Qu’est-ce que Iris-3B ?
Iris-3B est un modèle texte-image à poids ouverts de Speridlabs, publié sur Hugging Face en octobre 2026 avec un article arXiv paru le 7 octobre. Contrairement à la plupart des générateurs d'images, il ne travaille pas dans un espace latent compressé décodé par un VAE : un transformer de diffusion de 3 milliards de paramètres (8 blocs à double flux et 16 à flux unique) produit des pixels RGB bruts via une petite tête de pixels. Le texte est encodé par un Qwen3-VL-4B figé. Il a été entraîné de zéro à 256, 512 puis 1 024 pixels, 665 000 étapes au total, et génère des images d'environ un mégapixel.
Le dépôt contient aussi Iris-3B Turbo, une version distillée en 4 étapes qui produit une image de 1 024 sur 1 024 en environ 0,7 seconde sur un H100, ainsi que deux fine-tunes du même backbone pour l'estimation de profondeur monoculaire et pour la restauration et l'agrandissement d'images 4x.
Tout est sous Apache 2.0, y compris le code d'entraînement ; l'encodeur de texte Qwen3-VL-4B est lui aussi sous Apache 2.0.
Iris-3B vaut-il le coup ?
Le pari d'Iris-3B est de faire plus avec moins. Dans le tableau du projet, il obtient 0,540 sur OneIG-Bench, à égalité avec les 0,539 de Qwen-Image 20B et juste derrière les 0,546 de Z-Image 6B, et 0,798 sur GenEval contre 0,87 pour Qwen-Image. Il recule davantage sur le long texte rendu : 0,857 sur LongText-Bench contre 0,943 pour Qwen-Image et 0,935 pour Z-Image. Ce sont des exécutions de Speridlabs avec les évaluateurs officiels et sans réécriture des prompts ; les lignes de comparaison viennent des rapports des autres modèles, et aucune arène indépendante ne l'a encore noté.
L'article est d'une franchise rare. Il voulait montrer que se passer du VAE offre une meilleure base pour les tâches de vision riches en détails, et rapporte « aucune amélioration significative » : ajusté pour la profondeur, Iris-3B ne fait que rejoindre le FLUX.2 Klein latent, et en restauration 4x il ne bat pas un fine-tune latent de FLUX.2 Klein. La phrase de la page du projet selon laquelle les générateurs d'images peuvent remplacer des modèles de vision comme DINOv2 va plus loin que l'article.
Turbo est le téléchargement pratique. Quatre étapes avec le guidage intégré donnent environ 0,7 seconde par image sur un H100, et il obtient 0,820 sur GenEval, un peu au-dessus du modèle de base, au prix d'une moindre variété entre seeds et d'un long texte moins fiable (0,804). Le modèle complet utilise 100 étapes par défaut.
Il demande plus que ne le laisse penser son nombre de paramètres. Il vous faut un GPU NVIDIA avec CUDA et le code propre au projet, car aucune prise en charge de diffusers ou de ComfyUI n'est documentée, et les seuls poids texte-image pèsent environ 12 Go en float32, plus 6 Go pour Turbo. Pour un chercheur, la recette et le code d'entraînement publiés ouvertement sont le principal attrait.
Là où il fait la différence
Un chercheur en vision par ordinateur dans un laboratoire universitaire
Étudier la diffusion en espace pixel sans entraîner un modèle de zéro
Les poids, la recette d'entraînement et les configurations de distillation sont publics sous Apache 2.0, et l'article documente ses modes d'échec. Partir d'Iris-3B évite le préentraînement de 665 000 étapes ; les fine-tunes de profondeur ont demandé 10 000 étapes.
Un studio de deux personnes qui développe une application de maquettes produit
Générer des images de brouillon sur son propre GPU sans frais de licence
Turbo produit une image de 1 024 pixels en environ 0,7 seconde sur un H100, sans coût par image et sous licence Apache 2.0. Vérifiez à l'œil les mises en page chargées de texte : le texte rendu est son point le plus faible.
