Ming-Image-0.1-Design vs Meta Muse Image : le modèle avec des traces écrites et le modèle avec un communiqué de presse

Deux modèles d'image sont apparus en 2026 de manières opposées. Ming-Image-0.1-Design est un modèle de génération d'images à partir de texte de 6,15 milliards de paramètres de l'équipe inclusionAI d'Ant Group, mis en ligne sur Hugging Face le 17 septembre 2026 sous licence MIT, sans annonce, sans billet de blog ni tableau de benchmarks — un dépôt de 71,5 Go que vous pouvez lire fichier par fichier. Meta Muse Image est le premier modèle d'images développé en interne par Meta Superintelligence Labs, lancé le 7 juillet 2026 avec une campagne de presse, des résultats de benchmarks annoncés par l'éditeur et aucun poids téléchargeable d'aucune sorte. La question intéressante n'est pas de savoir lequel dessine la meilleure affiche. C'est que l'un de ces modèles peut être audité aujourd'hui et que l'autre ne peut être pris que sur parole, et que celui qui peut être audité occupe la première place du seul classement indépendant sur lequel il apparaît.

L'un a été livré sous forme de fichiers. L'autre a été livré sous forme d'affirmation.

Commencez par ce qui compose réellement chaque version, car la différence n'est pas subtile.

• Ming-Image-0.1-Design — 6 154 901 056 paramètres, licence MIT, un diffusers pipeline, tous les poids en safetensors BF16, environ 71,5 Go répartis dans six dossiers de composants : connector/ (2 fragments), mllm/ (7 fragments), mlp/ (124,8 Mo), scheduler/, transformer/ (5 fragments) et vae/ (253,8 Mo). Pas de model_index.json, c'est pourquoi la voie recommandée est un git clone du dépôt d'inférence et python infer.py plutôt qu'un appel de pipeline en une ligne.

• Meta Muse Image — pas de poids, aucun nombre de paramètres publié, aucun document d'architecture, aucun fichier de licence à lire. Il est accessible en tant que service et, depuis août 2026, via l'API Model de Meta sur un point de terminaison compatible avec OpenAI, pour un tarif forfaitaire de 0,01 $ par image. Tout ce que vous savez sur ses mécanismes internes provient de la propre description qu'en fait Meta.

Cette asymétrie a une conséquence pratique qui n'a rien à voir avec la qualité d'image. Avec la version Ming, vous pouvez répondre à des questions que le fournisseur n'a jamais abordées : ce qu'est l'encodeur de texte, combien d'étapes d'échantillonnage le planificateur attend, si le VAE émet quatre canaux ou huit, si le connecteur MLP fait quoi que ce soit que vous pourriez remplacer. Avec Muse Image, vous ne pouvez répondre à aucune d'entre elles, et vous ne le pourrez pas non plus le trimestre prochain, car il n'y a aucun artefact à ouvrir.

Le seul chiffre qui vaut la peine d’être cité, et d’où il vient

Ming-Image-0.1-Design occupe la première place du classement Artificial Analysis Text to Image Leaderboard for UI/UX Design, dans la vue open-weights, avec un Elo de 1 082. Le classement derrière lui est le suivant : Ideogram 4.0 (Quality) à 1 052, Ideogram 4.0 à 1 015, HunyuanImage 3.0 Instruct à 1 005, FLUX.2 [dev] à 1 000, FLUX.2 [dev] Flash à 999 et FLUX.2 [dev] Turbo à 994.

Trois notes d’honnêteté à ce sujet, car c’est la preuve la plus solide de cette comparaison et elle mérite d’être traitée avec prudence. Premièrement, la copie de ce classement que nous lisons est celle publiée sur la fiche du modèle lui-même, et elle porte l’image de marque d’Artificial Analysis — c’est un tableau Artificial Analysis reproduit par le fournisseur, pas un chiffre que nous avons généré. Deuxièmement, personne n’a reproduit le score de manière indépendante, et un tableau Elo de préférence à l’aveugle est une statistique de population, pas un test par invite : il vous dit quelle image une foule a préférée en moyenne, pas si le modèle rendra correctement votre infographie spécifique. Troisièmement, et c’est la partie qui explique beaucoup de choses, le classement est filtré sur les poids ouverts. Meta Muse Image ne peut pas y apparaître, donc son absence n’est pas un résultat.

Pour Muse Image, les chiffres sont ceux de Meta et d'Artificial Analysis, et ils devraient être étiquetés comme tels. Meta a rapporté un taux de cohérence des personnages multi-images de 94 %, la prise en charge de jusqu'à 10 images de référence et une sortie allant jusqu'à 1600 pixels sur le côté le plus long. Artificial Analysis classe le modèle dans les cinq premiers pour le text-to-image et troisième sur son tableau d'édition d'image avec un Elo d'environ 1 105. Il s'agit respectivement de chiffres rapportés par le fournisseur et mesurés de manière indépendante, et ce ne sont pas des choses de même nature.

