Un tutoriel pratique pour faire fonctionner la génération d’images LM Studio MCP sur votre propre ordinateur. Installez LM Studio, choisissez un modèle capable d’appeler des outils, modifiez mcp.json, ajoutez un outil d’image, approuvez le premier appel et corrigez les erreurs qui font échouer la plupart des installations. Code fonctionnel inclus.
Vous tapez une phrase dans une fenêtre de chat sur votre ordinateur, et quelques secondes plus tard, une photographie finie apparaît dans la conversation. Pas d’onglet de navigateur, pas de copier-coller entre applications, pas de chatbot dans le cloud qui lit vos brouillons. Voici à quoi ressemble la génération d’images LM Studio MCP une fois les éléments connectés, et la connexion prend environ quinze minutes. Ce tutoriel suit la configuration dans l’ordre : installer LM Studio, choisir un modèle capable d’appeler des outils, modifier mcp.json, ajouter un outil d’image, approuver le premier appel et corriger les problèmes qui font trébucher la plupart des premières tentatives.
Chaque fichier et chaque commande ci-dessous est fait pour être copié. Lorsqu’un détail dépend de votre machine, un encadré vous indique ce qu’il faut vérifier avant de continuer.
MCP, le Model Context Protocol, est une norme qui permet à une application de confier des outils à un modèle de langage. LM Studio joue le rôle d’hôte. Il charge un modèle sur votre machine, se connecte à un ou plusieurs serveurs MCP et montre au modèle ce que fait chaque serveur. Lorsque le modèle juge qu’un outil est utile, LM Studio l’exécute et renvoie le résultat dans le chat.
Pour les images, l’outil est simple. Le modèle rédige un prompt, appelle quelque chose comme generate_image et reçoit une URL d’image. Le modèle de langage ne dessine jamais un seul pixel. Il joue le rôle de réalisateur : il prend votre idée vague, la transforme en consigne détaillée et la confie à un moteur d’image.
Cette séparation compte, car elle détermine votre budget matériel.
| Élément | Où il s’exécute | Ce qu’il vous coûte |
|---|---|---|
| Modèle de chat dans LM Studio | Votre ordinateur | Mémoire et temps de GPU |
| Processus du serveur MCP | Votre ordinateur | Quelques Mo |
| Modèle d’image derrière l’outil | Votre GPU ou une API hébergée | Dépend de l’option choisie |
Faire tourner un modèle d’image à côté d’un modèle de chat sur une seule carte graphique grand public est possible, mais serré, car les deux ont besoin de mémoire vidéo. Diriger l’outil vers une API hébergée laisse le GPU libre pour le modèle de langage. Votre conversation, vos fichiers et vos approbations d’outils restent sur votre machine, et seul le prompt d’image final sort. Ce tutoriel suit la voie hébergée et utilise l’API PicassoIA comme exemple, mais le schéma convient à n’importe quel service d’image.
💡 Vous voulez tout hors ligne ? Remplacez le backend de l’outil par un serveur d’image local. La partie LM Studio de la configuration reste exactement la même.
La taille du modèle de chat fixe le minimum. Ces chiffres sont des indications approximatives pour les versions 4 bits, pas des benchmarks, alors gardez de la marge pour la fenêtre de contexte.
| Classe de modèle | Mémoire nécessaire (approx.) | Machine confortable |
|---|---|---|
| 7B à 8B | environ 5 Go | Portable avec 16 Go de RAM |
| 20B | environ 16 Go | Ordinateur de bureau avec 32 Go de RAM ou un GPU de 16 Go |
| 30B et plus | 24 Go et plus | Station de travail avec GPU ou Mac avec 48 Go de mémoire unifiée |
Les Mac Apple Silicon partagent une seule mémoire entre le CPU et le GPU, ce qui les rend étonnamment efficaces avec les modèles de taille moyenne. Sous Windows et Linux, une carte NVIDIA avec 12 Go de VRAM ou plus offre l’expérience la plus fluide, et une exécution uniquement sur CPU fonctionne si vous acceptez des réponses plus lentes.
pia_sk_.
Téléchargez l’installateur pour Windows, macOS ou Linux sur lmstudio.ai, puis lancez-le comme n’importe quelle application de bureau. Ouvrez l’application et vérifiez le numéro de version dans les paramètres. S’il affiche une version inférieure à 0.3.17, mettez à jour avant d’aller plus loin, car rien de la section suivante n’existe dans les versions antérieures.
Au premier lancement, un catalogue de modèles vous est proposé. Laissez de côté les plus grands noms pour le moment. Un petit modèle qui répond en deux secondes vous en apprend plus sur votre configuration qu’un énorme modèle qui met une minute par réponse.
L’appel d’outils est un comportement appris. Un modèle qui n’a jamais vu d’exemples d’utilisation d’outils ignorera votre serveur d’image ou inventera un appel défectueux. Vérifiez sur la fiche de chaque modèle la mention « tool use » ou « function calling » avant de télécharger.
