Vous avez rédigé un prompt. L’image est revenue incorrecte. Pas catastrophiquement erronée—juste… à côté. La composition était plate. Les détails ne correspondaient pas à ce que vous aviez décrit. Le style n’a pas pris. Vous avez réessayé avec plus de mots, plus d’adjectifs, plus de désespoir. Le résultat était pire.
Cela arrive car les modèles de génération d’images ne lisent pas les prompts comme vous le pensez. Ils ne parsèment pas les phrases. Ils pondèrent les tokens par leur importance, regroupent les concepts spatialement dans leur espace latent, et répondent à la pression stylistique de manière partiellement prévisible et partiellement dépendante des données d’entraînement du modèle. Savoir cela change tout quant à la façon dont vous écrivez.
J’ai passé les deux dernières années à construire des flux visuels pour AlgoVesta—des tableaux de bord de trading qui doivent rendre correctement, de manière cohérente et rapide. Cela signifie que j’ai testé Midjourney, DALL-E 3 et Flux sur des centaines d’itérations. J’ai vu des prompts échouer de manières spécifiques. J’ai appris ce qui fait vraiment la différence et ce qui gaspille des tokens.
Pourquoi Vos Prompts d’Images Échouent (Et Ce N’est Pas Juste « Soyez Plus Descriptif »)
L’erreur la plus courante est de traiter un prompt d’image comme si vous écriviez une description de produit. Vous listez des attributs : « une forêt, brumeuse, lumière du soleil filtrant à travers les arbres, ultra-détaillé, 4K. » Cette approche donne des résultats boueux et flous car vous ne tenez pas compte de la façon dont ces modèles évaluent réellement les tokens.
Les modèles de génération d’images—qu’il s’agisse de Midjourney (qui fonctionne sur sa propre infrastructure), de DALL-E 3 (basé sur l’architecture d’OpenAI) ou de Flux (un modèle open-source qui privilégie la clarté)—traitent le langage par une couche d’encodage qui attribue des poids d’importance aux tokens. Un token qui apparaît dans des millions d’images d’entraînement a une importance moindre qu’un token qui apparaît dans des contextes moins nombreux et plus spécifiques. Quand vous dites « détaillé », tous les modèles ont vu ce mot dans des millions de prompts, donc il n’apporte presque aucun signal. Quand vous dites « étalonnage des couleurs daguerréotype », moins d’images ont cette esthétique spécifique, donc le poids est plus élevé.
La deuxième erreur est le glissement de la longueur du prompt. Vous pensez que plus de description = plus de contrôle. Ce qui se passe réellement, c’est du bruit de tokens. Midjourney traite votre prompt via un encodeur CLIP (un modèle vision-langage entraîné sur des paires image-texte). Chaque mot après environ 60 tokens commence à diluer le signal. DALL-E 3 est légèrement plus indulgent—il reformule votre prompt en interne avant de générer—mais atteint toujours un point de saturation autour de 80 tokens. Flux, étant plus récent et plus axé sur la recherche, gère mieux les prompts longs, mais la clarté bat toujours le volume.
La troisième erreur—et celle-ci ruine le travail professionnel—est d’ignorer le comportement spécifique au modèle. L’esthétique de Midjourney tend vers le cinématographique, légèrement saturé, hyper-détaillé. DALL-E 3 tend vers un rendu plus propre, plus « réel ». Flux fait un compromis mais a ses propres particularités avec le texte dans l’image et les mains. Vous ne pouvez pas écrire le même prompt pour les trois et attendre la même qualité.
| Modèle | Idéal Pour | Style de Prompt | Limite de Tokens (effective) | Vitesse d’Itération |
|---|---|---|---|---|
| Midjourney (v6.1) | Stylisé, cinématique, fantasy | Épars, accent sur la composition et le style | ~60 tokens optimal | ~60s par image |
| DALL-E 3 | Photorealiste, produit, conceptuel | Narratif, mise en scène détaillée | ~80 tokens optimal | ~20s par image |
| Flux | Réaliste, technique, textuel | Descriptions directes et littérales fonctionnent mieux | ~120 tokens optimal | ~8s par image (local) |
La différence est importante. Si vous générez de la photographie de produit, DALL-E 3 vous donnera un résultat utilisable en 2-3 itérations. Midjourney en nécessitera 8-12, mais la gamme stylistique est plus large. Flux, si vous le faites tourner localement, est le plus rapide pour l’imagerie technique mais le moins performant pour les requêtes interprétatives.
