8步出图Z-Image单流DiT文生图模型如何跑通并读懂核心源码【免费下载链接】Z-Image项目地址: https://gitcode.com/gh_mirrors/zi/Z-ImageZ-Image 是阿里的 6B 参数文生图模型族单流 DiT 架构让 Z-Image-Turbo 只需 8 步去噪即可出图16G 显存即可运行。仓库提供 PyTorch 原生推理实现与参考源码适合想在本地跑通图生图链路、或想读懂扩散 Transformer 内部结构的工程师。照着本文你能在半小时内拿到第一张 1024×1024 的生成图。 快速上手三步跑通 Z-Image 推理环境克隆仓库。拿到本地代码后即可进入下一步仓库体积很小秒级完成。git clone https://gitcode.com/gh_mirrors/zi/Z-Image安装依赖。构建虚拟环境后执行pip install -e .即可依赖声明在 pyproject.toml 里要求 Python ≥ 3.10、torch ≥ 2.5安装过程约两分钟。运行 inference.py。脚本会先自动下载 Z-Image-Turbo 权重到ckpts/Z-Image-Turbo再选设备、生成图片成功后目录里会多出example.png终端同时打印耗时。首次运行主要耗时在权重下载之后都是缓存命中。如果你习惯 Hugging Face 生态也可以装最新版diffusers后用ZImagePipeline加载Tongyi-MAI/Z-Image-Turbo参数与原生脚本一一对应。该图展示了 Z-Image 的单流 DiT 架构文本 token 与图像 VAE token 拼接为统一序列经 RMS Norm、U-Rope 位置编码后进入共享的 Transformer Block 处理 核心机制拆解三个模块看懂生成链路单流 DiT 结构文本与图像 token 拼成一条序列它做的事很直接把图像先切 patch、再嵌入成 token和文本特征 token 拼成一条序列交给同一个 Transformer 处理。这点对比其他 DiT 的关键在于参数效率——双流架构需要两套模块分别处理文本和图像单流架构让 30 层、30 头的共享 Block 直接做跨模态交互结构上就像把两种原料倒进同一口锅炒而不必各炒一盘再拼桌。源码在 src/zimage/transformer.pyZImageTransformer2DModel.forward里能看到patchify_and_embed把 latent 切成 patch、unified部分把图像与文本 token 拼接、最后unpatchify还原回特征图。Flow Matching 调度器动态时间步偏移支撑 8 步生成它负责决定每一步去噪往哪个方向走。Z-Image-Turbo 只跑 8 步还能出好图背后是少步蒸馏Decoupled-DMD 把 CFG 增强当作蒸馏主引擎、分布匹配当作稳定正则项两者解耦后分别优化才换来 8 NFE 的推理步数。该图展示了 Decoupled-DMD 的机制CFG 增强与分布匹配两种角色被解耦分别驱动与稳定少步蒸馏过程推理时还有一个细节时间步偏移 μ 不是常数而是按当前图像 token 数线性插值256 token 对应 0.5、4096 token 对应 1.15分辨率越高采样偏移越大。调度器实现在 src/zimage/scheduler.py偏移计算在 src/zimage/pipeline.py 的calculate_shift。多注意力后端与权重清单推理性能的弹性开关dispatch_attention会在运行时挑选 Flash Attention 2/3、SDPA 等后端通过环境变量ZIMAGE_ATTENTION即可切换不侵入业务代码。权重侧也做了一致性保障src/config/manifests/z-image-turbo.txt 记录了 text_encoder、transformer、vae 每个分片的 md5配合ensure_model_weights可校验下载完整性。对自部署服务来说这两处基本决定了你的吞吐和容错上限。️ 进阶玩法接入业务与常见坑接入建议批量出图直接用 batch_inference.py提示词每行一条通过环境变量PROMPTS_FILE指定文件结果自动按序号命名存入outputs/。需要中间结果时generate支持output_typelatent把 latent 拿去接 ControlNet、LoRA 或二次编辑链路。调参差异要分清Turbo 版固定guidance_scale0.0、num_inference_steps8基础 Z-Image 才需要 guidance 3.0~5.0、28~50 步并强烈建议加负向提示词。常见坑分辨率必须是 16 的倍数VAE 下采样 8 倍再乘 2 倍 patch否则直接抛异常。想压低延迟可在inference.py里把compileTrue并切到_flash_3后端Hopper 级 GPU 上预热后可达亚秒级显存不足时改用 diffusers 路线并开启enable_model_cpu_offload。Z-Image 的价值在于把8 步出图 16G 显存做成了消费级显卡上可用的事实Turbo 版适合追求速度的在线服务基础版则留出负向提示词与 CFG 调参空间适合微调与精修。它的边界同样清晰Turbo 牺牲了多样性换速度编辑能力依赖 Edit/Omni-Base 分支选哪个变体先看你卡的是延迟还是可控性。【免费下载链接】Z-Image项目地址: https://gitcode.com/gh_mirrors/zi/Z-Image创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/11/5 3:19:24 · 阅读 1.2k 8步出图：Z-Image单流DiT文生图模型如何跑通并读懂核心源码