Deux points de départ raisonnables, à essayer d’abord dans le navigateur pour juger de leur rédaction avant d’utiliser votre bande passante :
| Modèle | Classe de taille | Pourquoi le choisir |
|---|---|---|
| GPT OSS 20B | 20B | Poids ouverts, prise en charge de l’appel d’outils, rédige des prompts détaillés |
| Granite 4.1 8B | 8B | Assez petit pour un portable, réponses rapides |
Faites attention au réglage de la longueur de contexte lorsque vous chargez le modèle. Les descriptions des outils, votre prompt système et toute la conversation partagent cette fenêtre. Une petite fenêtre se remplit vite, et un modèle qui a perdu la description de l’outil cesse simplement de l’appeler. Commencez avec au moins 8 000 tokens et augmentez la valeur si le modèle oublie les étapes précédentes.
💡 Téléchargez d’abord une version quantifiée en 4 bits. La qualité de la rédaction des prompts en souffre à peine, et le fichier pèse environ un quart de la taille de la version en pleine précision.
LM Studio suit la notation de Cursor mcp.json, donc une configuration écrite pour Cursor se lit de la même façon ici. L’enregistrement devrait démarrer le serveur et afficher la liste de ses outils. Une erreur en rouge à ce stade signale presque toujours un JSON défectueux.
Les serveurs distants nécessitent une URL et, en général, un en-tête contenant vos identifiants :
{
"mcpServers": {
"image-service": {
"url": "https://mcp.example.com/mcp",
"headers": {
"Authorization": "Bearer <YOUR_TOKEN>"
}
}
}
}
Remplacez l’URL par l’adresse que publie votre fournisseur d’image. PicassoIA indique ses connexions MCP dans votre compte, consultez-le pour les détails de connexion. Si la procédure de connexion d’un fournisseur attend une authentification par navigateur plutôt qu’un en-tête statique, utilisez la méthode par commande locale présentée plus bas, qui fonctionne avec un simple jeton.
Un serveur local est un petit programme que LM Studio démarre pour vous :
{
"mcpServers": {
"image-tool": {
"command": "node",
"args": ["C:/tools/image-mcp/index.js"],
"env": {
"IMAGE_API_TOKEN": "pia_sk_paste_your_secret_here"
}
}
}
}
Utilisez des barres obliques dans les chemins Windows, ou doublez chaque barre inversée. Une seule barre inversée casse le JSON et le serveur ne démarre jamais.
Le serveur n’a besoin d’exposer qu’un seul outil. Gardez le contrat minimal, car les petits modèles gèrent deux paramètres bien mieux que dix.
| Champ | Type | Remarques |
|---|---|---|
prompt | string | La consigne rédigée par le modèle |
aspect_ratio | string | Valeur par défaut 16:9, autorisez aussi 1:1 et 9:16 |
| Retour | URL | Le lien vers l’image finale |
L’API PicassoIA suit le schéma de Replicate : créer une prédiction, l’interroger, lire la sortie. Un appel cURL ressemble à ceci :
curl -s -X POST https://api.picassoia.com/v1/models/picassoia/picassoia-image/predictions \
-H "Authorization: Bearer $IMAGE_API_TOKEN" \
-H "Content-Type: application/json" \
-d '{"input": {"prompt": "a lighthouse at sunset, film photograph", "aspect_ratio": "16:9"}}'
À l’intérieur de votre serveur, le même enchaînement tient dans une courte fonction. Enveloppez-la dans un gestionnaire d’outil construit avec le SDK MCP officiel de votre langage :
const API = "https://api.picassoia.com/v1";
const headers = {
Authorization: `Bearer ${process.env.IMAGE_API_TOKEN}`,
"Content-Type": "application/json",
};
async function makeImage(prompt, aspect_ratio = "16:9") {
const start = await fetch(
`${API}/models/picassoia/picassoia-image/predictions`,
{ method: "POST", headers, body: JSON.stringify({ input: { prompt, aspect_ratio } }) }
);
let job = await start.json();
while (["starting", "processing"].includes(job.status)) {
await new Promise((r) => setTimeout(r, 2000));
job = await (await fetch(`${API}/predictions/${job.id}`, { headers })).json();
}
if (job.status !== "succeeded") throw new Error(`Image job ${job.status}`);
return Array.isArray(job.output) ? job.output[0] : job.output;
}
Quatre points à garder en tête :
starting, processing, succeeded, failed et canceled.💡 Vérifiez votre forfait. L’accès à l’API dépend de votre forfait PicassoIA ; lisez les conditions en vigueur sur la page des tarifs avant de bâtir une routine quotidienne autour de celui-ci.