Structure Fondamentale : Le Cadre de Prompt en Trois Parties
Chaque prompt d’image efficace a trois composantes. La plupart des gens n’en utilisent qu’une.
Partie 1 : Le Sujet/Action (10–20 tokens)
C’est sur quoi le modèle se concentre en premier. Soyez précis sur l’élément principal. « Une femme » est plus faible que « Une femme en manteau rouge adossée à un mur de briques. » Le détail n’est pas une décoration—c’est un poids directionnel. Le modèle alloue une plus grande partie de son budget de génération à ce qui apparaît en premier et le plus concrètement.
// MAUVAIS
Une photo de paysage
// MIEUX
Vue aérienne d'une ville côtière au coucher du soleil, architecture méditerranéenne, rues étroites, bateaux dans le portPartie 2 : Style/Esthétique (5–10 tokens)
C’est là que la connaissance spécifique au modèle est importante. Ne dites pas « cinématique ». Dites quel type de cinéma. « Film noir » est plus précis que « cinématique ». « Étalonnage couleur Kodachrome » est plus précis que « vibrant ». Vous dirigez le modèle vers un cluster d’exemples d’entraînement, pas une direction vague.
Pour Midjourney, les tags de style fonctionnent bien : « shot on Hasselblad », « lumière volumétrique », « clair-obscur dramatique ». Pour DALL-E 3, le style narratif fonctionne : « dans le style d’une couverture Vogue des années 1970 ». Pour Flux, le détail technique descriptif : « mise au point nette, objectif 35mm, ouverture f/2.8 ».
// MAUVAIS
Éclairage cinématique, qualité professionnelle, haute résolution
// MIEUX (Midjourney)
Rayons divins volumétriques, shot on Hasselblad, objectif 85mm, étalonnage couleur par Roger Deakins
// MIEUX (DALL-E 3)
Dans le style d'une photographie de Helmut Newton des années 1980
// MIEUX (Flux)
Mise au point nette, pellicule Kodachrome, lumière naturelle de fenêtre, objectif prime 50mmPartie 3 : Contrainte/Exclusion (0–5 tokens)
C’est là que vous prévenez les échecs. Dites au modèle ce qu’il ne faut PAS faire. « Pas de flou, pas de filtres, pas de texte. » Pour Midjourney, vous pouvez utiliser la syntaxe `–no` : `–no blur, filters`. Pour DALL-E 3, incluez-le dans le texte : « éviter le flou de mouvement, éviter les filtres numériques. » Pour Flux, pareil—incluez-le naturellement.
// SANS CONTRAINTE
Gros plan d'un visage, éclairage dramatique
// AVEC CONTRAINTE
Gros plan d'un visage, éclairage dramatique, pas de flou, pas de filtres numériques, les deux yeux clairement visibles et netsPourquoi la dernière contrainte ? Les modèles d’images ont du mal avec la symétrie bilatérale dans les gros plans. Spécifier « les deux yeux clairement visibles » empêche l’échec courant où un œil est flou ou ignoré stylistiquement.
Techniques Spécifiques aux Modèles : Où Ils Divergent
Midjourney : Composition et Ratio d’Aspect comme Logique de Prompt
La force de Midjourney est la diversité compositionnelle. Il gère mieux les scènes complexes, les sujets multiples et le cadrage cinématique que ses concurrents. Le modèle répond fortement au langage spatial et compositionnel.
Technique clé : Utilisez des verbes et prépositions compositionnels. Au lieu de lister des éléments, décrivez leur relation spatiale.
// FAIBLE
Une femme, montagnes, forêt, coucher de soleil
// FORT
Une femme debout sur un affleurement rocheux surplombant une vaste vallée forestière, des montagnes s'élevant au loin, la lumière chaude du coucher de soleil projetant de longues ombres sur le paysageLe deuxième prompt fonctionne car vous ne nommez pas seulement des choses—vous décrivez la profondeur, la superposition et la hiérarchie spatiale. L’encodeur CLIP de Midjourney pondère fortement ces tokens relationnels.
