DeepSeek lance Janus-Pro, un modèle ouvert qui défie DALL-E 3

À la fin de janvier 2025, DeepSeek élargit son offensive dans l’intelligence artificielle générative avec Janus-Pro, un modèle destiné à travailler à la fois avec le texte et l’image. L’entreprise chinoise ne présente pas seulement un générateur d’illustrations : elle revendique aussi de bonnes capacités de compréhension visuelle. Sur un test de suivi d’instructions, sa version la plus imposante fait mieux que DALL-E 3 d’OpenAI. Cette comparaison mérite toutefois d’être lue pour ce qu’elle est : le résultat d’un protocole précis, pas le verdict définitif d’un duel entre deux produits.

Janus-Pro, un modèle qui comprend et génère des images

Janus-Pro appartient à la catégorie des modèles multimodaux. Ces systèmes sont entraînés pour établir des liens entre plusieurs formes d’information, en l’occurrence le langage et les images. Ils peuvent donc recevoir une image accompagnée d’une question, ou produire une image à partir d’une description textuelle.

Dans la pratique, ce double rôle recouvre deux usages distincts. Le premier est la compréhension visuelle : identifier des objets, interpréter une scène ou répondre à une question portant sur une image. Le second est la génération visuelle : transformer une instruction telle qu’une description de décor, d’objet ou de composition en une nouvelle image.

DeepSeek propose Janus-Pro en deux tailles : Janus-Pro-1B, avec 1 milliard de paramètres, et Janus-Pro-7B, avec 7 milliards de paramètres. Les paramètres sont les valeurs internes ajustées lors de l’entraînement d’un réseau de neurones. Leur nombre ne garantit pas, à lui seul, la qualité d’un modèle, mais il donne une indication de son échelle et de sa capacité de calcul.

Le positionnement est notable à deux titres. D’une part, DeepSeek cherche à se mesurer aux grands outils propriétaires de génération d’images, au premier rang desquels figure DALL-E 3. D’autre part, l’entreprise rend le code et les modèles accessibles ouvertement, ce qui permet aux développeurs, chercheurs et équipes techniques de les étudier, de les tester et de les adapter à leurs propres environnements.

Une architecture issue des travaux de DeepSeek sur le multimodal

Janus-Pro s’inscrit dans les recherches récentes de DeepSeek sur les liens entre texte et image. À la fin de l’année 2024, la start-up avait notamment présenté JanusFlow, un cadre associant des modèles de langage autorégressifs à une méthode de modélisation générative appelée rectified flow.

Un modèle autorégressif produit une information étape par étape, en s’appuyant sur ce qui a déjà été généré. C’est le principe couramment employé par les grands modèles de langage pour prédire le mot ou le fragment suivant. La génération d’images pose une difficulté supplémentaire : une image contient de très nombreuses informations visuelles, dont les textures, les formes, les objets et leur position dans l’espace.

Pour traiter ces informations, Janus-Pro s’appuie sur une stratégie d’encodage et de décodage visuel. Schématiquement, l’image est convertie en unités exploitables par le modèle, souvent appelées tokens visuels. Le système peut alors relier ces unités aux mots d’une consigne ou d’une question, puis construire une réponse ou générer une image.

L’idée importante derrière la famille Janus est de ne pas traiter de façon identique la compréhension d’image et sa génération. Ces deux tâches ont des besoins différents : comprendre une photographie demande de préserver des indices utiles au raisonnement, tandis que générer une image exige de produire une représentation visuelle cohérente. DeepSeek met en avant cette séparation des traitements visuels, ainsi qu’une stratégie d’entraînement et des données étendues, pour améliorer les résultats.

Cette approche ne transforme pas automatiquement Janus-Pro en service prêt à l’emploi pour le grand public. Il s’agit d’abord d’un modèle, c’est-à-dire d’une brique technologique. Entre un modèle téléchargeable et une application fluide accessible à tous, il reste à fournir de l’infrastructure, une interface, de la puissance de calcul et, selon les usages, des garde-fous.

