Z-Image 8步AI图像生成技术原理Decoupled-DMD分布匹配蒸馏如何把50步压缩到8步【免费下载链接】Z-Image项目地址: https://gitcode.com/gh_mirrors/zi/Z-ImageZ-Image-Turbo 是一个 6B 参数的 AI 图像生成模型8 次采样步就能出一张 1024×1024 的图。本文拆解它背后的 Decoupled-DMD 分布匹配蒸馏、单流 DiT 骨干与调度设计帮你看清少步生成到底省在哪一步。为什么需要它50 步采样为什么难以接受Z-Image 基模要 50 个采样步出一张图每一步都是完整的大模型前向延迟随步数线性上涨。消费级显卡上等几分钟才出一张交互场景基本没法用。蒸馏是标准解法让少步学生模型去贴合教师模型的输出分布。DMDDistribution Matching Distillation分布匹配蒸馏的思路好比不要求学生逐题抄教师的作业而是直接对齐教师的答案分布。但问题在于DMD 损失把两种不同的力塞进了同一个梯度一个把输出拉向真实数据一个把输出拉向文本所指的方向。两者纠缠时学生模型容易塌成模糊的平均脸。Z-Image 的做法是把这两种力拆开各自调。它到底怎么做的 ⚙️Decoupled-DMD 拆解成两种力的四步流程Decoupled-DMD 把传统 DMD 梯度拆成 CACFG Augmentation和 DMDistribution Matching两项一轮训练循环如下学生模型用 8 步生成图像再在随机时间步 t 加回噪声把学生产物与真实数据放进同一个re-noised空间才能公平比较。冻结的教师Real Model对 x_t 分别输出带条件与无条件两个分数 s_real_cond、s_real_uncond——CFG 正是靠放大有条件−无条件的差来强化文本方向的。Fake Model学生的孪生副本对同一 x_t 预测出学生分布分数 s_fake_cond。分项计算梯度CA s_real_cond − s_real_uncond负责往文本方向拉DM s_real_cond − s_fake_cond负责往真实数据流形上拉。两项可独立选择时间步采样策略与权重。原论文的标题说得很直白CA 是矛DM 是盾。CA 是主驱动DM 兜底保稳此前这层分工一直隐含在 DMD 公式里。在此之上DMDR 再叠加 RL 奖励RL 打开 DMD 的性能上限DMD 反过来约束 RL 的 reward hacking。图左侧为生成与 re-noising 流程右侧 (a) 为传统 DMD 视角(b) 为解耦出 CA/DM 两项后的视角关键设计决策为什么是单流 DiT 和动态 shift蒸馏压步数骨干结构决定能保住多少质量。Z-Image 有三个值得看的工程取舍单流 S3-DiT而非双流文本、语义 token 与 VAE latent token 拼进同一条序列共享同一套注意力与 FFN省掉跨路信息传递6B 参数即对齐数倍大的模型。实现见 src/zimage/transformer.py。动态 shift 调度8 步对 σ 区间选取极敏感。pipeline 按图像 token 数线性映射 shift256 token 对应 0.54096 token 对应 1.15分辨率越高早期噪声调度越密避免把有限步数浪费在低价值区间。见 src/zimage/pipeline.py。零初始化 Gate RMSNorm含 QK-Norm门控初始为零块输出初期近似恒等映射让蒸馏期强耦合的梯度保持平稳注意力模块在 Flash Attention 2/3 与 SDPA 间分发这是亚秒延迟的直接来源。图S3-DiT 架构总览右侧为单流块内部的 Zero-init Gate、RMSNorm 与 U-RoPE 细节效果如何 从 50 步到 8 步代价是多少同一骨干的两种配置对比指标Z-Image基模Z-Image-Turbo采样步数28–508guidance_scale3.0–5.00.0不再需要 CFGH800 推理延迟数十秒亚秒显存占用—16G 显存可跑榜单数据Artificial Analysis 文生图竞技场Turbo 总榜第 8、开源第一开源榜 ELO 1161 居首。参数仅 6B不到多款 60B 竞品的十分之一。图Artificial Analysis 开源文生图榜单Z-Image-Turbo 位列第一快速上手四条命令跑起 8 步出图git clone https://gitcode.com/gh_mirrors/zi/Z-Image cd Z-Image pip install -e . python inference.py权重会自动下载到ckpts/目录Hopper 显卡上启用_flash_3后端并开启模型 compile即可体验亚秒出图。Decoupled-DMD 的价值在于给少步蒸馏提供了方法论把 DMD 损失里的驱动力与约束项拆开分别调优8 步高质量出图就不再靠运气。更多架构与蒸馏细节可查阅 Z-Image 开源仓库clone 命令见上文与官方技术报告。【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 · 2026/11/4 11:11:57 · 阅读 1.2k Z-Image 8步AI图像生成技术原理：Decoupled-DMD分布匹配蒸馏如何把50步压缩到8步