Le ratio d’aspect est plus important dans Midjourney que dans d’autres modèles. Utilisez `–ar 16:9` pour le panoramique, `–ar 1:1` pour le carré, `–ar 9:16` pour le portrait. Le modèle modifie sa stratégie de composition en fonction de la toile. Ne luttez pas contre cela—exploitez-le. Rédigez des prompts qui supposent le ratio d’aspect.
// Pour --ar 16:9 (panoramique)
Plan large d'établissement : une vaste étendue urbaine au crépuscule, des enseignes au néon se reflétant dans les rues mouillées, plusieurs districts distincts visibles de gauche à droite
// Pour --ar 9:16 (portrait)
Portrait rapproché d'un musicien, mains sur le violon, tourné légèrement vers la gauche, éclairage de studio doux venant de la droite, faible profondeur de champ floutant l'arrière-planMidjourney répond également au langage photographique spécifique. « Shot on Hasselblad 907x », « Kodachrome 35mm », « pris avec un Mamiya RB67 ». Ce ne sont pas que des touches stylistiques—elles encodent des propriétés esthétiques spécifiques que le modèle a apprises des données d’entraînement. Incluez-les.
DALL-E 3 : Le Cadrage Narratif Fonctionne Mieux que les Listes
DALL-E 3 a une étape interne de reformulation. Vous écrivez quelque chose, et le modèle le convertit intérieurement en une description plus détaillée avant de générer. Cela signifie que vous pouvez écrire plus naturellement—plus proche de la façon dont vous décririez une image à un humain—et le modèle élaborera intelligemment.
Cela change votre stratégie. Avec Midjourney, vous optimisez pour la densité de tokens. Avec DALL-E 3, vous pouvez vous permettre d’être conversationnel.
// FAIBLE (et gâche la force de DALL-E 3)
Un bureau, moderne, minimaliste, plantes, lumière du soleil, professionnel
// FORT (cadrage narratif)
Un espace de bureau moderne à un étage élevé d'un immeuble en verre. La lumière du soleil matinale filtre à travers les fenêtres du sol au plafond, illuminant un bureau minimaliste avec une seule plante verte et un ordinateur portable. L'espace est calme, épuré et baigné de lumière naturelle.Le deuxième prompt fonctionne pour DALL-E 3 car vous utilisez une structure narrative. Le reformulateur du modèle élaborera sur « la lumière du soleil matinale filtre à travers les fenêtres du sol au plafond » de manière à améliorer l’image finale. Il déduira l’échelle, les matériaux et l’ambiance de la mise en scène.
DALL-E 3 excelle également dans les requêtes conceptuelles. « Montrer le sentiment d’anticipation à travers un paysage » ou « Visualiser le son de la pluie sur un toit en tôle » donneront des résultats plus intéressants qu’avec Midjourney, qui tend vers une interprétation littérale.
Évitez les listes de styles dans DALL-E 3. Au lieu de « lumière volumétrique, mise au point nette, objectif 85mm », écrivez : « Tourné avec une lumière douce et diffuse, mise au point nette sur le sujet central. » L’approche narrative permet au reformulateur de faire plus de travail.
Flux : Descriptions Littérales et Intégration de Texte
Flux est plus récent (sorti mi-2024) et son approche d’entraînement est plus axée sur la recherche. Il est extrêmement littéral. Ce que vous écrivez, il tente de le rendre directement. C’est une force si vous êtes précis, une faiblesse si vous êtes poétique.
// Fonctionne bien dans Midjourney mais échoue dans Flux
Une femme perdue dans ses pensées, regardant un horizon infini
// Mieux pour Flux
Une femme avec une expression pensive, regardant vers l'horizon, debout seule dans un vaste paysage vide, couleurs sourdes, ciel couvertL’avantage unique de Flux : il gère mieux le texte dans l’image que Midjourney ou DALL-E 3. Si vous avez besoin d’une enseigne, d’une étiquette ou d’un texte intégré, Flux est votre modèle. Mais vous devez être explicite quant au texte qui doit apparaître et où.
Une étiquette de produit sur fond blanc. L'étiquette indique "Pure Essence" en police serif gras, avec une bordure dorée et une petite illustration botanique en coin supérieur droit, photographie de produit professionnelle, éclairage de studio, ombre netteFlux peut gérer cela. DALL-E 3 hallucinerait le texte. Midjourney le rendrait illisible.
