Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

Modèle de diffusion

Un modèle de diffusion est un modèle génératif qui apprend à transformer du bruit aléatoire en données, comme une image, en retirant un peu de bruit à la fois sur de nombreuses étapes.

Aussi appelé : diffusion, denoising diffusion, latent diffusion

Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode

L'entraînement part de vraies images et leur ajoute du bruit étape par étape jusqu'à ce qu'il ne reste plus que de la neige. Le modèle apprend à annuler une étape de ce bruit. Pour générer, on part d'un bruit pur et on applique encore et encore l'étape de débruitage apprise jusqu'à ce qu'une image nette apparaisse. L'article DDPM de 2020, par Ho, Jain et Abbeel, a montré que cette approche pouvait produire des images de grande qualité.

Pourquoi c'est important

La plupart des générateurs d'images et de vidéos que vous croisez aujourd'hui, des outils texte vers image aux modèles texte vers vidéo, reposent sur la diffusion. Parmi les exemples ouverts figure FLUX.2 dev, et des bibliothèques comme Diffusers et ComfyUI les font tourner en local. D'autres modèles sont listés sous modèles d'images.

Diffusion latente

Faire tourner la diffusion directement sur les pixels est lent et coûteux. La diffusion latente, introduite par Rombach et ses collègues, compresse d'abord l'image avec un autoencodeur et effectue le débruitage dans cet espace plus petit. Des couches d'attention croisée permettent à un prompt textuel d'orienter chaque étape. C'est la conception qui sous-tend Stable Diffusion et de nombreux modèles depuis.

Limites

La génération nécessite de nombreuses étapes successives : elle est donc plus lente que la production d'une image en une seule passe. Le pilotage est indirect : le prompt, l'échelle de guidage et des modules comme ControlNet orientent tous le débruitage plutôt qu'ils ne dictent le résultat. Un modèle de langage par diffusion applique la même idée au texte.

Termes liés

Text-to-image
Le text-to-image (texte vers image) consiste à générer une nouvelle image à partir d'une description écrite, appelée prompt. La plupart des modèles text-to-image actuels sont des modèles de diffusion conditionnés par le texte.
Text-to-video
Le text-to-video (texte vers vidéo) consiste à générer un court clip vidéo à partir d'un prompt écrit. Les modèles doivent produire des images qui paraissent correctes une à une et qui s'enchaînent aussi de façon cohérente d'une image à la suivante.
Échelle de guidage (CFG)
L'échelle de guidage (guidance scale), ou CFG scale, est un réglage des générateurs d'images par diffusion qui contrôle à quel point le résultat suit le prompt. Des valeurs plus élevées suivent le prompt de plus près mais réduisent la variété.
ControlNet
ControlNet est un module complémentaire de réseau de neurones qui permet à un modèle de diffusion texte vers image de suivre un guide structurel, comme une carte de contours, une carte de profondeur ou une pose humaine, en plus du prompt textuel.
Modèle de langage par diffusion
Un modèle de langage par diffusion (dLLM) génère du texte en partant d'une séquence entièrement masquée ou bruitée et en affinant de nombreuses positions de tokens en parallèle sur plusieurs étapes, au lieu d'écrire un token à la fois.
Modèle autorégressif
Un modèle autorégressif génère une séquence morceau par morceau, en prédisant chaque token suivant à partir de tous les tokens précédents et en réinjectant cette sortie en entrée. La plupart des grands modèles de langage fonctionnent ainsi.

Sources