Imagecaster : les modèles locaux sur 16 Go savent désormais écrire en russe et essayer des looks

Six doigts et du russe mal écrit : voilà les principaux clichés sur la génération locale d’images. Le créateur d’Imagecaster, anciennement SD Studio, a vérifié ce qu’il en restait six mois après son premier article. Les essais ont été réalisés sur une RTX 4070 Ti Super dotée de 16 Go de mémoire vidéo.

Les modèles retenus

En mai, l’application ne proposait que SD 1.5, SDXL et Pony. Ces modèles nécessitent des prompts constitués de mots-clés et peinent à réaliser des scènes complexes, comme « la main droite sur la pancarte, la main gauche arrangeant les cheveux ». Aujourd’hui, l’essentiel repose sur Flux 1, Z-Image Turbo, Moss-Image et Flux 2 Klein. Ils comprennent les phrases courantes, mais exigent 12–16 Go de mémoire vidéo.

Chaque modèle a sa spécialité. Flux 1 suit fidèlement les descriptions longues. Z-Image Turbo produit des images photoréalistes en 8 étapes au lieu de 20–50, ce qui le rend pratique pour explorer différentes variantes. Moss-Image restitue les scènes aussi bien que Flux 1 et sait effectuer des retouches à partir d’instructions en russe : « remplace le pantalon par une jupe » modifie le vêtement tout en conservant la personne, la pose et l’arrière-plan. Klein se charge du post-traitement et du remix en préservant le visage.

L’auteur a essayé Qwen-Image 2.1 et Krea 2, puis les a écartés. L’association de Z-Image, Moss et Klein couvre les mêmes besoins plus simplement et plus rapidement.

Le test de l’inscription en russe

Le prompt : une jeune femme au marché tenant une pancarte portant l’inscription « Kartoshka, nedorogo » (« Pommes de terre, pas cher »). Voici les résultats :

• Moss : 50 étapes, environ 2 minutes par image, 5 sur 10 sans erreur. Les erreurs sont mineures, comme « nedoroggo ».
• Z-Image Turbo : environ 15 secondes par image, 6,5 sur 10. Les variantes erronées « Kartosha » et « Kartotska » sont apparues.
• Flux 1 : environ une minute par image, 0 sur 5.

Selon Claude, l’explication tient à l’encodeur de texte, et non à la quantification. Flux 1 interprète le prompt avec T5, entraîné principalement en anglais. Z-Image et Moss utilisent des encodeurs de la famille Qwen, qui sont multilingues. Les échantillons sont petits, avec 5–10 images : ces résultats donnent donc un ordre d’idée, sans constituer un benchmark.

Un styliste IA sans cloud

Un LLM local capable de tenir dans 16 Go aux côtés des modèles de génération manque de capacités pour jouer le rôle de styliste. Le fonctionnement retenu est donc le suivant : un modèle de vision local décrit la photo, un agent performant (Claude Code, Codex) reçoit le texte via MCP, puis l’application génère à nouveau l’image. Celle-ci ne quitte jamais l’ordinateur.

La contrepartie est que l’agent ne voit pas lui-même la photo. Le dialogue permet de compenser cette limite : on peut lui préciser ses goûts et ce que le modèle de vision a manqué. Lors d’un échange, le styliste a cru que la photo représentait l’épouse de l’auteur, alors que la jeune femme avait été générée.

Le visage pose un problème à part : Klein redessine l’ensemble de l’image. Les yeux, le nez et les lèvres sont donc transférés depuis l’original à l’aide de points de repère, puis la ressemblance est vérifiée. Si le visage ne correspond pas, la génération est relancée, avec un maximum de trois tentatives. Sur une série de sept variantes présentant différentes coiffures et couleurs de cheveux, la mesure de différence entre les visages est restée dans une plage de 0,013–0,036, soit dans la zone verte.

Ce que cela change en pratique

Si vous développez un produit reposant sur la génération locale avec une interface en russe, examinez l’encodeur du modèle, pas seulement sa taille. Pour les inscriptions en cyrillique, seuls les modèles dotés d’encodeurs Qwen conviennent réellement, et il faudra malgré tout générer plusieurs variantes. L’architecture « cerveau dans le cloud + yeux et mains en local via MCP » constitue un moyen viable de préserver la confidentialité lorsque les capacités d’un petit LLM local ne suffisent pas.

Les limites sont clairement exposées : les modèles lourds peuvent prendre jusqu’à deux minutes, les retouches par dialogue nécessitent un agent IA et la carte graphique doit disposer d’au moins 16 Go. L’installation est simplifiée par imagecaster-server : il installe lui-même Forge Neo, Ollama si nécessaire, ainsi que les versions requises de Python et de git dans son propre dossier.