Z-Image 8步AI图像生成技术原理Decoupled-DMD分布匹配蒸馏如何把50步压缩到8步【免费下载链接】Z-Image项目地址: https://gitcode.com/gh_mirrors/zi/Z-ImageZ-Image-Turbo 是一个 6B 参数的 AI 图像生成模型8 次采样步就能出一张 1024×1024 的图。本文拆解它背后的 Decoupled-DMD 分布匹配蒸馏、单流 DiT 骨干与调度设计帮你看清少步生成到底省在哪一步。为什么需要它50 步采样为什么难以接受Z-Image 基模要 50 个采样步出一张图每一步都是完整的大模型前向延迟随步数线性上涨。消费级显卡上等几分钟才出一张交互场景基本没法用。蒸馏是标准解法让少步学生模型去贴合教师模型的输出分布。DMDDistribution Matching Distillation分布匹配蒸馏的思路好比不要求学生逐题抄教师的作业而是直接对齐教师的答案分布。但问题在于DMD 损失把两种不同的力塞进了同一个梯度一个把输出拉向真实数据一个把输出拉向文本所指的方向。两者纠缠时学生模型容易塌成模糊的平均脸。Z-Image 的做法是把这两种力拆开各自调。它到底怎么做的 ⚙️Decoupled-DMD 拆解成两种力的四步流程Decoupled-DMD 把传统 DMD 梯度拆成 CACFG Augmentation和 DMDistribution Matching两项一轮训练循环如下学生模型用 8 步生成图像再在随机时间步 t 加回噪声把学生产物与真实数据放进同一个re-noised空间才能公平比较。冻结的教师Real Model对 x_t 分别输出带条件与无条件两个分数 s_real_cond、s_real_uncond——CFG 正是靠放大有条件−无条件的差来强化文本方向的。Fake Model学生的孪生副本对同一 x_t 预测出学生分布分数 s_fake_cond。分项计算梯度CA s_real_cond − s_real_uncond负责往文本方向拉DM s_real_cond − s_fake_cond负责往真实数据流形上拉。两项可独立选择时间步采样策略与权重。原论文的标题说得很直白CA 是矛DM 是盾。CA 是主驱动DM 兜底保稳此前这层分工一直隐含在 DMD 公式里。在此之上DMDR 再叠加 RL 奖励RL 打开 DMD 的性能上限DMD 反过来约束 RL 的 reward hacking。图左侧为生成与 re-noising 流程右侧 (a) 为传统 DMD 视角(b) 为解耦出 CA/DM 两项后的视角关键设计决策为什么是单流 DiT 和动态 shift蒸馏压步数骨干结构决定能保住多少质量。Z-Image 有三个值得看的工程取舍单流 S3-DiT而非双流文本、语义 token 与 VAE latent token 拼进同一条序列共享同一套注意力与 FFN省掉跨路信息传递6B 参数即对齐数倍大的模型。实现见 src/zimage/transformer.py。动态 shift 调度8 步对 σ 区间选取极敏感。pipeline 按图像 token 数线性映射 shift256 token 对应 0.54096 token 对应 1.15分辨率越高早期噪声调度越密避免把有限步数浪费在低价值区间。见 src/zimage/pipeline.py。零初始化 Gate RMSNorm含 QK-Norm门控初始为零块输出初期近似恒等映射让蒸馏期强耦合的梯度保持平稳注意力模块在 Flash Attention 2/3 与 SDPA 间分发这是亚秒延迟的直接来源。图S3-DiT 架构总览右侧为单流块内部的 Zero-init Gate、RMSNorm 与 U-RoPE 细节效果如何 从 50 步到 8 步代价是多少同一骨干的两种配置对比指标Z-Image基模Z-Image-Turbo采样步数28–508guidance_scale3.0–5.00.0不再需要 CFGH800 推理延迟数十秒亚秒显存占用—16G 显存可跑榜单数据Artificial Analysis 文生图竞技场Turbo 总榜第 8、开源第一开源榜 ELO 1161 居首。参数仅 6B不到多款 60B 竞品的十分之一。图Artificial Analysis 开源文生图榜单Z-Image-Turbo 位列第一快速上手四条命令跑起 8 步出图git clone https://gitcode.com/gh_mirrors/zi/Z-Image cd Z-Image pip install -e . python inference.py权重会自动下载到ckpts/目录Hopper 显卡上启用_flash_3后端并开启模型 compile即可体验亚秒出图。Decoupled-DMD 的价值在于给少步蒸馏提供了方法论把 DMD 损失里的驱动力与约束项拆开分别调优8 步高质量出图就不再靠运气。更多架构与蒸馏细节可查阅 Z-Image 开源仓库clone 命令见上文与官方技术报告。【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