Que disent les scores face à DALL-E 3 ?

DeepSeek a évalué Janus-Pro sur plusieurs benchmarks, ces jeux de tests standardisés qui servent à comparer les modèles. Deux résultats sont particulièrement mis en avant pour la version Janus-Pro-7B.

Avec 79,2 sur MMBench, Janus-Pro-7B affiche une progression face aux précédents modèles Janus et à TokenFlow dans la compréhension multimodale. MMBench est conçu pour évaluer la capacité d’un système à répondre à des questions visuelles. Un bon résultat indique que le modèle relie efficacement les éléments d’une image aux consignes textuelles, mais ne mesure pas à lui seul l’esthétique ou le réalisme des images générées.

Le chiffre le plus marquant pour le grand public concerne GenEval. Janus-Pro-7B y atteint 0,80, contre 0,67 pour DALL-E 3. Ce benchmark s’intéresse au respect d’instructions de génération : présence d’objets demandés, relations spatiales, attributs, quantités ou combinaisons d’éléments. Il cherche donc à vérifier si l’image produite correspond réellement à la demande écrite.

Ce résultat est significatif, car le suivi des consignes demeure l’un des défis majeurs des générateurs d’images. Un système peut créer une image séduisante tout en oubliant un objet, en confondant une quantité ou en plaçant un élément au mauvais endroit. Un score supérieur sur GenEval suggère que Janus-Pro-7B gère mieux ces contraintes dans les conditions de ce test.

Il faut néanmoins éviter une interprétation excessive. Les benchmarks sont utiles parce qu’ils proposent un cadre commun, mais ils ne couvrent pas tous les critères d’un usage réel. Ils ne résument ni la diversité créative, ni la vitesse de génération, ni la facilité d’utilisation, ni la sûreté des contenus, ni la régularité des résultats selon les langues et les requêtes. Ils ne permettent pas non plus de conclure qu’un modèle est meilleur dans absolument tous les contextes.

L’ouverture du modèle change les possibilités d’expérimentation

La disponibilité ouverte du code et des modèles est l’une des caractéristiques les plus importantes de Janus-Pro. Là où les services comme DALL-E 3 sont principalement accessibles à travers une interface ou une API contrôlée par leur éditeur, un modèle ouvert offre davantage de possibilités de vérification et d’appropriation technique.

Les profils les plus concernés sont les suivants :

• les chercheurs, qui peuvent reproduire des évaluations et analyser les forces comme les faiblesses du modèle ;
• les développeurs, qui peuvent intégrer le modèle dans une application ou expérimenter des réglages ;
• les entreprises disposant de compétences techniques, qui peuvent évaluer un déploiement dans leur propre infrastructure ;
• les créatifs et designers familiers des outils d’IA, qui peuvent explorer ses capacités de génération.

Cette ouverture ne signifie pas que Janus-Pro est simple à utiliser sans connaissances. Exécuter un modèle de cette taille nécessite un environnement logiciel adapté et des ressources matérielles suffisantes. La variante à 1 milliard de paramètres peut intéresser des expérimentations plus légères, tandis que la version à 7 milliards de paramètres est celle dont les résultats de référence sont ici mis en avant.

Pour DeepSeek, l’intérêt est aussi stratégique. Mettre des modèles à la disposition de la communauté peut accélérer les retours, les adaptations et l’identification des limites. Dans un secteur où les modèles propriétaires dominent largement les usages grand public, cette approche donne de la visibilité à des alternatives que les équipes techniques peuvent inspecter plus directement.

Une limite de 384 × 384 pixels à ne pas minimiser

Les bonnes performances revendiquées ne font pas disparaître les limites signalées par DeepSeek. La plus concrète tient à la résolution : les images traitées sont limitées à 384 × 384 pixels. Cette contrainte peut réduire la finesse des résultats dès qu’une tâche exige des détails petits ou nombreux.

