做图像生成时间长了看到一个新模型刷屏第一反应不是去看官方演示图而是先问三个问题多大参数、需要什么显卡、出图稳不稳。这次 Z-Image 出来几个技术群里连续热闹了两天我本来打算按惯例跳过直到有人丢过来一个在线免费试用的入口说不用装环境、打开网页就能出图。我想着反正不花成本花一个下午把能跑的场景都跑了一遍写实人像、中文海报、电商详情页那种塞满文字的图、以及几张带参考图的风格迁移。结论很直接——Z-Image 这套模型在文字渲染和出图速度上的表现确实比我预期高一截6B 的参数规模却做出了不少大模型才有的细节。这篇就把我这一下午的实测记录整理出来包括在线入口怎么找、本地怎么部署、提示词怎么写才不浪费算力、以及几个让我卡了半天的坑。1. 先给结论这套模型值不值得你花时间1.1 我判断一个图像模型好坏的三条土办法行业内评测榜单很多但我自己有一套很土的三条标准用了几年一直没换。第一条是看它画手和画字。手部结构是图像生成最容易暴露问题的位置文字则是对模型语义理解最严格的考验这两项过关说明模型的结构先验和文本对齐都做到了及格线以上。第二条是看它在同一提示词下换种子的一致性。有些模型换个随机种子画风就飞到另一个世界这种模型没法做生产因为你没法跟需求方交代为什么这次出的图和上次不一样。第三条是看它的下限而不是上限。演示图上那些惊艳的成品靠的是精挑细选的提示词和几十次抽卡真正决定你能不能用它干活的是随便写一句大白话它能给你什么。按这三条标准去测 Z-Image结果比我预期好。手指畸变在中等复杂度的构图里基本可控中文四到六个字的标题几乎没有出现缺笔画或者错字同一提示词换八个种子画面风格和光影逻辑保持在同一套审美体系内不跳。至于下限我随手写了句一只橘猫趴在旧木窗台上晒太阳出来的图直接可以当社交平台配图用没做任何二次修图。1.2 它的技术取向把参数花在刀刃上Z-Image 走的是单流 DiT 架构这条路线和几年前流行的双流结构不太一样。双流的做法是把文本 token 和图像 token 各自走一套注意力再在中途做交叉融合好处是两路特征互不干扰坏处是参数量和显存占用都翻倍。单流的思路更直接——把文本和图像 token 拼成一条序列丢进同一套注意力里算让模型自己去学哪段文字对应画面哪个位置。这套做法在参数效率上优势明显6B 的体量能达到的效果双流架构往往要 10B 以上才追得平。代价当然也有。单流对文本编码器的质量依赖更重文本这一路如果编码得不好后面再多的注意力层也救不回来。所以我看到它配了一个参数量不小的文本编码器时就大致明白这套组合的意图了用一个强的语言模型兜住语义用相对轻的扩散主干扛住画质。这个取舍在工程上是很聪明的因为文本编码器只需要跑一次扩散主干要跑十几步把算力压在跑一次的部分比压在跑十几次的部分划算得多。1.3 三类人现在就可以上手两类人建议再等等我梳理了一下身边的需求场景发现它最适合三类人。第一类是内容运营和自媒体每天要出封面图、配图、活动banner以前要么买图库要么求设计师现在自己写提示词就能出七八十分的东西剩下的靠简单裁切调色补齐。第二类是做电商的中小商家主图、详情页的场景图、模特换装这类需求量大、单张价值不高但积少成多用这个模型批量跑能省下很可观的成本。第三类是开发者想在自己的产品里嵌一个图像生成能力6B 的体量意味着单卡就能部署不用租八卡机器。至于建议再等等的一类是对画面精度要求到像素级的商用项目比如需要严格符合品牌 VI 的主视觉目前任何开源模型都还做不到一次成型。另一类是需要极强可控性的场景比如精确控制人物姿态、精确还原某件真实商品的外观这类需求还是得靠专门的 ControlNet 或者干脆走拍摄。2. 架构与性能账6B 为什么能跑出这个速度2.1 单流结构到底省在哪我用一个类比说清楚很多人看架构图看不出门道我换个说法。假设你要办一场双语会议双流架构相当于给中文和英文各配一套同传设备两套设备各自工作中间靠一个联络员传递信息。