Z-Image（造相）是阿里通义实验室 2026 年初开源的 6B 图像生成基座模型，以照片级写实、精准中英双语文字渲染和强可微调性著称。Z-Image 是一个 6B 参数的模型家族，官方目前规划 4 个变体：
| 变体 | Step | CFG | 任务 | 画质 | 多样性 | 可微调 | 状态 |
|---|---|---|---|---|---|---|---|
| Z-Image-Omni-Base | 50 | yes | 生成 + 编辑 | 中 | 高 | 易 | 待发布 |
| Z-Image | 50 | yes | 生成 | 高 | 中 | 易 | 已发布 |
| Z-Image-Turbo | 8 | no | 生成 | 极高 | 低 | N/A | 已发布 |
| Z-Image-Edit | 50 | yes | 编辑 | 高 | 中 | 易 | 待发布 |
本文聚焦的 Z-Image（base） 是 Turbo 的母模型：经过预训练 + SFT，但没有做 RL 蒸馏，所以它保留了 CFG（需要 guidance）、多样性更好、适合二次微调，定位是“创作 + 下游开发的原始基座“。Turbo 则是它蒸馏出来的 8 步快速版，画质极高但多样性低、不可微调。
S3-DiT 架构
Z-Image 采用 Scalable Single-Stream DiT（S3-DiT，可扩展单流扩散 Transformer）。和 Flux 那种「文本流 + 图像流」的双流结构不同，S3-DiT 把文本 token、视觉语义 token、图像 VAE token 在序列维度上拼成一条统一输入流喂给 DiT，最大化参数效率。
- 文本编码器是 Qwen3-4B（一个 LLM），不是传统的 CLIP/T5——这是它中文理解和文字渲染极强的根因
- VAE 是 16-channel 的（和 Flux 同款），latent 空间比老的 4-channel SD VAE 信息密度更高
- 单流拼接让文本和图像在每一层都充分交互，参数利用率高于双流
graph LRP["prompt 字符串<br/>(中/英)"] --> TE["Qwen3-4B<br/>文本编码器"]TE --> SEQ["统一输入流<br/>文本token + 视觉语义token + VAE token<br/>(单流拼接)"]NOISE["随机噪声 latent<br/>16ch"] --> SEQSEQ --> DIT["S3-DiT<br/>6B 去噪<br/>(28-50 步)"]DIT --> LAT["去噪后 latent"]LAT --> VAE["VAE Decode<br/>(16ch → RGB)"]VAE --> PNG["PNG 图像<br/>1024×1024..."]
选 base 是因为我们要的是质量、可控性、和后续微调空间；如果只追求速度可换 Turbo（diffusers 里把 num_inference_steps=9、guidance_scale=0.0 即可）。
diffusers 直接部署
环境准备
mkdir -p /opt/zimage && cd /opt/zimage
python3 -m venv venv && source venv/bin/activate# torch (cu130) + diffusers from source (Z-Image 支持只在源码版)
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130
pip install git+https://github.com/huggingface/diffusers
pip install transformers accelerate safetensors# 下载 base 权重（多文件夹 diffusers 格式, ~20 GB）
pip install -U "huggingface_hub[cli]"
hf download Tongyi-MAI/Z-Image --local-dir /opt/zimage/Z-Image
生成脚本（ZImagePipeline）
import torch
from diffusers import ZImagePipeline# 加载 pipeline（BF16 是 L4 的最优精度）
pipe = ZImagePipeline.from_pretrained("/opt/zimage/Z-Image",torch_dtype=torch.bfloat16,low_cpu_mem_usage=False,
)
pipe.to("cuda")prompt = "超高清写实摄影，新中式国风，一位气质优雅的年轻亚洲女性……"
neg = "低质量，模糊，多余的肢体，畸形的手，比例失调，塑料感皮肤，水印，文字"image = pipe(prompt=prompt,negative_prompt=neg, # base 支持有效负向，强烈推荐height=1280, width=960, # 总像素面积在 512²~2048² 间，任意宽高比cfg_normalization=True, # True=写实 / False=风格化num_inference_steps=50, # 官方 28-50guidance_scale=4.0, # 官方 3.0-5.0generator=torch.Generator("cuda").manual_seed(168),
).images[0]
image.save("out.png")
官方推荐参数
| 参数 | 推荐值 | 说明 |
|---|---|---|
num_inference_steps |
28–50 | base 是非蒸馏模型，步数要够；25 偏少 |
guidance_scale |
3.0–5.0 | 太高会过饱和/光晕，太低不贴合 prompt |
cfg_normalization |
True=写实 / False=风格化 | 写实人像/产品用 True，插画/艺术风用 False |
negative_prompt |
强烈推荐 | base 对负向响应有效，用来去畸形/水印/杂物 |