Pour l’imagerie technique ou réaliste, le littéralisme de Flux est un atout. « Un gros plan d’un circuit imprimé avec des joints de soudure précis, les étiquettes des composants clairement visibles, pris à 45 degrés, fond blanc » produira un résultat plus techniquement précis de Flux que de Midjourney.
Modes d’Échec Courants et Corrections
Vous allez rencontrer ces problèmes. Tous les praticiens en rencontrent. Voici comment s’en sortir.
L’Échec « Trop d’Informations »
L’image revient bruyante, floue, confuse. Le modèle a essayé d’incorporer chaque détail et n’en a réussi aucun.
Cause : Vous avez dépassé la capacité effective de tokens du modèle. Midjourney souffre particulièrement de cela autour de 65+ tokens. Les derniers tokens deviennent du bruit.
Correction : Réduisez le prompt de 30%. Supprimez les adjectifs et les phrases descriptives. Gardez le sujet, la composition et une seule référence stylistique forte.
// ORIGINAL (échoue)
Une clairière de forêt sereine à l'aube, brume flottant au-dessus du sol, chênes anciens se dressant au-dessus, lumière dorée du soleil filtrant à travers la canopée, oiseaux en vol, mise au point douce, lumière volumétrique, photoréaliste, ultra-détaillé, shot on Hasselblad, résolution 4K, photographie primée
// CORRIGÉ
Clairière de forêt à l'aube, brume au sol, chênes anciens, lumière dorée à travers la canopée, shot on Hasselblad, photoréalisteL’Échec « Mauvaise Esthétique »
L’image correspond techniquement à votre description mais a la mauvaise ambiance. Trop cartoon, trop photoréaliste, trop saturé, trop terne.
Cause : Votre référence stylistique n’était pas assez spécifique, ou elle entre en conflit avec d’autres tokens.
Correction : Remplacez les descripteurs de style vagues par des références historiques spécifiques ou des noms de photographes.
// STYLE FAIBLE
Un paysage, couleurs vibrantes, bel éclairage, qualité professionnelle
// STYLE FORT
Un paysage dans le style de la photographie en noir et blanc d'Ansel Adams, contraste élevé, ombres profondes, hautes lumières vives
// OU
Un paysage photographié par Peter Lindbergh, palette de couleurs minimale, composition géométrique forte, lumière naturelleL’Échec « Mains Cassées »
Un classique. Les mains sont déformées, ont trop de doigts, ou sont positionnées de manière impossible. C’est particulièrement courant avec Midjourney v6.0 et les versions antérieures de DALL-E 3.
Cause : Les données d’entraînement du modèle contiennent moins d’exemples de mains de haute qualité, donc il a du mal avec elles dans des scènes complexes.
Correction : Évitez les gros plans des mains, ou simplifiez la scène pour isoler la main. Soyez explicite sur la position de la main.
// RISQUÉ
Une femme jouant du violon, plan rapproché montrant son visage et ses mains sur l'instrument
// PLUS SÛR
Une femme jouant du violon, plan de côté montrant son profil, mains visibles sur les cordes, mise au point rapprochée sur l'instrument et l'archet
// LE PLUS SÛR
Mains jouant d'un violon, gros plan, doigts précisément sur les cordes, structure de main claire, photographie de nature morte professionnelleL’Échec « Fuite de Flou »
Vous avez demandé une mise au point nette sur un sujet, mais le modèle a rendu le tout à une netteté moyenne. Rien n’est vraiment flou, mais rien n’est net non plus.
Cause : Le modèle a pondéré « mise au point nette » par rapport à d’autres tokens et a fait un compromis.
Correction : Soyez plus explicite sur l’élément qui doit être net et ce qui doit être flou.
// FAIBLE
Un portrait avec mise au point nette
// MIEUX
Un portrait avec mise au point nette sur les yeux, arrière-plan doux et flou, faible profondeur de champ, objectif 85mm bokehFlux de Travail : Du Concept à la Production
Voici comment je génère des images pour le travail de production réel :
Étape 1 : Définir l’Intention (2 minutes)
À quoi sert cette image ? Photo de produit ? Conceptuelle ? Marketing ? La réponse détermine le modèle à utiliser. Photographie de produit → DALL-E 3 ou Flux. Concept stylisé → Midjourney. Technique réaliste → Flux.
