Logiciels & applications

Janus-Pro de DeepSeek : un score supérieur à DALL-E 3, mais des limites concrètes

24 septembre 2026 Delphine Bernard 8 min de lecture

Janus-Pro est le modèle multimodal de DeepSeek conçu pour comprendre une image et en générer une à partir d’une instruction textuelle. Son intérêt ne se limite pas à la génération d’images : il réunit les tâches de vision et de texte dans une même architecture, avec des poids accessibles. Pour un développeur, un créatif ou un curieux, la question est donc de savoir ce qu’il réussit réellement, où le tester et quelles contraintes prévoir. Pour mesurer l’intérêt d’une architecture à experts activés sélectivement, l’approche MoE de DeepSeek permet de comparer la puissance obtenue avec une fraction des paramètres sollicités à chaque requête.

Table des matières

Un modèle image-texte qui corrige les faiblesses de Janus

Publié par DeepSeek le 27 janvier 2025, Janus-Pro prolonge Janus, un premier modèle multimodal unifié. Il peut répondre à des questions sur une image, en décrire le contenu et produire une nouvelle image à partir d’un prompt. Cette double compétence le distingue des outils centrés sur le text-to-image ou sur la reconnaissance visuelle.

Quiz : que retenir de Janus-Pro ?

Répondez aux 6 questions, puis validez pour découvrir votre score et les corrections.

0/6 réponses Score : 0/6

1. Que signifie l’encodage visuel découplé dans Janus-Pro ? Un seul encodage visuel utilisé sans distinction pour toutes les tâches Des voies d’encodage distinctes adaptées à la compréhension et à la génération d’images La suppression de tout encodage des images

L’approche découple les voies visuelles afin d’adapter l’encodage aux besoins de la compréhension et de la génération.

2. Quel encodeur visuel est mentionné pour Janus-Pro ? SigLIP-L Un encodeur audio spécialisé Un décodeur vidéo

SigLIP-L est l’encodeur visuel cité dans les informations consacrées à Janus-Pro.

3. Quel score GenEval est attribué à Janus-Pro dans l’article ? 0,50 0,68 0,80 1,00

Le score GenEval indiqué pour Janus-Pro est de 0,80.

4. Quelle résolution d’image est indiquée pour Janus-Pro ? 224 × 224 pixels 256 × 256 pixels 512 × 512 pixels 384 × 384 pixels

La résolution mentionnée est de 384 × 384 pixels.

5. Quelle différence distingue principalement les versions 1B et 7B ? La version 1B contient davantage de paramètres que la version 7B La version 7B est plus grande, tandis que la version 1B est une version plus légère Elles ont exactement la même taille et les mêmes paramètres

Les appellations 1B et 7B correspondent à des tailles de modèle différentes, la version 7B étant la plus grande.

6. Quelle licence est indiquée pour le code et les poids de Janus-Pro ? La licence MIT pour le code comme pour les poids Une licence propriétaire pour le code et les poids Une licence exclusivement réservée à la recherche

L’article indique que le code et les poids sont distribués sous licence MIT.

Comprendre et générer sans employer la même représentation visuelle

L’originalité de Janus-Pro repose sur un encodage visuel découplé. Dans de nombreux modèles unifiés, le même encodeur doit à la fois extraire le sens d’une image et contribuer à sa génération. Ces deux fonctions n’ont pas exactement le même objectif : la compréhension recherche une représentation sémantique stable, tandis que la génération doit restituer les formes, les couleurs et la composition. DeepSeek sépare donc ces voies d’encodage avant de les relier à un Transformer unifié.

Cette approche cherche à réduire le conflit entre compréhension et synthèse visuelle, tout en conservant un cadre autorégressif commun. L’encodeur utilisé pour l’analyse est SigLIP-L. Pour la génération, le modèle s’appuie sur un tokenizer d’image avec un downsample rate de 16. L’image est ainsi transformée en unités manipulables par le modèle de langage, puis reconstruite progressivement.

À qui ce positionnement est-il utile ?

Janus-Pro convient surtout aux expérimentations multimodales : analyser une référence avant de proposer une variation, intégrer une brique image-texte dans une application ou comparer les réponses d’un même modèle sur des entrées écrites et visuelles. Il est moins adapté si le besoin prioritaire concerne des visuels publicitaires en très haute définition, des maquettes avec un texte parfaitement lisible ou une retouche photo avancée.

Le score GenEval est solide, mais il ne résume pas la qualité d’une image

Le chiffre le plus cité est un score de 0,80 sur GenEval, contre 0,67 pour DALL-E 3. GenEval évalue notamment la capacité d’un générateur à suivre des consignes : nombre d’objets, couleurs, relations spatiales ou attributs demandés. Sur ce terrain précis, Janus-Pro montre une bonne aptitude à respecter un prompt structuré.