单流架构则是所有参会者坐在同一个大厅里中英文混着说靠每个人的理解能力自行对齐。显然后者省设备、省人力但对每个人的理解能力要求更高。落到计算上单流结构省掉的是两套独立的注意力层参数以及双流之间反复交叉融合带来的额外计算。在 1024×1024 分辨率下图像 token 数量是固定的文本 token 通常只有几十到两百个把它们拼在一起序列长度增加得很有限但省下来的参数可以用在更深的层数上。这就是为什么 6B 的单流模型画质能逼近参数更大的双流模型。2.2 步数、CFG 和显存之间的三角账这三个参数是新手最容易搞混的我用实测数据捋一遍。参数常见取值调整方向影响推理步数加速版 8 步 / 标准版 20-30 步步数越高细节越多边际收益递减直接线性影响耗时CFG 引导系数加速版 1.0 / 标准版 3.5-5.0越高越贴合提示词过高会过饱和、发糊几乎不影响显存影响耗时约 30%输出分辨率1024×1024 起分辨率翻倍显存约翻四倍最吃显存的一项精度bf16 / fp8 / GGUF 量化精度越低显存越省细节越少直接决定能不能跑起来这里有个很多人不知道的细节CFG 大于 1 的时候模型实际上要跑两遍前向——一遍带提示词条件一遍不带然后做差值。所以 CFG 从 1.0 调到 4.0耗时差不多涨一倍。加速版模型之所以快很大一部分原因就是它把 CFG 锁死在 1.0省掉了这次双跑。理解了这一层你就明白为什么有些人调 CFG 调到 8 以上出图又慢又难看——那是在用两倍算力换一个过饱和的画面。显存这块我算过一笔账。6B 参数在 bf16 下占 12GB 左右fp8 大约 6GB再加上文本编码器跑完可以卸载和 VAE 解码的峰值占用。1024×1024 的 latent 是 128×128×16注意力矩阵本身不大真正的显存峰值出现在 VAE 解码阶段。所以 16GB 卡用 bf16 是能跑的8GB 卡就得走 fp8 或者分段解码。这个结论我在两张卡上都验证过16GB 的卡跑 bf16 加标准 25 步稳定8GB 的卡跑 fp8 加 8 步加速版也能稳定出图只是细节层次会薄一些尤其是皮肤质感和布料纹理。2.3 我实测下来的速度参照我不喜欢给绝对数字因为不同卡、不同驱动、不同后端差得太多但给个区间还是有参考价值的。在 1024×1024 分辨率、加速版 8 步的配置下中高端消费级显卡普遍落在 3 到 8 秒一张中端卡在 10 到 20 秒。这个速度意味着什么意味着你调提示词的时候不用等太久一次改一个变量、连着试二十次的迭代节奏是能保持的。以前用大模型的时候一张图半分钟试十次就烦了很多时候不是提示词写不好而是懒得试。批量生成的场景就更明显。我拿一组电商场景图做测试同一个提示词模板换二十个商品描述一次排队跑完喝杯咖啡的工夫就出结果。这种吞吐能力是它相对大模型最实在的优势画质差 5% 但速度快三倍在批量场景下就是碾压。3. 在线免费入口不装环境先把模型摸清楚3.1 入口一般藏在哪以及它的能力边界在线入口这事我说得具体一点但不给具体网址因为这类页面经常变给了也容易失效。常见的三个位置国内主流模型社区的模型详情页通常模型主页上会有一个在线体验或者立即推理的按钮点进去就是一个简易的 Web 界面左边写提示词右边出图云厂商的模型广场注册账号后一般会送一些免费额度够你试几十次一些第三方聚合站点把多个开源模型放在一起做对比试用这类站点适合横向比较不同模型的风格差异。重点说边界。在线入口的配置通常是经过削减的分辨率可能被限制在 1024 以内步数可能被锁在加速版的 8 步CFG 不开放调整参考图上传功能可能没有批量生成更别想。所以它在定位上不是生产工具而是验货工具。你用它来判断这个模型的审美倾向适不适合你的业务、提示词理解力到什么水平、中文文字渲染靠不靠谱。