Ce que Ming-Image-0.1-Design est conçu pour faire

La fiche du modèle est précise quant à sa cible, et il ne s'agit pas de photographie polyvalente. Il est destiné aux interfaces utilisateur, aux infographies, aux affiches et aux travaux de design à forte densité de texte — la catégorie d'images où la difficulté réside dans la lisibilité de la typographie et la propreté de la mise en page plutôt que dans le rendu photoréaliste des textures. Les réglages recommandés le reflètent : sortie en 2048×2048, ou 1024 si vous privilégiez la vitesse, 12 étapes d'échantillonnage, guidage sans classifieur à 1,0, précision BF16, et un seul GPU CUDA de 80 GiB. L'amélioration du prompt devrait provenir d'un modèle vision-langage distinct — la fiche cite Ling-3.0-flash-VL et qwen3.8-27B — et le déploiement devrait passer par vLLM-Omni.

Il existe également un compagnon, Ming-Image-0.1-Design-Layer, qui est un dépôt distinct avec un tag de pipeline différent (image-text-to-image), 6 154 908 736 paramètres et la même licence MIT. Son rôle est la décomposition en calques : vous lui fournissez une image de design aplatie ainsi qu'un plan de calques, et il renvoie des calques RGBA. Il tourne à 1024 dans son bucket par défaut, ou à 512 pour plus de rapidité, en 12 étapes avec un guidage à 2,0 et flash_attention_2. La fiche présente les résultats sur un ensemble de test Crello sous forme d'image plutôt que de tableau, ce qu'il vaut la peine de signaler si vous espériez le comparer numériquement à quoi que ce soit.

Qu’est-ce qui n’est véritablement pas encore connaissable ?

C'est ici que le cadrage doit être sans détour. Ming-Image-0.1-Design n'a pas de note de version, pas d'annonce, pas de section sur les limitations déclarées et aucune couverture tierce au moment de la rédaction. Le compteur de téléchargements du dépôt indique zéro. Il n'existe aucun point de terminaison hébergé par le fournisseur. La seule mesure indépendante est cette unique position dans le classement, et tout le reste — débit, respect des invites sur vos données, comportement à des nombres d'images de référence au-delà de quelques unités, propreté du canal RGBA sur les bords — n'est pas mesuré publiquement.

Ce que cela vous offre, c'est une évaluation courte et bien définie. Vous pouvez lire l'architecture, l'exécuter et vous faire votre propre opinion en une journée. Cela ne vous offre pas un benchmark que vous pouvez citer dans un document d'approvisionnement.

Meta Muse Image est l’image miroir. Il a été évalué sur deux classements indépendants et dispose d’un prix publié, et aucune de ces deux choses ne vous permettra d’inspecter un seul poids. Si votre contrainte est un audit de conformité qui demande d’où viennent les données d’entraînement et ce que le modèle fait avec une invite, « Meta dit » est toute la réponse dont vous disposez.

La version de cette comparaison sur laquelle un routeur peut agir

Aucun de ces deux modèles ne fait partie de ceux que nous routons, et cet article ne va pas laisser entendre le contraire. Meta Muse Image est fermé et servi par Meta ; Ming-Image-0.1-Design est un téléchargement de poids, sans aucune route hébergée. Les modèles d'image que nous exposons aujourd'hui sont la famille GPT-Image d'OpenAI, les différents paliers d'Imagen 4 et les aperçus d'image Gemini de Google, ainsi que le point de terminaison d'image Grok Imagine de xAI — tous derrière un seul point de terminaison compatible OpenAI, au prix catalogue du fournisseur et sans aucune marge, avec basculement automatique entre fournisseurs et un DSL de routage qui compose plusieurs modèles en un seul appel.

Cela compte ici pour une raison bien précise. Une publication à poids ouverts non annoncée avec une seule position dans un classement est exactement le type de modèle qu’une équipe veut évaluer sans parier sur lui une trajectoire de production. Le faire tourner à côté d’un modèle mesuré sur la même clé, plutôt que devant lui, c’est ainsi que l’on réalise l’évaluation sans second contrat ni modification de code.

Choisissez en fonction de ce que vous pouvez vérifier.

• Si vous avez besoin d'un modèle que vous pouvez inspecter, modifier, affiner ou exécuter sur votre propre matériel — Ming-Image-0.1-Design est la seule option des deux, et sa licence MIT est d'une permissivité inhabituelle pour une sortie d'image de 2026.

• Si vous avez besoin d’un modèle avec un prix publié et des scores indépendants que vous pouvez citer — Meta Muse Image est la seule option parmi les deux, et 0,01 $ par image est un chiffre qui survit à un examen budgétaire.

• Si vous avez besoin de transparence en sortie — le chemin RGBA de Ming-Image-0.1-Design et son compagnon Layer visent exactement cela ; l’approche de Meta en matière de transparence n’est pas publiée.

• Si vous avez besoin qu'il fonctionne cet après-midi — aucun des deux. L'un n'a pas de point de terminaison hébergé, l'autre n'a pas de téléchargement.

La question ouverte est plus étroite qu'elle n'en a l'air, et il s'agit d'une date plutôt que d'un benchmark. Ming-Image-0.1-Design a été mis en ligne le 17 septembre 2026 et personne ne l'a annoncé. Soit cette annonce arrive et la position au classement obtient une seconde lecture indépendante, soit elle n'arrive pas et cela reste un dépôt que seul un petit nombre de personnes a exécuté. La première évaluation par un tiers est ce qu'il faut surveiller, car c'est le moment où la trace écrite cesse d'être une promesse et commence à être une preuve.