Avant de vous engager
- Mise en route
- git clone du dépôt speridlabs/iris-3b, pip install -e . (Python 3.11 ou plus récent, PyTorch 2.7.1 ou plus récent), téléchargez les poids avec hf download et lancez scripts/sample.py ; l'encodeur de texte se télécharge au premier lancement. Un GPU NVIDIA avec CUDA est requis.
- Intégrations
- Scripts en ligne de commande pour l'échantillonnage, la profondeur (scripts/depth.py) et l'agrandissement (scripts/upscale.py), plus deux démos sur Hugging Face Spaces. Une LoRA communautaire de 460 Mo propose une variante plus légère en 4 étapes.
- Données et confidentialité
- Tourne en local. Apache 2.0 autorise l'usage commercial ; la fiche avertit que les résultats peuvent être inexacts, biaisés ou dangereux et doivent être vérifiés.
- Coût à grande échelle
- Pas de frais d'API. Les téléchargements font environ 12 Go pour le texte-image, 12 Go chacun pour les modèles de profondeur et d'agrandissement et 6 Go pour Turbo ; le chiffre de 0,7 seconde de Turbo vaut pour un H100 avec une taille de lot de 4.
- Limites
- Environ un mégapixel par image ; le nombre exact d'objets et le long texte dans les images ne sont pas fiables. Turbo est fixé à 4 étapes sans CFG ni prompt négatif et donne des images plus semblables d'un seed à l'autre.
Les points forts
- 0,540 sur OneIG-Bench, à égalité avec Qwen-Image 20B (autodéclaré)
- Turbo : 1 024 x 1 024 en environ 0,7 s sur un H100
- Poids sous Apache 2.0 et code d'entraînement complet
- Fine-tunes de profondeur et d'agrandissement 4x dans le même dépôt
Les points faibles
- Le long texte rendu reste derrière Qwen-Image et Z-Image
- NVIDIA CUDA uniquement ; aucune voie documentée via diffusers ou ComfyUI
- Sortie maximale d'environ un mégapixel
- L'article ne trouve pas de gain net du prior en espace pixel
Idéal pour
Les chercheurs qui travaillent sur la diffusion en espace pixel et les développeurs qui veulent un modèle d'image entraîné de zéro, sous licence permissive, qu'ils peuvent réentraîner.
Alternatives à Iris-3B
Iris-3B : questions fréquentes
- Iris-3B vaut-il le coup ?
- Un générateur en espace pixel petit et entièrement ouvert, qui égale Qwen-Image sur un benchmark, venu d'un laboratoire dont l'article constate que l'avantage de l'espace pixel qu'il voulait démontrer n'est pas apparu. Nous lui donnons 3.7 sur 5.
- Combien coûte Iris-3B ?
- Poids et code gratuits sous Apache 2.0 ; démos gratuites sur Hugging Face Spaces. Pas d'API payante.
- Quels sont les inconvénients de Iris-3B ?
- Le long texte rendu reste derrière Qwen-Image et Z-Image; nVIDIA CUDA uniquement ; aucune voie documentée via diffusers ou ComfyUI; sortie maximale d'environ un mégapixel; l'article ne trouve pas de gain net du prior en espace pixel.
- À qui s’adresse Iris-3B ?
- Les chercheurs qui travaillent sur la diffusion en espace pixel et les développeurs qui veulent un modèle d'image entraîné de zéro, sous licence permissive, qu'ils peuvent réentraîner.
- Combien coûte Iris-3B pour une équipe ou en production ?
- Pas de frais d'API. Les téléchargements font environ 12 Go pour le texte-image, 12 Go chacun pour les modèles de profondeur et d'agrandissement et 6 Go pour Turbo ; le chiffre de 0,7 seconde de Turbo vaut pour un H100 avec une taille de lot de 4.
- Iris-3B est-il sûr pour les données de l’entreprise ?
- Tourne en local. Apache 2.0 autorise l'usage commercial ; la fiche avertit que les résultats peuvent être inexacts, biaisés ou dangereux et doivent être vérifiés.
- Quelles sont les meilleures alternatives à Iris-3B ?
- Les alternatives les plus proches que nous avons testées sont Z-Image-Turbo, FLUX 3 Image Klein et Qwen-Image-2.1.
Réponses vérifiées le 31 oct. 2026.