Ressourcen

Z-Image-Omni-Base markiert einen strategischen Wechsel vom ursprünglichen 'Base'-Modell hin zu einer 'Omni'-Pre-Training-Architektur. Es vereint Bildgenerierung und Bearbeitung/Inpainting in einem einzigen Framework unter Verwendung des Scalable Single-Stream Diffusion Transformer (S3-DiT). Dieses Omni-Pre-Training ermöglicht nahtlose Übergänge zwischen der Generierung neuer Bilder und der Bearbeitung bestehender Bilder ohne separate spezialisierte Modelle und bietet Entwicklern höhere Parametereffizienz und Flexibilität.

Z-Image ist ein leistungsstarkes und hocheffizientes Bildgenerierungs-Basismodell mit 6B Parametern. Es nutzt die Scalable Single-Stream Diffusion Transformer (S3-DiT) Architektur und verarbeitet Text, visuelle semantische Token und Bild-VAE-Token als einheitlichen Stream. Z-Image dient als Kern für Varianten wie Z-Image-Turbo und Z-Image-Omni-Base und liefert Spitzenleistung unter Open-Source-Modellen.

Z-Image ist ein leistungsstarkes und effizientes Bildgenerierungsmodell mit 6B Parametern. Derzeit gibt es drei Varianten: Z-Image-Turbo (destillierte Version, nur 8-Schritt-Inferenz), Z-Image-Omni-Base (Basismodell) und Z-Image-Edit (Variante zur Bildbearbeitung).

Erleben Sie das Z-Image Turbo Modell auf der ModelScope-Plattform, die einen Online-Inferenzdienst und eine API-Schnittstelle für die schnelle Integration durch Entwickler bietet.

Z-Image Turbo Modell in der HuggingFace-Community, bietet vollständige Modellgewichte, Nutzungsbeispiele und Community-Support. Monatliche Downloads erreichen über 111.000.

Z-Image De-Turbo ist eine de-destillierte Version von Tongyi-MAI/Z-Image-Turbo, feinabgestimmt auf Bilder, die von Z-Image-Turbo generiert wurden, um die Einschränkungen der Turbo-Destillation zu überwinden. Dieses Modell wurde speziell für Training und tiefes Fine-Tuning entwickelt.

Red-Z-Image-AIO-1.5 ist eine durch die Community verbesserte Version des offiziellen Z-Image-Turbo Modells, basierend auf der S³-DiT Single-Stream Diffusion-Architektur.

Offizielle ComfyUI-Dokumentation für Z-Image Turbo, inklusive Workflow-Vorlagen und detaillierten Anleitungen zur Lokalen Bereitstellung.

PrunaAI-optimierte Version von Z-Image Turbo, beschleunigt durch fortschrittliche Kompressionstechniken bei gleichbleibender fotorealistischer Qualität.

Offizielle GGUF-quantisierte Versionen von Z-Image Turbo, die den Einsatz auf Consumer-GPUs mit nur 6GB VRAM ermöglichen.

Erforderlicher Text-Encoder für Z-Image GGUF-Bereitstellungen mit zweisprachigem Verständnis (Chinesisch/Englisch) und Denk-Modus.

Beliebte GGUF-Modellsammlung von Jayn7 mit über 200 Likes, bietet detaillierte Setups für ComfyUI.

Dieses LoRA-Modell verbessert die bestehenden Pixel-Art-Fähigkeiten von Z-Image und macht sie detaillierter und feiner. Keine Triggerwörter erforderlich, aber die Verwendung von "pixel art" in Prompts führt zu besseren Ergebnissen.

Dies ist ein ControlNet-Modell mit 6 hinzugefügten Blöcken, das von Grund auf mit einem Datensatz von 1 Million hochwertigen Bildern trainiert wurde.

Qwen-Image-i2L ist ein innovatives System, das direkt LoRA-Gewichte aus Eingabebildern generiert.

Offizielle Online-Demo-Anwendung von Z-Image Turbo, gepflegt vom Tongyi-MAI-Team. Läuft auf Zero GPU, keine lokale Konfiguration erforderlich.

Galerie-Anwendung von Z-Image auf der ModelScope-Plattform mit optimiertem chinesischem Interface und Integration in das ModelScope-Ökosystem.

Smart-Frame-Anwendung basierend auf Z-Image, speziell entwickelt für das Gedenkprojekt zum 1. Geburtstag von MCP, zeigt die Möglichkeiten von Z-Image in kreativen Anwendungsszenarien.

Online-Galerie für benutzerdefinierte Z-Image LoRA-Modelle, die eine Vielzahl von Stilen wie sowjetische Avantgarde, Dadaismus und Surrealismus hostet.

Interaktives Krimispiel-Erlebnis, das Bildgenerierung mit Gameplay kombiniert und innovative Nutzungsmöglichkeiten von Z-Image im Unterhaltungsbereich zeigt.

Dieses Paper schlägt das DMDR-Framework vor, das Reinforcement-Learning-Techniken in den Prozess der Distribution Matching Distillation integriert. Die Forschung zeigt, dass für das bestärkende Lernen von Wenig-Schritt-Generatoren der DMD-Verlust selbst effektiver ist als traditionelle Regularisierungsmethoden.

Offizielle Projekthomepage von Z-Image, bietet eine umfassende Einführung einschließlich Kernfunktionen, Modellarchitektur und Performance-Bewertung.