这三点判断清楚了再决定要不要投入时间做本地部署能省掉很多无用功。3.2 第一张图别写诗写清楚就行新手最容易犯的错误是把提示词当诗歌写。我见过有人写月光如水岁月静好一位少女在时光的缝隙里回望然后抱怨模型出图不行。这不是模型的问题是提示词的问题——它没有告诉模型任何可视化的信息少女多大年纪、穿什么、在室内还是室外、镜头多远、什么光线。我给个能直接抄的模板五段结构主体 动作 环境 光线 镜头与质感。举个我实际跑过的例子一位二十八岁左右的女性短发穿米色高领针织衫坐在靠窗的木质书桌前左手翻一本摊开的书侧脸看向窗外窗外是模糊的梧桐树影午后侧逆光光线在发梢形成轮廓光桌面有窗格的投影35mm 定焦镜头浅景深胶片颗粒感暖色调这段话里每一句都在给模型提供可执行的约束。年龄限定人脸特征服装限定材质和颜色动作限定了手的姿态避免手指乱长光线和镜头限定了画面的空间关系。你按这个结构写出图合格率能从三四成提到七八成。3.3 免费额度怎么花才不浪费大部分在线入口给的免费次数是有限的几十次到一两百次不等。我的建议是把额度当成 A/B 测试预算来用而不是随便玩。具体做法选定一个你真实的业务场景写一版基础提示词跑四张然后只改一个变量比如把侧光改成顶光再跑四张再改下一个变量。这样跑下来你能摸清楚这个模型对光线、镜头、材质这几类词的敏感度形成自己的参数手感。还有一个很少有人用的技巧在在线入口用低分辨率快速试构图把满意的提示词和种子记下来再搬到本地用高分辨率重跑。构图这件事在低分辨率下判断起来一样准能省掉大量算力。我自己的习惯是建一个表格记下提示词、种子、分辨率、以及一句主观评价跑够三十条之后规律自己就浮出来了。4. 本地部署一套我验证过的完整流程4.1 环境准备版本别乱升环境这块的坑我都踩过一遍说几个关键点。Python 用 3.10 或 3.113.12 在部分依赖上还会有兼容问题。PyTorch 用 2.x 系列CUDA 版本跟你的驱动对齐别盲目追新。依赖主要是这几个pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install diffusers transformers accelerate safetensors sentencepiece protobuf pip install pillow numpyaccelerate这个包别省它负责把模型分层加载到显存是低显存环境下能不能跑起来的关键。如果显卡支持可以再装xformers或者flash-attn加速注意力计算但这两个包的编译经常出问题装不上也不影响主流程先跑通再优化。提示安装顺序很重要先装 PyTorch 再装 diffusers反过来容易触发依赖降级把 CUDA 版本搞乱。装完之后跑一句python -c import torch; print(torch.cuda.is_available())确认返回 True不然后面全是白忙。4.2 权重文件与目录结构下载权重的时候注意看清楚一个完整的模型通常拆成几个部分扩散主干transformer、变分自编码器vae、文本编码器text_encoder外加一个model_index.json做索引。缺一个都跑不起来报错信息还经常语焉不详让人误以为是代码问题。目录结构我整理成下面这样清晰好维护models/ └── Z-Image/ ├── model_index.json ├── scheduler/ ├── text_encoder/ │ ├── config.json │ └── model.safetensors ├── tokenizer/ ├── transformer/ │ ├── config.json │ └── diffusion_pytorch_model.safetensors └── vae/ ├── config.json └── diffusion_pytorch_model.safetensors如果你拿到的是单文件格式需要先用转换脚本拆成 diffusers 目录结构如果你拿到的是已经拆好的直接按上面的层级摆好就行。