Z-Image — семейство эффективных open-source моделей для генерации изображений, разработанное командой Tongyi-MAI в Alibaba Group. Модель была представлена в конце 2025 года и распространяется под свободной лицензией Apache 2.0. Z-Image бросает вызов распространённому в индустрии подходу «масштабирования любой ценой», доказывая, что высокое качество генерации достижимо без наращивания модели до десятков миллиардов параметров.
Архитектура: Single-Stream Diffusion Transformer (S3-DiT)
В основе Z-Image лежит архитектура Scalable Single-Stream Diffusion Transformer (S3-DiT). Её ключевая особенность — объединение всех типов токенов (текстовых, семантических визуальных и VAE-токенов изображения) в единую последовательность на входе трансформера. Это принципиально отличает Z-Image от таких моделей, как Flux.1, которые используют раздельные multi-modal потоки для текста и изображения. Такой подход позволяет добиться высокой эффективности использования параметров при относительно небольшом размере модели.
Обучение Z-Image заняло 314 тысяч часов на H800 GPU (примерно $630K), что значительно скромнее затрат на обучение более крупных моделей-конкурентов.
Семейство моделей Z-Image
На сегодняшний день семейство Z-Image включает несколько вариантов:
| Модель | Параметры | Шагов | Особенности | Дата релиза |
|---|---|---|---|---|
| Z-Image-Turbo | 6B | 8 | Дистиллированная версия, оптимизированная для скорости | Ноябрь 2025 |
| Z-Image (Foundation) | 6B | 28–50 | Полноценная базовая модель без дистилляции | Январь 2026 |
| Z-Image-Edit | 6B | — | Тонко настроена для редактирования изображений по инструкциям | В разработке |
| Z-Image-Omni-Base | 6B | — | Объединяет генерацию и редактирование в одной модели | В разработке |
Z-Image-Turbo: скорость и эффективность
Z-Image-Turbo — это дистиллированная версия, созданная с использованием передовых техник дистилляции и обучения с подкреплением (Decoupled-DMD и DMDR):
- Всего 8 шагов (Number of Function Evaluations) для генерации изображения
- Субсекундная задержка на H800 GPU
- Работает на потребительских GPU с 16 ГБ VRAM
- Поддерживает FP8 квантизацию, снижающую потребление памяти примерно на 50%
Ключевые возможности
1. Фотореалистичная генерация
Z-Image демонстрирует высокое качество фотореалистичных изображений, сравнимое с ведущими коммерческими моделями. Модель показывает отличные результаты в создании сложных композиций, работе с освещением и детализацией.
2. Двуязычный рендеринг текста
Ключевое преимущество Z-Image — нативная поддержка рендеринга текста на английском и китайском языках внутри изображений. Модель корректно отображает:
- Многострочные тексты
- Стилизованные шрифты
- Сложные макеты (постеры, обложки, интерфейсы)
Это делает Z-Image особенно ценным для создания рекламных материалов, постеров и контента с двуязычной типографикой.
3. Следование сложным промптам
Z-Image включает модуль Prompt Enhancer, который помогает модели лучше понимать неявные намерения пользователя и использовать знания о мире для улучшения семантического соответствия.
4. Редактирование изображений (Z-Image-Edit)
Специализированная версия позволяет вносить изменения в изображения по естественно-языковым инструкциям на английском или китайском:
- Изменение стиля
- Вставка или удаление объектов
- Модификация фона
- Изменение атрибутов (цвет, поза, освещение)
Системные требования и запуск
- VRAM: от 16 ГБ для работы с разрешением 1024×1024
- Разрешение: от 512×512 до 2048×2048 (любое соотношение сторон)
- Фреймворк: PyTorch с CUDA
- Интеграция: доступна через библиотеку diffusers от Hugging Face
Пример базового использования:
from diffusers import ZImagePipeline
pipe = ZImagePipeline.from_pretrained("Tongyi-MAI/Z-Image", torch_dtype=torch.bfloat16)
pipe.to("cuda")
image = pipe(prompt="Your prompt here", height=1024, width=1024, num_inference_steps=30)
Сравнение с конкурентами
| Характеристика | Z-Image-Turbo | Flux.1 schnell | Flux.1 dev |
|---|---|---|---|
| Параметры | 6B | 12B | 12B |
| Архитектура | S3-DiT | MM-DiT | MM-DiT |
| Шагов | 8 | 1–4 | 20–50 |
| Лицензия | Apache 2.0 | Apache 2.0 | Non-Commercial |
| Мин. VRAM (bf16) | 16 ГБ | ~24 ГБ | ~24 ГБ |
| Двуязычный текст | Нативный | Слабый | Слабый |
Согласно независимым бенчмаркам, Z-Image-Turbo занимает 1-е место среди open-source моделей в рейтинге Artificial Analysis text-to-image leaderboard и 8-е место в общем зачёте, уступая лишь некоторым закрытым коммерческим решениям.
Итог
Z-Image — это сбалансированное решение для генерации изображений, которое предлагает:
- Открытость (Apache 2.0) и доступность для коммерческого использования
- Высокую эффективность при 6 млрд параметров
- Уникальную способность рендерить двуязычный текст
- Доступность на потребительском оборудовании
- Скорость генерации (субсекундная задержка у Turbo-версии)
Модель особенно рекомендуется для задач, требующих коммерческого качества, открытой лицензии и надёжного рендеринга текста на английском и китайском языках.