Qwen-Image-2512

Alibaba (Qwen Team) · Publié December 2025

Ce que c'est réellement

Il y a une révolution silencieuse en cours dans la génération d’images par IA, et elle n’a rien à voir avec les services cloud ou les abonnements mensuels. Qwen-Image-2512 — le modèle open-weight de 27 milliards de paramètres d’Alibaba — représente quelque chose de véritablement nouveau : un générateur d’images local qui ne vous demande pas de faire des compromis sur la qualité simplement parce que vous le faites tourner vous-même.

L’astuce architecturale, c’est la fusion de trois composants qui vivent habituellement dans des modèles séparés. Un Multimodal Diffusion Transformer de 20 milliards de paramètres gère la génération d’images proprement dite — voyez-le comme le peintre. Un modèle vision-langage Qwen2.5-VL de 7 milliards de paramètres joue le rôle de directeur artistique, comprenant en profondeur vos prompts texte, vos images de référence et les relations sémantiques entre eux. Et un VAE de 127 millions de paramètres gère la plomberie d’encodage. Ensemble, ils produisent des images avec une cohérence et une intentionnalité que les modèles de diffusion pure peinent à égaler.

Les résultats parlent en chiffres : un Elo de ~1 130 sur Arena.ai, le plus élevé parmi tous les modèles open-weight Apache 2.0. Ce classement provient de comparaisons de préférences humaines en aveugle — de vraies personnes choisissant Qwen-Image plutôt que les alternatives sans savoir quel modèle a produit quelle image. Quand les humains choisissent systématiquement vos résultats, ce n’est pas un jeu de benchmarks ; c’est de la qualité authentique.

Le hic, honnêtement, c’est le poids — à la fois computationnel et informationnel. Vingt-sept milliards de paramètres ont besoin de matériel sérieux. Il vous faudra une RTX 4090 avec quantification INT4 au minimum, et même là vous serez à la limite. Et si la communauté anglophone grandit vite, c’est fondamentalement un projet « chinois d’abord ». La documentation, les articles de recherche et les discussions communautaires les plus approfondies se font en mandarin. Mais les bons modèles attirent des communautés mondiales, et Qwen-Image est déjà disponible sur Hugging Face, ModelScope, Replicate et ComfyUI — les outils que vous connaissez déjà.

Points Forts

• N°1 des modèles Apache 2.0 sur Arena.ai : Avec un Elo de ~1 130, Qwen-Image-2512 trône en tête de tous les classements open-weight qui comptent. Il n’est pas juste bon « pour un modèle open source » — il rivalise véritablement avec les services cloud propriétaires.
• Humains photoréalistes : Les visages, les mains, la texture de peau, les cheveux — les défaillances classiques de la génération d’images par IA — sont traités avec une cohérence remarquable. Le backbone VLM donne au modèle une compréhension de l’anatomie humaine que les modèles de diffusion pure n’ont pas.
• Rendu de texte bilingue : Produit du texte lisible en anglais et en chinois directement dans les images. Étiquettes de produits, signalétique, maquettes d’UI avec des caractères CJK — le genre de tâche qui fait produire du charabia à la plupart des modèles open source.
• Intégration vision-langage : Le composant Qwen2.5-VL de 7B ne fait pas que générer — il comprend. Fournissez-lui une image de référence avec un prompt texte et il saisit les relations spatiales, les indices stylistiques et le contexte sémantique d’une manière que les modèles de diffusion pure ne peuvent pas égaler.
• Apache 2.0 — véritablement ouvert : Aucune restriction d’utilisation, aucun frais de licence commerciale, aucune exigence de télémétrie. Affinez-le, déployez-le, vendez les résultats, construisez un produit dessus — la licence dit oui à tout.

Limites Honnêtes

• Matériel lourd requis : 27B de paramètres signifie ~14 Go de VRAM avec une quantification INT4 agressive. En pratique, il vous faut une RTX 4090 (24 Go) ou mieux. Les GPU de laptop et les cartes plus anciennes ne sont pas de la partie.
• Écosystème plus petit : FLUX et Stable Diffusion ont des années d’outillage communautaire, de LoRAs et d’intégrations de workflows. Qwen-Image est plus récent — des nodes ComfyUI existent, mais la bibliothèque de LoRAs et l’outillage tiers sont encore en train de rattraper leur retard.
• Documentation d’abord en chinois : Les docs officiels, les articles de recherche et les discussions communautaires sont majoritairement en chinois. La documentation en anglais existe mais est plus légère. Attendez-vous à quelques sessions de Google Translate.
• Vitesse de génération : Le diffusion transformer de 20B n’est pas rapide. Comptez 15 à 30+ secondes par image sur du matériel grand public, contre moins d’une seconde pour des modèles plus légers comme Z-Image.