文件大小可以做个自检transformer 那个文件如果是 bf16 的话应该在 12GB 上下明显偏小说明下的是量化版或者下到一半断了。4.3 推理脚本参数怎么填下面这段是我实际在用的最小可运行脚本注释写清楚了每个参数的作用import torch from diffusers import DiffusionPipeline model_path ./models/Z-Image pipe DiffusionPipeline.from_pretrained( model_path, torch_dtypetorch.bfloat16, # 显存吃紧改 torch.float8_e4m3fn local_files_onlyTrue, ) pipe.to(cuda) pipe.enable_attention_slicing() # 低显存必备显存够可注释掉 pipe.enable_vae_tiling() # 高分辨率解码防爆显存 prompt 一位二十八岁左右的女性短发米色高领针织衫坐在窗边木质书桌前午后侧逆光35mm 镜头浅景深胶片颗粒感 negative 低分辨率模糊畸变的手指多余的手指水印文字过曝 image pipe( promptprompt, negative_promptnegative, width1024, height1024, num_inference_steps8, # 加速版 8 步标准版改 25 guidance_scale1.0, # 加速版锁 1.0标准版 3.5-5.0 generatortorch.Generator(cuda).manual_seed(42), ).images[0] image.save(output.png)参数怎么选我总结成一句话先按加速版的 8 步和 1.0 跑通确认流程没问题再调成标准版的 25 步和 4.0 看画质上限。别一开始就上标准版20 多步跑起来慢报错了排查起来也痛苦。种子这件事也别忽略固定种子之后你每次改提示词看到的差异才是提示词带来的不然全是随机的。4.4 接到 ComfyUI 里工作流的几个关键节点命令行跑通之后大多数人会想接图形化界面ComfyUI 是目前最实用的选择。接法不复杂把三个模型文件分别放到对应的目录下——扩散主干放models/diffusion_models/VAE 放models/vae/文本编码器放models/text_encoders/然后加载对应的加载器节点串上采样器和 VAE 解码就行。工作流里有两个设置容易被忽略但影响很大。一个是采样器选型加速版模型配euler或者dpmpp_2m这类简单采样器更合适配dpmpp_3m_sde这种带随机性的反而容易出噪点。另一个是潜在空间放大想要 2K 出图不要直接改分辨率用潜空间放大节点分两段跑第一段 1024 定构图第二段放大 1.5 倍补细节效果比一次性出 2K 稳定得多显存压力也小。5. 中文文字渲染这才是它最值得说的能力5.1 中文为什么比英文难画那么多很多人不理解为什么模型画英文单词还行一碰中文就崩。原因在于文字渲染的本质是在像素空间里重建一套结构化的笔画序列英文字母只有 26 个字形简单、笔画少、结构重复度高模型很容易学到统计规律。汉字是另一回事常用字三四千每个字的笔画数从一到二十几不等结构上有左右、上下、包围、嵌套各种组合而且大量形近字只差一两笔。模型在 1024×1024 的画布上留给五个字的宽度可能只有 400 像素每个字 80 像素在这个尺度下要把提揭堤三个字区分开对特征精度的要求是极高的。