Qwen-Image-2.1 face aux modeles proprietaires: 4 tests sur RTX 4090

👁 117 lectures

Qwen-Image-2.1 domine actuellement le classement des modeles ouverts de generation d’images sur Artificial Analysis. J’ai donc choisi de le soumettre exactement aux quatre memes bancs d’essai que ceux realises pour Ideogram 4.5 et FLUX 3. Le modele tournait en local sur ma carte RTX 4090, tandis que ses rivaux fonctionnaient via API. Le bilan s’avere contraste. Une image isolee presente un rendu magnifique et se genere en 6 a 20 secondes pour un cout electrique minime. Neanmoins, pour la typographie complexe, le respect strict de la mise en page et les retouches consecutives, les solutions proprietaires restent nettement superieures.

À lire aussi: Qwen-Image-2.1 : test sur dix styles d'images différents.

Le classement Artificial Analysis repose sur le vote d’utilisateurs comparant deux images a l’aveugle pour designer la plus esthetique. S’il s’agit d’un bon indicateur visuel, cela n’indique en rien si l’outil orthographie correctement des mots difficiles, place une tasse precisement dans un coin du cadre ou tolere dix modifications successives. C’est pourquoi je mesure ces aspects separement, a l’aide des memes scripts et instructions que pour la concurrence.

Notre protocole d’essai

• Materiel: RTX 4090 (24 Go), ComfyUI, Qwen-Image-2.1 en version quantifiee int8 (16,6 Go de fichiers), 25 etapes, echantillonneur Euler, cfg 1,0 - parametres conformes au modele officiel.
• Rivals: memes taches executees via l’API fal.ai, documentees dans nos evaluations d’Ideogram 4.5 et de FLUX 3 du 1er octobre 2026.
• Un seul essai par consigne, graine (seed) fixe, sans selection arbitraire des meilleurs rendus.
• Date: 2 octobre 2026.

Synthese des resultats

Test 1: typographie et caracteres accentues

Quatre visuels ont ete evalues: une affiche promotionnelle, un menu de cantine traditionnelle, la couverture d’un livre et un paquet de raviolis. L’evaluation a ete conduite en polonais, une langue riche en diacritiques exigeants, sur un ensemble de 13 inscriptions a retranscrire fidelement lettre par lettre. J’ai verifie personnellement la reconnaissance automatique sur chaque image en corrigeant les faux negatifs (comme la mention « MENU DU JOUR » parfaitement rendue en polonais sous la forme « MENU DNIA »).

Les mots courts et courants en majuscules sortent convenablement. En revanche, les difficultes apparaissent sur les associations de consonnes complexes et les petits caracteres. Sur le paquet de raviolis, le texte cense decrire un produit fait maison devient incoherent, et l’affiche contient des assemblages de lettres anarchiques. Pour des designs professionnels avec integration de texte precis, ce modele impose une retouche manuelle.

Test 2: respect de l’agencement et positionnement spatial

Quatre scenes contenant chacune quatre objets distincts, chacun assorti d’une position precise exprimee en pourcentages de la hauteur et de la largeur de l’image. Qwen-Image-2.1 ne gerant pas les boites de delimitation au format specifique, il a recu les memes descriptions textuelles que Nano Banana Pro, GPT Image 2.5 et Seedream. Un modele de vision a identifie l’emplacement exact de chaque element, apres quoi j’ai calcule l’intersection sur l’union (IoU) par rapport aux zones cibles.

Le rendu visuel global est soigne et inclut chaque composant demande. Cependant, le modele recompose la scene selon ses propres priorites et traite les coordonnees fournies comme de simples suggestions. Si votre projet impose un espace reserve a un logo ou a une zone textuelle stricte, orientez-vous plutot vers FLUX 3 avec cadrages JSON ou Seedream.

Test 3: niveau de detail sur plan large

Une scene urbaine complexe a ete soumise a l’outil, comprenant six enseignes, un kiosque et un tramway. Qwen-Image-2.1 l’a generee dans son format maximal en 16:9, a savoir 2752 x 1536 px, en 49 secondes. Sur le plan de la finesse effective, on atteint environ 3,1 Mpx de details reels, ce qui se rapproche de Grok Imagine 2 (3,3 Mpx). Seules 2 inscriptions sur 8 restent dechiffrables. Les petites enseignes en arriere-plan deviennent si reduites qu’elles se transforment en simples taches floues.