8步出图Z-Image单流DiT文生图模型如何跑通并读懂核心源码【免费下载链接】Z-Image项目地址: https://gitcode.com/gh_mirrors/zi/Z-ImageZ-Image 是阿里的 6B 参数文生图模型族单流 DiT 架构让 Z-Image-Turbo 只需 8 步去噪即可出图16G 显存即可运行。仓库提供 PyTorch 原生推理实现与参考源码适合想在本地跑通图生图链路、或想读懂扩散 Transformer 内部结构的工程师。照着本文你能在半小时内拿到第一张 1024×1024 的生成图。 快速上手三步跑通 Z-Image 推理环境克隆仓库。拿到本地代码后即可进入下一步仓库体积很小秒级完成。git clone https://gitcode.com/gh_mirrors/zi/Z-Image安装依赖。构建虚拟环境后执行pip install -e .即可依赖声明在 pyproject.toml 里要求 Python ≥ 3.10、torch ≥ 2.5安装过程约两分钟。运行 inference.py。脚本会先自动下载 Z-Image-Turbo 权重到ckpts/Z-Image-Turbo再选设备、生成图片成功后目录里会多出example.png终端同时打印耗时。首次运行主要耗时在权重下载之后都是缓存命中。如果你习惯 Hugging Face 生态也可以装最新版diffusers后用ZImagePipeline加载Tongyi-MAI/Z-Image-Turbo参数与原生脚本一一对应。该图展示了 Z-Image 的单流 DiT 架构文本 token 与图像 VAE token 拼接为统一序列经 RMS Norm、U-Rope 位置编码后进入共享的 Transformer Block 处理 核心机制拆解三个模块看懂生成链路单流 DiT 结构文本与图像 token 拼成一条序列它做的事很直接把图像先切 patch、再嵌入成 token和文本特征 token 拼成一条序列交给同一个 Transformer 处理。这点对比其他 DiT 的关键在于参数效率——双流架构需要两套模块分别处理文本和图像单流架构让 30 层、30 头的共享 Block 直接做跨模态交互结构上就像把两种原料倒进同一口锅炒而不必各炒一盘再拼桌。源码在 src/zimage/transformer.pyZImageTransformer2DModel.forward里能看到patchify_and_embed把 latent 切成 patch、unified部分把图像与文本 token 拼接、最后unpatchify还原回特征图。Flow Matching 调度器动态时间步偏移支撑 8 步生成它负责决定每一步去噪往哪个方向走。Z-Image-Turbo 只跑 8 步还能出好图背后是少步蒸馏Decoupled-DMD 把 CFG 增强当作蒸馏主引擎、分布匹配当作稳定正则项两者解耦后分别优化才换来 8 NFE 的推理步数。该图展示了 Decoupled-DMD 的机制CFG 增强与分布匹配两种角色被解耦分别驱动与稳定少步蒸馏过程推理时还有一个细节时间步偏移 μ 不是常数而是按当前图像 token 数线性插值256 token 对应 0.5、4096 token 对应 1.15分辨率越高采样偏移越大。调度器实现在 src/zimage/scheduler.py偏移计算在 src/zimage/pipeline.py 的calculate_shift。多注意力后端与权重清单推理性能的弹性开关dispatch_attention会在运行时挑选 Flash Attention 2/3、SDPA 等后端通过环境变量ZIMAGE_ATTENTION即可切换不侵入业务代码。权重侧也做了一致性保障src/config/manifests/z-image-turbo.txt 记录了 text_encoder、transformer、vae 每个分片的 md5配合ensure_model_weights可校验下载完整性。对自部署服务来说这两处基本决定了你的吞吐和容错上限。️ 进阶玩法接入业务与常见坑接入建议批量出图直接用 batch_inference.py提示词每行一条通过环境变量PROMPTS_FILE指定文件结果自动按序号命名存入outputs/。需要中间结果时generate支持output_typelatent把 latent 拿去接 ControlNet、LoRA 或二次编辑链路。调参差异要分清Turbo 版固定guidance_scale0.0、num_inference_steps8基础 Z-Image 才需要 guidance 3.0~5.0、28~50 步并强烈建议加负向提示词。常见坑分辨率必须是 16 的倍数VAE 下采样 8 倍再乘 2 倍 patch否则直接抛异常。想压低延迟可在inference.py里把compileTrue并切到_flash_3后端Hopper 级 GPU 上预热后可达亚秒级显存不足时改用 diffusers 路线并开启enable_model_cpu_offload。Z-Image 的价值在于把8 步出图 16G 显存做成了消费级显卡上可用的事实Turbo 版适合追求速度的在线服务基础版则留出负向提示词与 CFG 调参空间适合微调与精修。它的边界同样清晰Turbo 牺牲了多样性换速度编辑能力依赖 Edit/Omni-Base 分支选哪个变体先看你卡的是延迟还是可控性。【免费下载链接】Z-Image项目地址: https://gitcode.com/gh_mirrors/zi/Z-Image创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考