所以中文渲染做得好不好反映的其实是模型在细粒度空间建模上的能力。这也是我测 Z-Image 时最看重的一项。实测下来四个字以内的标题、六个字以内的副标题基本能一次成型笔画完整、结构正确、字重统一。上到八个字以上就开始掉会出现笔画粘连、字间距不均、个别字结构简化的问题。这不是它一家的问题是当前所有开源模型的共性瓶颈。5.2 提示词里写文字的四个实操技巧第一个技巧是给文字加引号并明确说明用途。不要只写海报上有奋斗两个字要写成画面中央是一张竖版海报海报上方用粗黑体印着「向新而行」四个字字色为深墨绿下方留白。引号在多数模型的训练数据里是一个强信号能明显提升文字被正确渲染的概率。第二个技巧是控制字数宁可拆成两张图。八个字的标题一张图渲不好就拆成主标题四个字加副标题四个字或者干脆做两张图后期拼。与其花二十次抽卡赌一次正确不如把复杂度降下来这个账很好算。第三个技巧是指定字体风格而不是字体名。写思源黑体这类具体字体名模型大概率不认识写粗黑体、字形方正、笔画厚重反而更容易命中。描述字重、字形的松紧、笔画的粗细和收笔方式比给名字有效。第四个技巧是用负面提示词压制常见错误。把错别字、笔画缺失、文字重叠、文字变形、水印、多余符号这几项加进负面提示词能减少一部分废图。这一招不是万能的但成本极低加上总没坏处。5.3 三类场景的实际做法活动海报是我跑得最多的。流程是先定版面让模型生成一个带大片留白的构图文字区集中在画面上三分之一然后提示词里把主标题、副标题、时间地点三组文字分别描述清楚——主标题最大、副标题次之、时间地点最小且用细体。出图之后即便文字有小瑕疵也可以用图像编辑工具局部重绘那一块或者干脆后期用设计软件覆盖上去。说实话如果对文字精确度要求高让模型生成画面、后期自己打字是最稳的路线模型的文字能力用来做看起来像那么回事的背景排版是够的。电商主图的逻辑不一样文字通常少而大比如限时五折四个字压在画面角落。这种场景模型表现很稳因为字数少、字重统一、位置明确。真正的难点在商品本身的还原这就要靠参考图功能了单靠提示词描述商品外观出来的东西往往似是而非。自媒体封面是我觉得性价比最高的场景。尺寸固定、文字少、风格可以放松一次跑四张挑一张加上简单裁切就能用。我给一个实测有效的提示词片段横版封面左侧大面积纯色色块右侧是人物半身色块上用白色粗体写着标题整体风格扁平化高对比度。这套组合出来的图直接能当封面。6. 提示词体系把它当编译器别当许愿池6.1 六段式结构我用了三年没换过写提示词这件事我越来越觉得它像写代码——你给的是指令不是愿望。模型不会理解你想要的氛围它只会把你给的词映射到训练数据里对应的视觉特征上。所以结构化的写法比华丽的形容词有效得多。我的六段式是这样的主体谁或什么年龄、性别、外貌关键特征、穿戴动作在做什么手部姿态要单独说明环境在哪前景有什么、背景有什么、空间的纵深关系光线光源方向、软硬、色温、有没有特殊光效镜头焦段、视角、景深、构图方式三分法、对称、俯拍质感介质胶片、数码、油画、3D渲染、颗粒、色调倾向这六段不是必须全写但写全的时候出图可控性最高。我做过对比同一句话用散文式写法和六段式写法后者一次成型的概率大概是前者的两倍多。原因很简单六段式覆盖了画面的六个独立维度每个维度都有明确的约束模型在生成时不会在某个维度上自由发挥跑到别的地方去。6.2 负面提示词别堆词要针对性下药负面提示词最常见的错误是把网上抄来的一长串全塞进去什么低质量、最差质量、模糊、变形、多余肢体、水印、签名、文字、logo、裁剪、出框一口气二十个。这样做有两个问题一是不相关的负面词会干扰生成比如你在做海报却压了文字这个负面词模型就会把该有的字也一起抹掉二是负面词之间可能互相冲突导致画面整体发灰。正确的做法是按场景配一组基础负面词再按当前问题加一两项。基础组我会常备低分辨率、模糊、过曝、噪点、畸变的手指、多余的手指这几项剩下的看情况加。