Ouvrez un nouveau chat, chargez votre modèle compatible avec les outils et vérifiez que le serveur apparaît comme activé dans l’onglet Program. Demandez ensuite quelque chose de concret :
Générez une photographie au format 16:9 d’un port tranquille au lever du soleil, des bateaux de pêche au repos, une brume légère, prise sur pellicule 35 mm.
Voici à quoi ressemble un aller-retour une fois que tout est connecté :
generate_image.Sur un portable de milieu de gamme, la boucle complète tient généralement en moins d’une minute, et l’essentiel de ce temps correspond à la réflexion du modèle de langage, pas au moteur d’image.
Lorsque le modèle appelle votre outil, LM Studio affiche d’abord une boîte de confirmation. Vous pouvez examiner les arguments, les modifier, puis approuver. Choisissez allow once pendant vos tests, ou always allow pour un outil de confiance. Les autorisations permanentes peuvent être gérées plus tard dans les paramètres de l’application.
Lisez les arguments à chaque fois, au début. C’est là que vous voyez ce que le modèle a réellement écrit : le prompt, le format et tout ce qu’il a ajouté d’étrange. Un modèle qui envoie un texte de 3 000 caractères à un outil conçu pour un paragraphe a besoin d’un prompt système plus strict.
Après votre approbation, l’outil s’exécute, renvoie une URL d’image, et le modèle rend compte dans le chat. Ouvrez le lien pour voir le résultat.
Les modèles rédigent de meilleurs prompts d’image lorsque le prompt système leur indique comment faire. Collez ceci dans le champ du prompt système :
Vous êtes un directeur photo. Lorsqu’on vous demande une image, appelez generate_image avec un seul prompt de 40 à 70 mots : sujet et action, décor, direction de la lumière, objectif et distance, et texture des surfaces. Ne demandez jamais de styles néon, cartoon ou 3D.
Pourquoi cela fonctionne : les modèles d’image répondent aux mêmes indices que ceux auxquels pense un photographe.
Les prompts courts conviennent aux brouillons. Pour une image finale, ajoutez des détails et relancez avec un seed fixe si votre outil en propose un, afin qu’une seule variable change à la fois.
Parcourez cette liste dans l’ordre :
command et args dans un terminal. Si cela échoue là, cela échouera aussi dans LM Studio.Trois causes expliquent la plupart des cas :
💡 Tâche bloquée en traitement ? Rappelez-vous la limite de 5 prédictions simultanées. L’API expose aussi
POST /v1/predictions/{id}/cancelpour effacer les tâches qui se bloquent.
La documentation de LM Studio le dit clairement : n’installez jamais de serveurs MCP provenant de sources non fiables. Un serveur peut exécuter du code arbitraire, lire des fichiers locaux et utiliser votre connexion réseau. Traitez chaque entrée de mcp.json comme une application que vous installez.
Pour votre jeton :
env, jamais dans un message de chat ou un prompt.mcp.json le stocke en texte brut ; ne versionnez donc jamais ce fichier dans un dépôt public.mcp.json, puis supprimez l’ancien.Avant d’intégrer un prompt dans l’outil, testez-le dans un navigateur. P Image sur PicassoIA renvoie une image finie en moins d’une seconde, avec des générations illimitées, ce qui en fait un bac à sable rapide pour les prompts que votre modèle de langage rédigera plus tard.
1:1. Choisissez 16:9 pour les images larges, ou custom avec une largeur et une hauteur multiples de 16.| Paramètre | Type | Fonction |
|---|---|---|
prompt | string | Obligatoire. La description textuelle |
aspect_ratio | choix | 1:1 par défaut, plus 16:9, 9:16, 4:3, 3:4, 3:2, 2:3, custom |
width, height | integer | Utilisés avec custom uniquement, multiples de 16 |
prompt_upsampling | boolean | Permet à un LLM d’ajouter des détails visuels aux prompts courts |
seed | integer | Le même seed et le même prompt reproduisent la même image |
Si le brouillon vous convient mais que vous voulez un autre rendu, soumettez le même prompt à Z-Image Turbo, Flux 2 Klein 4B ou Seedream 4.5, et gardez celui qui convient à votre projet.
Vous disposez maintenant d’une fenêtre de chat qui rédige des consignes et d’un moteur qui les transforme en photographies. Lancez un premier essai ce soir. Demandez à votre modèle local trois prompts sur une scène qui vous tient à cœur, collez chacun dans P Image sur PicassoIA, et voyez quelle formulation donne le résultat le plus net. Puis envoyez le style gagnant à votre outil LM Studio et regardez la même image apparaître sans quitter le chat.
PicassoIA propose aussi l’édition d’images, l’upscaling (augmentation de la résolution) et de courts clips vidéo, si bien qu’une bonne image fixe peut devenir plus tard une miniature, une affiche ou une scène animée. Parcourez le catalogue complet sur picassoia.com/en/all-models, choisissez un modèle et générez votre première image dès aujourd’hui.
Choisissez votre langue
