux réparations. G a renvoyé 6336×2688, ramené à 5376×2688 après retrait du remplissage contextuel ; les six faces ont toutes été renvoyées en 4096×4096. L’assemblage à densité native a produit 10418×5209, sans agrandissement forcé en 12K.

Panorama final des Maldives de Nano Banana 2.1 en 10418×5209

La face brute orientée vers le bas présentait un cratère et une déformation radiale du sable. R1 était insuffisant et reste inclus dans le coût. Une correction locale à partir du grain d’une autre zone a aplani la géométrie ; R2 a rétabli la texture, réinsérée localement en protégeant les pierres, les ombres et le rivage. Une petite retouche de pixels provenant de l’état avant R2 a supprimé un bord de feuille inventé. L’outil local de correction de la jonction du ciel a réduit un étroit écart tonal en forme de coin.

Nadir de Nano Banana 2.1 : face brute, R1, correction locale de la géométrie et nettoyage R2 appliqué localement

Dans cette scène, 2.1 était proche de Pro pour les détails du feuillage et de l’eau, avec une meilleure continuité au raccord horizontal et un grain plus visible au nadir réparé. Le candidat GPT présentait un feuillage reconstruit, des motifs dans l’eau et un relief du sable plus nets. Les trois méthodes ont reçu des réparations locales différentes ; une seule scène ne permet pas de classer les modèles de façon universelle.

Feuillage, rivage, nadir et jonction horizontale vus sous les mêmes angles : GPT Image 2.6, Nano Banana Pro, puis Nano Banana 2.1
Candidat testé ; examen dans le casque en attente.

L’examen indépendant des images statiques a couvert six directions, 12 raccords, la jonction horizontale, les pôles et les limites des réparations à la résolution native. Des feuilles cireuses, un ciel peu détaillé, des cirrus convergeant au zénith et un sable réparé au relief plus faible subsistent. L’importation dans Locus et le rendu sur un véritable Vision Pro ne sont pas vérifiés. Le modèle par défaut n’a pas changé.

Compter le travail complet avant de payer

Comptez les sorties payantes avec B + G + F + R + E : images de base payantes, restaurations globales, faces, réparations et essais supplémentaires. Ici, B=0, G=1, F=6, R=2, E=0, soit neuf sorties par méthode. Le premier essai à deux méthodes utilisait 18 sorties ; le suivi 2.1, distinct, en ajoute neuf, soit 27 pour les trois. La face de test acceptée fait partie de F6. Une réparation rejetée reste une sortie payante ; toute nouvelle génération augmente le total.

ParcoursPanorama natifCoût selon l’utilisation en USD
GPT Image 2.6 · Standard7322×3661$1.614237
Nano Banana Pro · Standard G/R, Batch F610418×5209$1.471502
Jetons résiduels au tarif texte
$1.587014
Calcul prudent
Nano Banana 2.1 · Standard10418×5209$1.0942455
Jetons résiduels au tarif texte
$1.1840655
Calcul prudent

Les tarifs et l’utilisation du premier essai GPT/Pro datent du 13 novembre 2026. Le montant de $1.471502 pour Nano Banana Pro suppose que les tokens de sortie candidate non classés sont comptés au tarif texte ; $1.587014 prévoit une réserve prudente pour les écarts de classification des tokens et d’entrée d’image. Le calcul prudent combiné des deux modèles d’origine est de $3.201251. Ces montants sont calculés à partir de l’utilisation indiquée dans les réponses, et ne sont ni des factures fournisseur rapprochées ni un prix fixe pour votre View.

L’essai 2.1 disposait de son propre plafond opérationnel de $2. Le sous-total des sorties d’image était de $1.0206 ; le total calculé selon l’utilisation est de $1.0942455 si les tokens de sortie candidate non classés sont comptés au tarif texte, ou de $1.1840655 si une réserve prudente est prévue au tarif image pour ces tokens. Les neuf requêtes étaient en Standard. Batch est une alternative chiffrée, pas un résultat 2.1 exécuté. La validation dans le casque reste en attente.

Les six faces de Nano Banana Pro ont utilisé de véritables tâches Batch asynchrones, y compris la face de test. Batch réduit les frais de sortie d’image de 50%, mais chaque tâche peut prendre environ 24 heures et les étapes qui en dépendent doivent attendre. Choisissez Standard ou Batch avant la production. Ne proposez GPT Batch qu’après avoir confirmé l’éligibilité du modèle exact, du compte et du point de terminaison.

R = approved repair outputs (0..2)
GPT high / Standard image-output subtotal:
  $0.081 + (6+R)*$0.1779 = $1.1484..$1.5042
Nano Standard G/R + Batch F6 image-output subtotal:
  $0.24 + 6*$0.12 + R*$0.24 = $0.96..$1.44
Nano Banana 2.1 Standard image-output subtotal:
  (7+R)*$0.1134 = $0.7938..$1.0206
Nano Banana 2.1 modeled Standard G/R + Batch F6:
  (1+R)*$0.1134 + 6*$0.0567 = $0.4536..$0.6804
Total = image outputs + image/text inputs + text/thinking outputs

Le sous-total de sortie n’est qu’une partie de la facture. Utilisez les compteurs réels pour les frais d’entrée et de raisonnement, distinguez les surcoûts inconnus et les réserves, puis vérifiez les tarifs actuels avant de chiffrer un nouveau travail. La projection, l’assemblage et le réassemblage locaux n’ajoutent aucun frais d’API d’image ; abonnements d’agent et stockage sont séparés.

Lire toutes les formules de coût et les règles Batch · Voir les compteurs des 27 requêtes

Télécharger, examiner, puis importer

Les JPEG livrés conservent leurs dimensions natives, avec une qualité de 95 et un échantillonnage 4:4:4. Téléchargez un candidat, enregistrez-le dans iCloud Drive/Locus et attendez que Fichiers sur Apple Vision Pro puisse l’ouvrir. Dans Locus, ouvrez Places → Import → Import a View → Files, puis sélectionnez le JPEG. Vérifiez la jonction horizontale, les pôles, l’échelle et le confort dans le casque avant d’accepter votre propre résultat.

Télécharger les archives de création et de vérification

Réassembler les sorties enregistrées sans nouvel appel API · Vérifier les tailles et les identités SHA-256 des ressources

La compétence publique, les scripts et les recettes sont sous Apache-2.0 ; les images de démonstration ont des conditions distinctes dans le récapitulatif des licences du dépôt.

Lire le récapitulatif des licences

Les Rooms gratuites et certaines Views gratuites peuvent être téléchargées comme exemples à étudier, certaines avec leur source Blender. Parcourir les exemples dans la galerie.

Les agents de programmation peuvent lire place-examples.json pour connaître l’URL, la taille, le SHA-256, les fonctionnalités et la licence de chaque téléchargement.