阿里巴巴通义实验室近日开源了一款全新的图像生成模型 Z-Image。该模型以仅 6B 的参数量，实现了媲美国际顶尖商业模型（约 20B 参数级别）的视觉表现，在生成效率与画质之间取得了突破性平衡。
Z-Image 基于单流 DiT（Diffusion Transformer）架构设计，推出了三个核心版本：Z-Image-Turbo（主打高速推理）、Z-Image-Base（面向基础研究与开发）以及 Z-Image-Edit（专为图像编辑优化），全面覆盖多样化应用场景。
得益于 DMD 与 DMDR 解耦等前沿技术的引入，Z-Image 仅需 8 步采样即可输出高分辨率、高度逼真的图像内容，显存占用低于 16GB，可在 NVIDIA RTX30 系列等消费级 GPU 上稳定运行。在 H800 GPU 上，其生成速度甚至可达亚秒级，极大提升了实际部署效率。
该模型的一大亮点在于其卓越的提示理解与上下文推理能力。它不仅能解析文字指令，更能结合“世界知识”实现深层次语义对齐，使生成图像在光影效果、材质细节和构图逻辑上更加自然真实。同时，Z-Image 支持复杂多步指令解析与多模态编辑任务，并在中英文文本渲染方面表现出色，显著改善了传统 AI 绘图模型在图文融合上的短板。
行业实测表明，Z-Image 在人物肖像生成、场景布局及编辑连贯性方面表现优异。在 ComfyUI 框架下的对比测试中，其性能已超越部分 SDXL 基线模型，尤其在中文宣传海报生成和 NSFW 内容控制方面展现出更强的稳定性与可控性。
源码地址：点击下载