出图人物脸崩了就加面部扭曲、五官不对称出图构图散了就加杂物、杂乱背景。一次加一两项改完看效果这样你才知道是哪一项起了作用。6.3 种子管理和迭代节奏固定种子是提升效率最直接的手段但很多人用错了。固定种子之后你改提示词看到的差异确实是提示词带来的但同时也意味着你会被这个种子的构图习惯绑住容易错过其他可能性。我的做法是两阶段探索阶段不固定种子同一个提示词跑八张看看模型对这句话的整体理解范围从中挑出构图最好的那一张记下它的种子收敛阶段锁定这个种子微调提示词和参数把这个构图打磨到位。迭代节奏上我建议一次只改一个变量。同时改光线和镜头出图变好了你也不知道是哪一项的功劳下次还是瞎猜。这个道理跟调参一样控制变量是基本功。我见过有人一次改五个词跑了两百次还在原地打转问题就出在这。7. 常见问题与排查实录7.1 画面崩坏类问题怎么定位手部畸变是最常见的。判断方法很简单看手在画面里占多大面积。如果手只是画面一角的小元素畸变基本可以忽略如果手是视觉焦点那就要靠提示词明确描述手部状态比如双手交叠放在膝盖上右手握着一只白色马克杯手指自然弯曲。给手一个明确的动作比让它自由发挥成功率高得多。画面发灰、对比度低八成是 CFG 调太高或者负面词堆太多。先把 CFG 降到 4 左右试试如果还灰把负面词精简到五项以内。人脸崩坏尤其是远景小人脸。这是分辨率分配的物理限制1024 的画布上人脸可能只有 60 像素宽信息量根本不够。解法是分成两步先出全身构图再用局部重绘把人脸区域放大重画。别指望一步到位。画面出现奇怪的文字或水印多半是训练数据里的残留在负面词里加文字、水印、签名、标志就能压下去但如果你的需求本身要出文字就别加这几项。7.2 性能类问题怎么排查显存溢出报 CUDA out of memory按这个顺序试先把精度降到 fp8再开注意力切片再开 VAE 分段解码还不行就降分辨率到 768 出图再放大。这四步走完8GB 卡基本都能跑起来。生成速度异常慢先看是不是开了 CPU 卸载。有些配置为了省显存会把部分层放到内存里每次前向都要来回搬数据速度能慢十倍。如果你的显存够一定要关掉这个选项。其次看 CFG大于 1 就是双跑这是设计如此不是 bug。出图全黑或者全噪点先检查权重文件是不是下全了尤其是 VAEVAE 缺了或者版本不匹配解码出来就是一团噪点。其次检查数据类型bf16 的模型用 fp16 加载也会出问题。7.3 常见问题速查表现象最可能原因优先尝试的解法出图全黑 / 全噪点VAE 缺失或精度不匹配核对 VAE 文件完整性统一 dtype显存溢出分辨率过高或未开切片开注意力切片 VAE 分段解码速度慢十倍开启了 CPU 卸载关闭 offload全量加载到显存画面发灰发闷CFG 过高或负面词过多CFG 降到 4负面词精简到 5 项内文字渲染错字字数过多或未加引号降到 4 字以内用引号包裹并说明字体风格手指数量不对手部无明确动作描述提示词写明手的具体姿态和持物换种子画风跳变提示词约束不足增加镜头和质感两段的描述构图总是居中模型先验偏保守提示词里明确指定三分法/左右分栏8. 我的踩坑清单和几条不太中听的经验8.1 三条我认为最该刻在脑子里的规则第一别用提示词去修 bug。出图有问题先判断是提示词的问题还是参数的问题。手崩了是提示词没说清楚姿态画面糊了是步数或 CFG 的问题分清楚再动手不然你会陷入无止境地往提示词里加词越加越乱。我看到太多人一个提示词写到三百字什么8K、超高清、大师作品、最佳质量全堆上去实际效果还不如一句干净的结构化描述。第二先降复杂度再谈优化。一张图里塞三个人、五种道具、两种光源、三段文字模型不可能全部照顾好。正确的做法是先跑最简单的一版——一个人、一个场景、一种光——把基础打对再逐步往上加元素每加一项看一次效果。这个思路跟搭积木一样地基歪了往上堆都是白搭。第三建立自己的素材库。每次跑出满意的图把提示词、种子、参数、分辨率全记下来存成一个表格。