Qwen-Image-2512 : Le Top 1 Open Source pour la Génération d'Images IA

Les modèles d'IA de génération d'image évoluent à vitesse grand V et il ne se passe pas une semaine sans qu'un nouveau modèle ne sorte et vienne prendre la place du précédent "meilleur". Cette fois, on va se pencher sur Qwen-Image-2512, un modèle proposé par Alibaba, l'éditeur chinois.

Et il faut bien dire qu'ils sont assez productifs en ce qui concerne les modèles d'IA, que ce soit sur les images ou sur la génération de texte. D'ailleurs, le prochain test concernera certainement un autre modèle de la famille Qwen mais cette fois pour l'édition d'image (QwenImageEdit).

Le modèle a été exécuté sur le même environnement que lors du test Z-Image Turbo, à savoir une RTX 5090 le tout dans un ordinateur ayant 32 Go de RAM et un CPU 7800X3D. Le modèle tournant intégralement en VRAM, la partie CPU n'a pas grande importance.

Par contre, je conseille vivement d'avoir au minimum 32 Go de RAM car malgré cela une certaine quantité de RAM est consommée lors du chargement du modèle (+ prévoir aussi un léger overhead pour Python qui sert à lancer le programme).

Utilisation mémoire : GPU quasi full en VRAM (24 Go) et + de 24 Go de RAM système Cliquez pour agrandir

Il a aussi fallu prendre un modèle quantifié en 4-bit pour que ça tourne sur ce setup (unsloth/Qwen-Image-2512-unsloth-bnb-4bit) mais comme on va le voir, le résultat est plutôt convaincant.

Le modèle va jusqu'au BF16 (qui devrait donner le meilleur résultat) mais ce dernier monte à 40 Go juste pour le modèle. La version que j'ai utilisée n'occupe "que" 13 Go mais comme on le voit sur le screenshot, on est déjà full lors d'une génération d'image en 1024×1024. Il faudra donc prévoir un GPU type RTX 6000 Pro pour faire tourner le plus gros modèle.

Versions du Modèle Disponibles

La vitesse de génération est plus lente que Z-Image Turbo avec environ 1 minute par image en 1024×1024 avec 50 étapes d'inférence. Cela reste correct malgré tout pour un GPU saturé.

Temps de génération : environ 60 secondes par image en 1024×1024 Cliquez pour agrandir

Comparatif des Temps de Génération

La différence de vitesse s'explique par le nombre d'étapes d'inférence : Z-Image Turbo utilise une architecture optimisée qui ne nécessite que 9 étapes, alors que Qwen-Image-2512 en requiert 50 pour un résultat optimal.

Prérequis

1. Installer PyTorch avec CUDA

# Pour RTX 50xx (Blackwell) - CUDA 12.8
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

# Pour RTX 40xx/30xx - CUDA 12.4
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124

2. Installer diffusers depuis git

pip install git+https://github.com/huggingface/diffusers
pip install accelerate transformers sentencepiece bitsandbytes

Script de Génération

import torch
from diffusers import DiffusionPipeline

model_name = "unsloth/Qwen-Image-2512-unsloth-bnb-4bit"

# Charger le pipeline
pipe = DiffusionPipeline.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16
).to("cuda")

# Générer une image
prompt = "A majestic mountain landscape at sunset"
negative_prompt = "low quality, blurry, distorted"

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    width=1024,
    height=1024,
    num_inference_steps=50,
    true_cfg_scale=4.0,
    generator=torch.Generator("cuda").manual_seed(42)
).images[0]

image.save("mon_image.png")

Note pour les RTX 50xx (Blackwell)

Si vous utilisez une carte graphique de la série RTX 50xx, assurez-vous d'installer PyTorch avec le support CUDA 12.8 (cu128) pour une compatibilité optimale avec l'architecture Blackwell.

Les deux modèles ont leurs forces : Z-Image-Turbo pour la rapidité et l'accessibilité (moins de VRAM requis), Qwen-Image-2512 pour la qualité pure, notamment sur les visages et le rendu de texte.

Là où les modèles open source vont sous-performer par rapport à des modèles fermés type Nano Banana Pro (Google), c'est surtout sur la génération de texte complexe, particulièrement en français.

D'ailleurs, j'ai lancé ces prompts sur le modèle Google le plus haut de gamme actuellement (en janvier 2026), c'est-à-dire Nano Banana Pro, et on constate une très nette supériorité de ce modèle dès que du texte entre en jeu (entre autres).

Je prépare d'ailleurs un article pour comparer les résultats entre Nano Banana Pro et les modèles testés jusqu'ici. On parlera des coûts, des performances et des résultats visuels.

Résumé des Limitations

• Génération de texte : Moins bon que les modèles propriétaires, surtout pour les langues autres que l'anglais et le chinois
• VRAM élevée : Même quantifié, le modèle requiert 24 Go de VRAM
• Vitesse : ~60s par image contre ~1,5s pour Z-Image-Turbo
• Pas d'édition : Contrairement à certains modèles, pas de fonctionnalité d'édition d'image intégrée (QwenImageEdit arrive)