Infographie Janus Pro DeepSeek sur l’architecture multimodale, le score GenEval et la résolution 384 × 384 pixels

Critère	Janus-Pro	DALL-E 3	Ce qu’il faut en déduire
Score GenEval	0,80	0,67	Avantage mesuré pour le suivi des consignes évaluées par ce benchmark.
Nature du modèle	Multimodal, compréhension et génération	Génération d’images	Janus-Pro a un périmètre fonctionnel plus large.
Résolution annoncée	384 × 384 pixels	Variable selon le service	La comparaison visuelle finale ne peut pas se limiter à GenEval.
Accès aux poids	Open-weight	Service propriétaire	Janus-Pro facilite l’expérimentation et le déploiement contrôlé.

Dire que Janus-Pro « bat » DALL-E 3 doit donc rester contextualisé. Un benchmark mesure des critères définis, pas toute l’expérience créative. La direction artistique, le rendu des matières, la cohérence d’une série d’images, la typographie et le respect d’un style doivent être vérifiés avec ses propres prompts. Face à Stable Diffusion ou Flux, le choix dépend aussi de l’écosystème recherché, des workflows disponibles et du niveau de personnalisation attendu.

Choisir une version et vérifier la licence avant un déploiement

Les variantes de Janus-Pro sont bâties sur DeepSeek-LLM-1.5b-base et DeepSeek-LLM-7b-base. Les appellations 1B, parfois rapprochées de 1,5 milliard de paramètres selon la base employée, et 7B désignent avant tout des ordres de grandeur. Une version plus compacte facilite les essais, tandis qu’une version plus grande vise généralement des résultats plus robustes, au prix de ressources supérieures.

1B ou 7B : le choix dépend du scénario

Janus-Pro-1B convient à la découverte, aux démonstrations dans le navigateur et aux prototypes légers.
Janus-Pro-7B s’adresse davantage aux essais qualitatifs et aux usages locaux ou hébergés qui peuvent mobiliser davantage de mémoire GPU.
Pour une génération sur un GPU L4, un test cité nécessite 22 Go de VRAM et produit une image en environ 15 secondes. Ce repère ne garantit pas les besoins de toutes les configurations : le matériel, les bibliothèques et les paramètres d’inférence peuvent modifier le résultat.

Le code est publié sous licence MIT, tandis que les poids du modèle relèvent de la DeepSeek Model License. L’usage commercial est autorisé, sous réserve de lire les conditions applicables au modèle choisi et de respecter les obligations associées. Pour intégrer Janus-Pro à un produit, il faut donc examiner séparément la licence du code, celle des poids, les dépendances logicielles et les règles internes de traitement des contenus.

Tester le modèle sans installation, puis préparer un essai local

Le moyen le plus simple consiste à utiliser le modèle Janus-Pro-7B sur Hugging Face et sa démonstration associée. Cette option évite de configurer Python, les pilotes GPU ou l’environnement d’inférence. Une démo WebGPU basée sur Transformers.js permet aussi d’exécuter la variante légère dans un navigateur compatible, sans installer un environnement de développement complet.

Une méthode de test qui évite les faux verdicts

Préparez trois prompts courts : un objet unique, une scène avec plusieurs contraintes et une instruction contenant des relations spatiales.
Rédigez-les de préférence en anglais, avec des indications explicites sur le sujet, le nombre d’éléments, le cadrage et le style.
Générez plusieurs essais avec chaque outil comparé, plutôt que de juger une seule image.
Contrôlez séparément le respect du prompt, la lisibilité, les détails et l’esthétique globale.

Une image peut être séduisante tout en échouant à répondre à la demande. À l’inverse, elle peut respecter les objets demandés avec un rendu peu convaincant. Cette grille permet de distinguer la fidélité aux instructions et la qualité artistique, deux dimensions souvent confondues dans les comparaisons rapides.

Les limites à garder en tête avant de croire au modèle universel

La résolution de sortie de 384 × 384 pixels est la limite la plus immédiate. Elle suffit pour évaluer une composition, réaliser un concept visuel ou enrichir une interface de démonstration, mais elle restreint l’usage direct pour l’impression, les grands formats et les créations qui demandent beaucoup de détail. L’OCR et la restitution des petits textes restent également imparfaits.

Un réflexe utile consiste à regarder une création comme si elle portait un masque, en retirant d’abord les détails séduisants. Réduisez l’image à une vignette, puis vérifiez la silhouette, la hiérarchie des objets et le sens de la scène. Agrandissez-la ensuite pour inspecter les mains, les inscriptions, les textures et les contours. Avec une sortie en 384 × 384 pixels, cette lecture en deux temps révèle rapidement si l’image tient par sa composition ou si elle ne fonctionne que grâce à une impression générale.

La prudence reste préférable au verdict définitif

Le succès sur GenEval ne garantit ni une cohérence parfaite dans les scènes complexes ni une précision constante sur les détails fins. Les réactions enthousiastes qui ont accompagné sa sortie doivent être confrontées à des tests reproductibles, menés sur les cas d’usage réels de chaque équipe. Janus-Pro est un modèle intéressant pour explorer l’IA multimodale avec des poids accessibles. Il ne remplace pas automatiquement tous les générateurs d’images existants.