跑够一百条之后你手上就有了一套针对自己业务的提示词模板库新需求来了改两个词就能出图。这件事的复利效应非常大但绝大多数人懒得做。8.2 哪些场景我劝你别用它需要严格品牌一致性的主视觉别用。模型每次出的东西都有细微差异你的品牌色是特定色值模型给不了精确的色号后期调色能救一部分但图形元素的一致性救不回来。真实商品的展示图别用。模型生成的商品外观跟实物差得远客户收到货发现不一样这是要出事的。商品图还是老老实实拍摄或者在实拍基础上做合成。需要精确文字排版的正式物料别用模型直接出。让模型出画面文字后期加这是目前唯一稳妥的做法。模型的中文渲染能力用来做氛围感排版是够的用来做能直接印刷的成品还差一截。需要多轮修改的甲乙方项目慎重。模型的随机性决定了你很难精确复现上一版并只改一个细节客户说把左边那个人往右挪一点你只能重跑然后祈祷它别把别的地方也改了。这类项目还是用传统设计流程更可控。9. 最后说几个我觉得值得分享的实操细节有一个细节我琢磨了挺久提示词的词序会影响出图权重。放在前面的词模型给的注意力更重。所以主体描述永远放最前面环境、光线、质感依次往后排。如果你发现某个元素总是不够突出把它往前挪比加感叹号有效得多。另一个是分辨率比例的选择。很多人默认 1024×1024 正方形但实际业务里竖版和横版需求更多。Z-Image 支持多种比例竖版常用的有 832×1216 和 768×1344横版有 1216×832。这里有个经验总像素量保持接近比例变化对画质影响不大但如果总像素量翻倍画质不一定提升反而容易出结构错误。想上 2K走潜空间放大别直接改分辨率。还有一个关于参考图的心得。参考图起作用的核心是风格迁移和构图借鉴不是精确复刻。你给一张参考图模型学到的是色调、光影逻辑、构图方式这些抽象特征具体内容还是会按提示词重新生成。所以别指望给一张产品图它就原样画出来那需要的是专门的图像编辑模型不是文生图模型。至于后续还能怎么扩展我个人的路线是把它接进一套自动化流程——前面用脚本批量生成提示词变体中间调模型批量出图后面接一个自动筛选用图像质量评估模型打分把明显崩坏的过滤掉人只看通过筛选的那一批。这套流水线跑起来之后产能大概是纯手工的十倍以上。当然这是另一个话题了等我把这套流程跑顺了再单独写一篇。用下来的整体感受是Z-Image 这类中等参数、高效率的模型正在把图像生成从少数人的玩具变成多数人的工具。它给不了你完美但给的够用速度还快这个组合在实际工作里的价值往往比那些参数翻倍但跑一张要半分钟的模型更大。 
长河君 · 2026/11/4 16:55:32 · 阅读 1.2k Z-Image实测：6B单流DiT的中文渲染与本地部署指南
做图像生成时间长了看到一个新模型刷屏第一反应不是去看官方演示图而是先问三个问题多大参数、需要什么显卡、出图稳不稳。这次 Z-Image 出来几个技术群里连续热闹了两天我本来打算按惯例跳过直到有人丢过来一个在线免费试用的入口说不用装环境、打开网页就能出图。我想着反正不花成本花一个下午把能跑的场景都跑了一遍写实人像、中文海报、电商详情页那种塞满文字的图、以及几张带参考图的风格迁移。结论很直接——Z-Image 这套模型在文字渲染和出图速度上的表现确实比我预期高一截6B 的参数规模却做出了不少大模型才有的细节。这篇就把我这一下午的实测记录整理出来包括在线入口怎么找、本地怎么部署、提示词怎么写才不浪费算力、以及几个让我卡了半天的坑。1. 先给结论这套模型值不值得你花时间1.1 我判断一个图像模型好坏的三条土办法行业内评测榜单很多但我自己有一套很土的三条标准用了几年一直没换。第一条是看它画手和画字。手部结构是图像生成最容易暴露问题的位置文字则是对模型语义理解最严格的考验这两项过关说明模型的结构先验和文本对齐都做到了及格线以上。第二条是看它在同一提示词下换种子的一致性。