| 分辨率 | 512²–2048² | 按总像素面积，任意宽高比 |
本次使用L40卡，单张生图可以满速直跑，批量的话需要用独立进程串行。
- 单张生图直接
pipe.to("cuda")满速即可，50 步约 160–215 s，显存峰值 ~21.3 GB，24 GB 放得下。 - 批量循环场景，在一个进程里 for 循环连出多张，显存会累积，常在第 2 张 OOM
enable_model_cpu_offload()开启后，组件按需在 CPU和GPU 之间搬运，峰值降到 ~13 GB，能避 OOM，但速度巨慢，而且在某些情况会 thrash（进程卡 D 状态、GPU 0% 利用率、磁盘 I/O 打满，单张拖到 7 分钟仍不出）- 所以，批量出图时，需要串行提交任务。
ComfyUI 部署
ComfyUI 需要 Comfy-Org 重打包的单文件，按固定目录摆放：
ComfyUI/models/
├── text_encoders/ qwen_3_4b.safetensors (8.0 GB)
├── diffusion_models/ z_image_bf16.safetensors (12.3 GB)
└── vae/ ae.safetensors (335 MB)
下载模型文件
cd /opt/comfyui
wget -O models/text_encoders/qwen_3_4b.safetensors \https://huggingface.co/Comfy-Org/z_image_turbo/resolve/main/split_files/text_encoders/qwen_3_4b.safetensors
wget -O models/diffusion_models/z_image_bf16.safetensors \https://huggingface.co/Comfy-Org/z_image/resolve/main/split_files/diffusion_models/z_image_bf16.safetensors
wget -O models/vae/ae.safetensors \https://huggingface.co/Comfy-Org/z_image_turbo/resolve/main/split_files/vae/ae.safetensors
安装与启动
# clone + venv + torch + 依赖
cd /opt && git clone --depth 1 https://github.com/comfyanonymous/ComfyUI.git comfyui
cd comfyui
python3 -m venv venv && source venv/bin/activate
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt
ComfyUI 原生支持 Z-Image（核心节点已内置，无需自定义节点）
cd /opt/comfyui
/opt/comfyui/venv/bin/python main.py --listen 0.0.0.0 --port 8188
官方模板已内置在 ComfyUI（comfyui-workflow-templates 包），也可单独下载放进工作流目录：
wget -O user/default/workflows/z_image_base.json \https://raw.githubusercontent.com/Comfy-Org/workflow_templates/refs/heads/main/templates/image_z_image.json
关键节点参数
| 节点 | 参数 | 值 | 说明 |
|---|---|---|---|
| UNETLoader | unet_name | z_image_bf16.safetensors |
weight_dtype 选 default（BF16）；想省显存可选 fp8_e4m3fn |
| CLIPLoader | clip_name / type | qwen_3_4b.safetensors / qwen_image |
枚举里没有 z_image，Z-Image 复用 qwen_image 类型 |
| VAELoader | vae_name | ae.safetensors |
Flux 同款 16ch VAE |
| EmptySD3LatentImage | width/height | 1024×1024 起 | 16ch latent 用 SD3 系列 latent 节点 |
| ModelSamplingAuraFlow | shift | 3 | Z-Image base 推荐值 |
| KSampler | sampler / scheduler | res_multistep / simple（或 beta） |
steps 28–50，cfg 3.0–5.0 |
生图示例
提示词与参数调优
因为文本编码器是 Qwen3-4B 这个 LLM，Z-Image 的 prompt技巧如下：
- 写长、写细：官方示例都是几百字的完整场景描述（人物/服饰/光线/背景/镜头/质感全写），不是堆关键词
- 中英双语都强：中文 prompt 直接喂，无需翻译；文字渲染精准——想在图里出中/英文字，直接在 prompt 里写出来（短、高对比效果最好）
- 负向提示有效：base 对
negative_prompt响应明显，用来去畸形手、多余肢体、塑料感皮肤、水印、杂乱背景 - cfg_normalization 决定走向：写实人像/产品 设置
True；插画/艺术/风格化 设置False
生图示例
以下全部由本次部署的 Z-Image base 实际产出，1024×1024 / 960×1280 等。
英文写实测试 —— 验证基础写实能力。
高铁旅拍 —— 米色 T + 牛仔短裤，车窗阳光与车厢顶灯双光源、发丝随车速飘动。
官方模板出图—— 超现实浪漫主义时尚大片：低角度仰拍、梦幻蓝色植被、黄白条纹长裙模特走在沙地上、暖棕树干 vs 冷蓝树叶。
新中式园林旗袍 —— 灰色亚麻立领旗袍、苏州园林飞檐、太湖石与竹林、手持团扇、玉簪与珍珠耳饰，胶片质感、东方含蓄气质。
