Microsoft publie Mage-Flow, modèle image 4B en résolution native

Un modèle image 4B qui dit dépasser des systèmes de 6 à 32 milliards de paramètres sur un benchmark public, publié sans tambours sur Hugging Face en licence MIT, c'est plus intéressant que la énième course au flagship propriétaire. Microsoft a mis en ligne Mage-Flow sur Hugging Face, une pile générative compacte de 4 milliards de paramètres qui revendique 0,90 sur GenEval, meilleur score open source à ce jour d'après la fiche du modèle, devant FLUX.2-dev et Qwen-Image tous deux à 0,87.

L'architecture combine un tokeniseur latent, Mage-VAE, et un Native-Resolution Multimodal Diffusion Transformer baptisé NR-MMDiT qui partage un même backbone entre génération et édition. La fiche revendique pour le tokeniseur environ 12 fois moins d'opérations à l'encodage et 22 fois moins au décodage par pixel comparé au FLUX.2-VAE. Le transformer traite dans un seul checkpoint des images de 512 à 2048 pixels sur n'importe quel format, y compris des ratios extrêmes de 4:1, avec Qwen3-VL en encodeur de texte.

Côté vitesse, la variante Turbo, distillée en 4 étapes, produit une image 1024² en 0,59 seconde sur une A100 avec 18 à 20 Go de mémoire de pointe, présentée comme la plus basse parmi les systèmes comparés. Pour l'édition d'image guidée par instruction, Mage-Flow-Edit-Turbo tourne à 1,02 seconde par édition sur la même carte. Trois cadences coexistent selon le compromis qualité-latence recherché: Base à 30 étapes, variante alignée par RL à 20, Turbo à 4.

La prudence habituelle s'impose. Ces chiffres viennent de la page publiée par les auteurs, pas d'une reproduction indépendante, et un score GenEval ne dit rien de la fiabilité sur des prompts métier ou du rendu en production. Ce que le dépôt Hugging Face ne détaille pas non plus, c'est la composition des données d'entraînement, les tests de sécurité ou les garde-fous appliqués, au-delà de la licence MIT sur les poids. Si les nombres tiennent en dehors du banc d'essai des auteurs, l'intérêt évident est pour les équipes qui font tourner leurs propres services d'image sur A100 ou hardware équivalent, et pour qui la facture des API génératives payantes a commencé à peser dans le budget.