Full text · 原文
2,375 字
梦瑶 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
6B小模型，首日下载量高达50万次，上线不到两天直接把HuggingFace两个榜单都冲了个第一。<br>
它就是阿里通义的全新图像模型：Z-Image。<br>
说它“出道即猛”不算夸张，参数虽小，但是出图质量甚至不输同期发布的FLUX.2，在画质、文本、推理等方面属于是SOTA级别。<br>
先来看看官方给出的效果，Z-Image在语义知识上有点本事，对各国名胜古迹那完全是“老熟人级别”，轻松roll出世界名著：<br>
在文本渲染上也同样顶得住，像下面这种包含公式+中英文混排的复杂黑板内容，也能给到相当稳定的输出效果：<br>
网友已经开始玩梗了：“Z-Image最大的特点：能跑在我电脑上……关键是它不烧卡啊兄弟们。”（同期发布的FLUX.2真·欲哭无泪了）<br>
模型表现到底如何，咱接着往下看～<br>
6B小模型的出图水平到底咋样？<br>
咱先来说说Z-Image这个模型的来头。<br>
Z-Image是一个6B参数的高效图像生成基础模型，目前主要有三个版本：<br>
1.Z-Image-Turbo（已开源）：当前已公开的主要版本，参数量约为6B，在写实风格图像生成、中英文文本精准渲染等方面表现较好，性能接近或超过当前主流开源模型。<br>
2.Z-Image-Edit（未开源）：基于Z-Image基础模型专门针对图像编辑任务进行微调的版本，可上传图片并通过自然语言指令进行精确修改，例如更换背景、调整服饰、添加或移动元素等。<br>
3.Z-Image-Base（未开源）：未经过蒸馏压缩的完整基础模型，保留了最完整的生成能力和参数容量，该版本主要面向开发者与研究者开放。<br>
咱直接来实测一把，看看Z-Image的生效果到底能不能打！<br>
官方说Z-Image在真实感、构图、美学、中英文渲染、语义理解都很强，那咱直接来点硬菜。<br>
先来试试美学和真实感处理，最近《怪奇物语5》火得不行，我直接让它整了个“颠倒世界”的写实街景，要求有变异生物、咕噜咕噜的光点、氛围感拉满那种～<br>
你别说，从图片效果看，树干和藤蔓被红蓝生物光点覆盖，街道里雾气弥漫，整体效果已经有了很强的电影级真实感，感觉下一秒“魔狗”就跑来抓人了。<br>
但街景不够看纹理细节，咱再拉高难度——来个特写写真级肖像看看模型有没有“塌房”：<br>
从出图效果看，皮肤纹理自然、光线柔和均匀，五官细节清晰不失真，整体质感已经接近专业影棚级的写实肖像照。<br>
咱再来试试Z-Image的大招——文字处理能力。<br>
既然NanoBanana2前几天靠旅游攻略海报炸了一波，那我也让Z-Image来一张老北京旅游攻略：<br>
先说优点，如果不细看，一级标题都没有太大的文字问题，色彩、风格和排版都挺有插画海报内味儿。<br>
但小字就不太行了，“港湾”“故宫”这种越小越容易变形的字，模型还是有点hold不住，看得出来文字能力还在进步区间啊～<br>
不过Z-Image主打的不仅是图像渲染，还有语义理解能力。<br>
这次我想考考它的“常识推理”，让它用科普漫画解释“为什么上下文越长，AI的回答反而可能变差”，看看这模型肚子里的知识储备咋样：<br>
首先值得表扬的是，AI确实看懂的题目要让他干什么，漫画形式+科普内容的理解是到位的，并且强调出了AI之所以没办法很好处理过长的上下文内容的原因。<br>
但还是暴露一些小bug，一是文字变形问题，二是可能受限于图像尺寸的原因，科普原理解释的还是太浅，也能理解。<br>
咱再来看看网友们用Z-Image玩出了哪些有意思的玩法：<br>
有网友直接整出了复古电影质感大片，高级绿、高级蓝加梦幻纹理，画面里那种“银幕颗粒感”都给你安排得明明白白！<br>
还有网友玩起了“微观迷你世界”，雪盖屋顶、小人滑冰、灯光点点，是那种看一眼就想当成桌面壁纸的程度：<br>
再看下面这位网友，直接让Z-Image化身摄影界的“生物专家”，生成了显微镜级别下的昆虫特写。<br>
666，这细节都能直接拿去做科普杂志封面了。<br>
Z-Image为啥能跑这么快？<br>
咱转过头再来聊聊Z-Image背后的技术逻辑。<br>
Z-Image之所以能跑那么快，得益于架构优化与模型蒸馏技术的结合，让它在不牺牲高质量的前提下，大幅减少计算量。<br>
先从架构说起。<br>
我们传统图像模型常采用双流设计，文本和图像分别处理，然后通过跨注意力机制融合，这会造成参数冗余和计算浪费，导致推理时间长、显存占用高。<br>
Z-Image则换了条更干脆的路子，用的是可扩展的单流DiT（S3-DiT）架构，把文本token、视觉语义token和图像的VAE token直接串成一条统一序列，让模型一次前向就能把所有模态读完。<br>
路径变短、融合更省事，自然跑得更快：<br>
再说加速的另一半——蒸馏。<br>
扩散模型本来就慢，正常要跑20～50步，每一步都要重新算噪声，画质好但时间代价大。<br>
Z-Image是基础版的“提纯模型”，通过Decoupled-DMD把大模型的能力蒸出来，同时把加速所需的CFG Augmentation（加速核心）和保证质量的Distribution Matching（质量稳定）分开优化。<br>
最后做到只需要8次函数评估就能生成一张高清图：<br>
简单说，就是把原来的长流程压成了极短流程，让速度和质量不再是互相牵制。<br>
正是这种“聪明少干活”的设计，让Z-Image在开源模型里跑出了SOTA水平的速度，同时写实质量和中英文本渲染都保持得很稳。<br>
阿里这次上线开源Z-Image的时间也挺“巧”，和FLUX.2一前一后，但看榜单结果，显然不是“谁先发谁赢”这种简单逻辑啊…<br>
目前Z-Image已在魔塔上线，感兴趣的朋友可以试试～<br>
开源地址：https://huggingface.co/Tongyi-MAI/Z-Image-Turbo<br>
生成地址：https://modelscope.cn/aigc/imageGeneration