SMF·PLAYGROUND-AI
Un prompt peut-il remplacer Playground AI ?
Génération d'images IA — AI image and video generation
Bordereau de suivi des pièces
Verdict
La génération elle-même tourne en local sur des poids ouverts, et l’atelier autour — un historique consultable où chaque image garde tous ses paramètres et où toute génération passée peut être forkée avec un réglage changé — est vraiment le travail d’une session et vraiment utile. Ce que tu ne peux pas reconstruire, c’est la raison pour laquelle les gens ouvrent Playground : des modèles calibrés pour un style maison, une itération assez rapide pour explorer, et un flux des prompts d’autres personnes dont on peut apprendre.
Pièce A — Le prompt
Reçu le31.07.2026Construis un atelier de génération d’image local dont la fonctionnalité distinctive est un historique consultable et forkable.
Génération : soumets des tâches à une instance ComfyUI locale configurée dans l’environnement. Expose le prompt, le prompt négatif, la graine, les dimensions, les étapes, l’échantillonneur, l’échelle CFG, le checkpoint, et la sélection de LoRA avec les poids. Prends en charge l’image-à-image et l’inpainting avec un masque dessiné dans l’interface.
L’historique, qui est le cœur de ce projet. Chaque génération écrit un enregistrement contenant l’image de sortie, chaque paramètre ci-dessus, le JSON du workflow, le hash du fichier checkpoint, la durée de génération, et un horodatage. Rien n’est jamais silencieusement écarté — une génération que tu as rejetée est exactement celle que tu voudras retrouver la semaine prochaine.
Recherche dans cet historique : plein texte sur les prompts et prompts négatifs, plus des filtres sur le checkpoint, le LoRA, la graine, les dimensions, et la date. Résultats de recherche comme une planche contact. C’est ce qui transforme un dossier de PNG en une archive exploitable.
Forking : depuis n’importe quelle génération passée, ouvre une nouvelle tâche pré-remplie avec ses paramètres exacts, change une chose, et lance. Enregistre l’identifiant parent pour qu’une lignée soit préservée, et affiche l’ascendance de toute génération comme une chaîne — cette image vient de celle-là avec la graine changée, qui vient de celle-là avec un LoRA différent. Pouvoir remonter une chaîne de petits changements est la chose la plus utile que ce projet offre par rapport à une simple file d’attente.
Comparaison : sélectionne deux générations quelconques et vois-les côte à côte au format 1:1 avec leurs différences de paramètres en surbrillance, pour que « qu’est-ce qui a vraiment changé » ait une réponse plutôt que d’être un souvenir.
Collections : tague les générations, marque des favoris, et exporte une collection comme un dossier d’images avec un manifeste JSON des paramètres, pour qu’un ensemble puisse être reproduit sur une autre machine.
File d’attente : une file de tâches visible avec la progression par tâche, la VRAM estimée, l’annulation, et un échec clair quand un checkpoint ou un LoRA référencé par une tâche forkée manque en local.
Stockage : SQLite pour les enregistrements, images sur disque dans une arborescence datée. Documente le schéma, et fournis une commande de reconstruction qui reconstruit l’index à partir des fichiers annexes sur disque, pour que la base de données ne soit jamais la seule copie de quoi que ce soit.
Hors périmètre : toute API ou modèle hébergé, un flux communautaire ou du partage, l’entraînement de modèle, et la modération de contenu généré.L’ouverture pré-remplit le prompt — il ne reste qu’à appuyer sur entrée.
Pièce B — Ce que tu perds
- B.1 les modèles propriétaires calibrés et leur look cohérent
- B.2 les GPU hébergés, donc l’itération se compte en minutes plutôt qu’en secondes
- B.3 le flux communautaire de prompts et réglages dont on peut apprendre
- B.4 la toile avec remplissage génératif sur une grande composition
Alternatives existantes
Pièce C — Pourquoi certains continuent de payer : frontier models, compute, and data
Parce que la génération d’image est un problème de recherche et la vitesse est la recherche. Quinze dollars pour assez de calcul pour essayer deux cents variations bat une carte locale qui n’en gère que vingt dans la même heure.
Questions
Est-ce que je peux récupérer mon historique Playground ?
Les images générées se téléchargent, mais les paramètres derrière ne s’exportent pas dans un format structuré, donc l’historique arrive comme des images sans leurs réglages. Puisque les réglages sont toute la valeur d’un historique, en pratique tu repars de zéro.
Comment la génération locale se compare-t-elle en qualité ?
Pour des images générales, les checkpoints de classe SDXL ouverts sont proches et parfois meilleurs avec le bon LoRA. Là où Playground prend l’avantage, c’est sur la cohérence — ses modèles ont été calibrés pour un look cohérent, donc une série d’images va ensemble d’une façon qu’un checkpoint généraliste avec un long prompt peine à égaler.
Combien ça coûte à faire tourner ?
Rien par image une fois les modèles téléchargés, mais un GPU avec au moins 8 Go de VRAM est en pratique nécessaire. Sur CPU, la boucle fonctionne encore et prend des minutes par image, ce qui va à l’encontre du workflow exploratoire pour lequel cet outil existe.
Quelle est la seule chose qui ne survit pas à la reconstruction ?
La vitesse d’itération. La génération est une recherche sur un espace que tu ne peux pas voir, et le calcul hébergé te permet de l’échantillonner densément. Une carte locale l’échantillonne clairsemé, ce qui veut dire que tu te contentes d’un moins bon résultat et que tu ne découvres jamais ce que tu as manqué.
Outils proches
Récépissé