Test 4: retouches consecutives en boucle

Ce test simule un flux de travail avec une photographie de boulangerie soumise a dix modifications successives: changement de couleur de la porte, ajout d’un autocollant, trottinette a la place d’un velo, suppression d’un vehicule, nouvelle enseigne, lavande, manteau modifie, ajout d’un chat, mise a jour d’un tarif et suppression d’une poubelle. Chaque etape repart de l’image obtenue au cycle precedent. J’ai mesure la fidelite des zones qui devaient demeurer immobiles grace a l’indice de similarite structurelle (SSIM, 1 designant une image inchangee).

Sur l’execution immediate des ordres, Qwen-Image-2.1 s’execute correctement: la porte devient bien verte, la bicyclette disparait au profit de la trottinette et l’automobile s’efface. Cependant, chaque reencodage injecte du grain et sature excessivement la palette. des la troisieme generation, des artefacts apparaissent, et apres six iterations, le document devient inexploitable. Une retouche unique reste pourtant propre, ce qui explique sa flatteuse 18e place au classement d’edition d’Artificial Analysis. Ce palmares n’evalue toutefois qu’une seule etape isolee, et non dix passes consecutives.

Une precision methodologique s’impose: l’essai a ete conduit sur la version int8 sous ComfyUI. Lors du premier essai, en appliquant une reference en resolution 1024 vers une sortie en 2048, la degradation etait encore plus rapide (score SSIM de 0,08). Aligner les deux resolutions a attenue l’effet sans pour autant l’eliminer. La version integrale en bf16 ou des ajustements d’echantillonneur pourraient eventuellement offrir un meilleur comportement, mais le format bf16 ne rentre pas dans les 24 Go de VRAM avec l’encodeur de texte charge.

Recommandation pratique: si vous devez operer plusieurs retouches, appliquez l’ensemble des consignes en un seul prompt sur le fichier original plutot que d’enchainer les etapes les unes apres les autres.

En conclusion

• Pour produire des images rapides et flatteuses sans texte, Qwen-Image-2.1 s’avere excellent: environ 6 secondes pour un fichier 1K, aucun cout d’API et d’excellents scores aux tests a l’aveugle.
• Pour des compositions exigeant du texte parfaitement calibre, privilegiez GPT Image 2.5 ou Nano Banana Pro.
• Pour des mises en page d’une rigueur absolue, optez pour FLUX 3 avec ses cadres JSON.
• Pour une suite de retouches complexes sur le meme visuel, orientez-vous vers Ideogram 4.5 ou FLUX 3.
• Attention au cadre de licence: la licence Qwen Research restreint l’usage a la recherche et a l’evaluation technique. Tout debouche commercial necessite un accord direct avec Alibaba - consultez les details dans notre article consacre a la licence Qwen-Image-2.1.

Retrouvez notre tour d’horizon complet dans le classement des modeles ouverts pour l’image, ainsi que notre analyse de la performance du modele sur les bancs d’essai publics dans une actualite dediee.

Foire aux questions

Qwen-Image-2.1 surpasse-t-il Nano Banana Pro?

Dans les votes comparatifs d’Artificial Analysis, non: Nano Banana Pro cumule 1101 points contre 1034 pour Qwen-Image-2.1. Lors de nos mesures, Nano Banana Pro a largement domine sur la typographie (13 reussites contre 6) et sur le cadrage geometrique. Qwen l’emporte sur l’independance hors-ligne et l’absence totale de cout par generation.

Quel est le temps d’execution moyen sur une carte RTX 4090?

D’apres mes releves, comptez environ 6 secondes en format 1024 x 1024, 10 secondes en 1536 x 1024, 44 secondes en 2048 x 2048 et 49 secondes en 2752 x 1536. Une operation de retouche en 1536 x 1024 demande approximativement 20 secondes. Le chargement initial du modele en memoire reste nettement plus long lors du tout premier appel.

Pourquoi les retouches iteratives degradent-elles l’image?

Chaque passage reencode puis decode l’integralite des pixels, ce qui cumule les artefacts de compression a chaque etape. Ideogram 4.5 et FLUX 3 exploitent des procedes restaurant fidelement les zones intactes de la source, une possibilite absente du pipeline Qwen-Image-2.1 dans ComfyUI.

Peut-on deployer Qwen-Image-2.1 dans le cadre de son entreprise?

Pas sans accord commercial specifique. La licence de recherche de Qwen limite strictement l’utilisation a des fins d’analyse, d’etude et d’experimentation.

// lire la suiteQwen-Image-2.1 : avis, tests sur RTX 4090 et licenceBenchmarksNouveaux modèles sur fal.ai en octobre 2026 : 18 testsBenchmarksQwen-Image 2.1 Turbo : générer une image en 4 s sur RTX 4090Benchmarks

Kinetyra