Z-Image Turbo 解析：阿里巴巴 6B 開源圖像模型、8 步生成與使用限制

開源圖像模型越做越大：Black Forest Labs 的 FLUX.2 [dev] 有 320 億參數，騰訊的 HunyuanImage 3.0 則是 800 億參數的混合專家模型。阿里巴巴通義 Tongyi-MAI 團隊推出的 Z-Image 走相反路線：只有 60 億（6B）參數，目標是在消費級顯示卡上執行。其中速度最快的 Z-Image-Turbo 只需 8 步就能生成一張圖。本文根據官方模型卡與技術報告，整理它是什麼、如何運作、怎麼使用，以及有哪些限制。

Z-Image 家族

根據 Hugging Face 模型卡，Z-Image 目前有四個版本，皆為 6B 參數：

版本	步數	CFG	任務	模型卡說明
Z-Image-Turbo	8	否	生成	蒸餾版，畫質評為「很高」，多樣性低
Z-Image	50	是	生成	基礎模型，多樣性較好，適合微調
Z-Image-Omni-Base	50	是	生成與編輯	供社群微調的原始底模
Z-Image-Edit	50	是	編輯	依自然語言指令進行圖生圖

權重以 Apache 2.0 授權釋出，允許商業使用。模型卡撰寫時 Omni-Base 與 Edit 仍標示「即將釋出」，實際狀況請以模型卡為準。

官方宣稱的能力

團隊對 Z-Image-Turbo 的描述包括：

• 在企業級 H800 GPU 上可達次秒級生成，並可在 16 GB 顯存的消費級設備上執行。
• 寫實照片風格的生成品質。
• 中英雙語文字渲染，這是許多圖像模型的弱項。
• 良好的指令遵循，並可搭配會「推理」的提示詞增強器擴寫簡短提示。

效能方面，模型卡引用阿里巴巴 AI Arena 排行榜的 Elo 人類偏好評測，稱 Turbo 可與領先模型競爭，並在開源模型中達到最佳水準。不過該排行榜由阿里巴巴自行營運，下結論前最好再參考獨立評測。

技術原理

S3-DiT 架構

Z-Image 採用可擴展單流擴散 Transformer（S3-DiT）：把文字 token、視覺語意 token 與圖像 VAE token 在序列層級串接成單一輸入流處理；雙流架構則為文字與圖像各自保留一套權重。團隊認為單流設計的參數效率更高，這是 6B 模型能與大模型競爭的關鍵。細節見技術報告。

Decoupled-DMD 蒸餾

Turbo 的 8 步速度來自蒸餾。Decoupled-DMD 論文指出，分佈匹配蒸餾（DMD）其實由兩個機制共同作用：CFG 增強是主要驅動力，分佈匹配則扮演正則化角色。把兩者拆開後即可分別最佳化。之後的 DMDR 再把蒸餾與強化學習結合，以提升語意對齊與美感。

實際影響是：Turbo 設計為不使用無分類器引導（CFG），官方範例將 guidance_scale 設為 0，因此負面提示詞幾乎沒有作用。若你依賴負面提示詞，應改用基礎版 Z-Image。

如何使用

透過 diffusers

Z-Image 已併入 Hugging Face diffusers。模型卡範例如下：

import torch
from diffusers import ZImagePipeline

pipe = ZImagePipeline.from_pretrained(
    "Tongyi-MAI/Z-Image-Turbo", torch_dtype=torch.bfloat16)
pipe.to("cuda")
# pipe.enable_model_cpu_offload()  # 顯存不足時使用

image = pipe(prompt="夜市街道，霓虹招牌寫著繁體中文",
             height=1024, width=1024,
             num_inference_steps=9,   # 實際為 8 次 DiT 前向運算
             guidance_scale=0.0).images[0]
image.save("example.png")

注意步數：範例設定 num_inference_steps=9，模型卡說明實際只會執行 8 次 DiT 前向運算。開啟 CPU 卸載可降低顯存需求，但速度會變慢；支援的硬體可啟用 Flash Attention 或 torch.compile 加速。

透過 ComfyUI 或線上試用

ComfyUI 已可用標準工作流程載入 Z-Image。若想先試試提示詞效果，模型卡也連結了 Hugging Face Spaces 與 ModelScope 的線上展示。

適用場景

• 雙語行銷與電商素材：招牌、包裝、海報上的中文需要清楚可讀。
• 快速發想：單張消費級顯示卡即可，8 步生成讓反覆嘗試很快。
• 微調專案：應使用基礎版 Z-Image，模型卡將 Turbo 的可微調性標為不適用。

限制

• Turbo 多樣性低：模型卡自己也這麼評價，同一提示詞的結果容易相似，需要變化時改用基礎版。
• 不支援 CFG：負面提示詞與引導強度調整不在 Turbo 的工作流程中。
• 編輯需另一個模型：Turbo 只做文生圖。
• 文字渲染好但非完美：複雜或較長的字串仍可能出錯，發布前務必檢查。
• 負責任使用：與其他寫實模型一樣，它可能生成與真人相似的圖像。未經同意不要生成真實人物的肖像，並遵守授權條款與當地法規。

結論

Z-Image-Turbo 證明，透過架構設計與蒸餾，6B 模型也能與更大的開源模型同台比較，同時能在 16 GB 消費級顯示卡上執行。它的長處是速度與雙語文字，代價是多樣性低、不支援引導。對多數使用者而言，實際做法是用 Turbo 快速出草稿，需要多樣性或微調時改用基礎版 Z-Image。

參考資料

• Z-Image-Turbo 模型卡（Hugging Face）
• Z-Image GitHub
• Z-Image 技術報告（arXiv 2511.22699）
• Decoupled-DMD（arXiv 2511.22677）
• DMDR（arXiv 2511.13649）