Étape 2 : Rédiger le Prompt de Base (5 minutes)
Commencez avec le cadre en trois parties. Sujet, style, contrainte. Restez concis. Moins de 60 tokens pour Midjourney, moins de 80 pour DALL-E 3, moins de 120 pour Flux.
// EXEMPLE : Photo de produit pour une refonte d'interface d'application
// Utilisation de DALL-E 3
Un smartphone moderne sur un bureau blanc, écran montrant une interface de tableau de bord épurée avec des visualisations de données, lumière naturelle d'une fenêtre à gauche, faible profondeur de champ, photographie de produit professionnelle, esthétique Apple, éviter les ombres, mise au point nette sur l'écranÉtape 3 : Générer la Baseline (2 minutes)
Exécutez la première version. N’itérez pas encore. Observez ce que le modèle a priorisé.
Étape 4 : Itérer sur une Variable (3 minutes par itération)
Ne réécrivez pas tout le prompt. Changez une chose : l’angle, l’éclairage, la référence stylistique, les contraintes. Cela vous apprend comment le modèle réagit.
// ITÉRATION 1 : Essayer un angle différent
...smartphone sur un bureau blanc, vu de dessus à 45 degrés, écran clairement visible...
// ITÉRATION 2 : Essayer un éclairage différent
...smartphone sur un bureau blanc, vu de dessus à 45 degrés, rétroéclairé par la lumière de la fenêtre, écran clairement visible...
// ITÉRATION 3 : Essayer une contrainte plus stricte
...smartphone sur un bureau blanc, vu de dessus à 45 degrés, rétroéclairé par la lumière de la fenêtre, écran clairement visible, pas d'ombres sur l'écran, pas de reflets, fond blanc purÉtape 5 : Verrouiller et Générer par Lot (5 minutes)
Une fois que vous avez trouvé un prompt qui fonctionne, exécutez 4 à 6 variations avec un léger aléatoire. Utilisez des changements de ratio d’aspect, des ajustements de style mineurs ou le paramètre de seed de Midjourney pour obtenir des sorties diverses à partir d’un prompt éprouvé.
Étape 6 : Post-traitement (10–15 minutes)
Même les bonnes générations nécessitent généralement des retouches : ajustements de recadrage, étalonnage des couleurs, suppression d’éléments distrayants. Utilisez Photoshop, Figma ou un outil comme Runway pour des modifications légères.
Temps total par image de production : 30–45 minutes. Avec Flux fonctionnant localement, plus proche de 15–20 minutes.
Éviter le Piège de la Sur-Optimisation
C’est l’erreur que je vois le plus souvent dans les contextes de production : les équipes optimisent les prompts pour un modèle unique, verrouillent ces prompts, puis paniquent lorsqu’elles veulent changer de modèle ou que la version du modèle est mise à jour.
La sortie de GPT-4o en mai 2024 a cassé de nombreux flux DALL-E 3 qui avaient été peaufinés pour des versions plus anciennes. Le passage de Midjourney v6.0 à v6.1 en décembre 2024 a modifié la façon dont le modèle pondérait les tokens de style. L’émergence de Flux a surpris ceux qui avaient construit des pipelines entiers autour de Midjourney.
Solution : Rédigez des prompts qui sont robustes sur tous les modèles. Ne vous fiez pas aux particularités spécifiques au modèle.
// FRAGILE (spécifique à Midjourney v6.0)
Une femme, shot on Hasselblad, rayons divins volumétriques, étalonnage couleur par Roger Deakins, 8K, cinématique
// ROBUSTE
Une femme dans un éclairage dramatique, qualité photographique, étalonnage couleur professionnel, mise au point claireLa version robuste fonctionne sur Midjourney, DALL-E 3 et Flux. Elle est moins spécifique stylistiquement, mais elle est portable. Pour la production, la portabilité est importante.
Que Faire Aujourd’hui
Choisissez une image que vous devez générer. Rédigez un prompt en utilisant le cadre en trois parties : sujet/action (concret, spécifique), style (référencez un photographe ou un type de pellicule ou un appareil photo), contrainte (dites-lui ce qu’il faut éviter). Limitez-vous à 60 tokens. Générez-le dans le modèle de votre choix. Puis générez le prompt exact dans un autre modèle. Notez les différences. Cela vous apprendra comment chaque modèle interprète le langage différemment—et c’est cette compréhension qui vous rend redoutable avec ces outils.