C’est particulièrement important pour des cas comme la lecture de texte intégré à une image, une tâche souvent désignée par l’acronyme OCR, pour reconnaissance optique de caractères. À faible résolution, les lettres, chiffres et petits symboles deviennent plus difficiles à distinguer. Une image peut conserver son sens général tout en perdant les informations précises nécessaires à une lecture fiable.

DeepSeek relève également des pertes de reconstruction liées au tokenizer visuel. En termes simples, le mécanisme qui convertit une image en unités manipulables par le modèle ne préserve pas nécessairement tous ses détails. Janus-Pro peut ainsi produire ou interpréter un contenu riche sur le plan sémantique, c’est-à-dire fidèle aux grandes idées, aux objets et à la scène demandés, tout en manquant de précision dans les textures ou les éléments fins.

Les chercheurs estiment qu’une hausse de la résolution pourrait améliorer les performances. C’est une piste logique, mais elle pose aussi une question de ressources : plus une image contient de pixels, plus son traitement demande de mémoire et de calcul. Le défi consiste donc à gagner en précision sans rendre le modèle trop coûteux ou trop lent à exécuter.

Un concurrent crédible, mais pas un verdict sur le marché

Le lancement de Janus-Pro intervient dans un marché où les progrès des modèles d’image reposent autant sur la qualité des données et des méthodes d’entraînement que sur l’accès aux infrastructures de calcul. En se plaçant face à DALL-E 3 sur GenEval, DeepSeek fournit un repère facilement compréhensible. La différence de score est réelle dans ce protocole : 0,80 contre 0,67.

Mais comparer un modèle ouvert à un produit commercial demande de distinguer plusieurs niveaux. DALL-E 3 est un système intégré à l’écosystème d’OpenAI, avec ses modes d’accès et ses règles d’usage. Janus-Pro est une famille de modèles que des utilisateurs techniques peuvent récupérer et faire fonctionner. Leurs modalités d’emploi, leur expérience utilisateur et leurs conditions de déploiement ne sont donc pas identiques.

Pour les entreprises, l’enjeu ne consiste pas seulement à regarder un classement. Elles doivent déterminer si le modèle répond à un besoin précis : produire des maquettes visuelles, analyser des images, automatiser un contrôle, assister une équipe créative ou construire une fonctionnalité dans un logiciel. Dans chacun de ces cas, la meilleure méthode reste de tester des consignes représentatives, puis de mesurer la qualité et la fiabilité obtenues.

Janus-Pro illustre surtout une tendance de fond : la compétition dans l’IA générative ne se joue plus uniquement sur les assistants de texte. La capacité de croiser langage et vision devient un terrain de rivalité majeur, avec des modèles de plus en plus capables de raisonner sur une image et de matérialiser une demande écrite.

Ce qu’il faut surveiller après le lancement

La première question sera celle de l’adoption. L’ouverture de Janus-Pro permettra de voir si des développeurs et des chercheurs parviennent à le faire fonctionner efficacement dans des applications concrètes. Les retours sur la qualité des générations, la stabilité des résultats et les ressources nécessaires seront aussi instructifs que les scores de benchmark.

Il faudra ensuite suivre les progrès sur la résolution. La limite actuelle de 384 × 384 pixels est clairement identifiée par DeepSeek. Son éventuelle évolution déterminera la capacité du modèle à traiter des scènes plus complexes, des détails plus fins et des usages où la précision visuelle est indispensable.

Enfin, la publication rappelle qu’il faut juger les modèles multimodaux sur plusieurs critères à la fois. Janus-Pro affiche des résultats prometteurs et une ouverture rare à cette échelle. Pour devenir une alternative durable aux solutions les plus installées, il devra confirmer ses performances au-delà des tests, dans les contraintes très concrètes des usages créatifs, techniques et professionnels.