有些模型换个随机种子画风就飞到另一个世界这种模型没法做生产因为你没法跟需求方交代为什么这次出的图和上次不一样。第三条是看它的下限而不是上限。演示图上那些惊艳的成品靠的是精挑细选的提示词和几十次抽卡真正决定你能不能用它干活的是随便写一句大白话它能给你什么。按这三条标准去测 Z-Image结果比我预期好。手指畸变在中等复杂度的构图里基本可控中文四到六个字的标题几乎没有出现缺笔画或者错字同一提示词换八个种子画面风格和光影逻辑保持在同一套审美体系内不跳。至于下限我随手写了句一只橘猫趴在旧木窗台上晒太阳出来的图直接可以当社交平台配图用没做任何二次修图。1.2 它的技术取向把参数花在刀刃上Z-Image 走的是单流 DiT 架构这条路线和几年前流行的双流结构不太一样。双流的做法是把文本 token 和图像 token 各自走一套注意力再在中途做交叉融合好处是两路特征互不干扰坏处是参数量和显存占用都翻倍。单流的思路更直接——把文本和图像 token 拼成一条序列丢进同一套注意力里算让模型自己去学哪段文字对应画面哪个位置。这套做法在参数效率上优势明显6B 的体量能达到的效果双流架构往往要 10B 以上才追得平。代价当然也有。单流对文本编码器的质量依赖更重文本这一路如果编码得不好后面再多的注意力层也救不回来。所以我看到它配了一个参数量不小的文本编码器时就大致明白这套组合的意图了用一个强的语言模型兜住语义用相对轻的扩散主干扛住画质。这个取舍在工程上是很聪明的因为文本编码器只需要跑一次扩散主干要跑十几步把算力压在跑一次的部分比压在跑十几次的部分划算得多。1.3 三类人现在就可以上手两类人建议再等等我梳理了一下身边的需求场景发现它最适合三类人。第一类是内容运营和自媒体每天要出封面图、配图、活动banner以前要么买图库要么求设计师现在自己写提示词就能出七八十分的东西剩下的靠简单裁切调色补齐。第二类是做电商的中小商家主图、详情页的场景图、模特换装这类需求量大、单张价值不高但积少成多用这个模型批量跑能省下很可观的成本。第三类是开发者想在自己的产品里嵌一个图像生成能力6B 的体量意味着单卡就能部署不用租八卡机器。至于建议再等等的一类是对画面精度要求到像素级的商用项目比如需要严格符合品牌 VI 的主视觉目前任何开源模型都还做不到一次成型。另一类是需要极强可控性的场景比如精确控制人物姿态、精确还原某件真实商品的外观这类需求还是得靠专门的 ControlNet 或者干脆走拍摄。2. 架构与性能账6B 为什么能跑出这个速度2.1 单流结构到底省在哪我用一个类比说清楚很多人看架构图看不出门道我换个说法。假设你要办一场双语会议双流架构相当于给中文和英文各配一套同传设备两套设备各自工作中间靠一个联络员传递信息。单流架构则是所有参会者坐在同一个大厅里中英文混着说靠每个人的理解能力自行对齐。显然后者省设备、省人力但对每个人的理解能力要求更高。落到计算上单流结构省掉的是两套独立的注意力层参数以及双流之间反复交叉融合带来的额外计算。在 1024×1024 分辨率下图像 token 数量是固定的文本 token 通常只有几十到两百个把它们拼在一起序列长度增加得很有限但省下来的参数可以用在更深的层数上。这就是为什么 6B 的单流模型画质能逼近参数更大的双流模型。2.2 步数、CFG 和显存之间的三角账这三个参数是新手最容易搞混的我用实测数据捋一遍。参数常见取值调整方向影响推理步数加速版 8 步 / 标准版 20-30 步步数越高细节越多边际收益递减直接线性影响耗时CFG 引导系数加速版 1.0 / 标准版 3.5-5.0越高越贴合提示词过高会过饱和、发糊几乎不影响显存影响耗时约 30%输出分辨率1024×1024 起分辨率翻倍显存约翻四倍最吃显存的一项精度bf16 / fp8 / GGUF 量化精度越低显存越省细节越少直接决定能不能跑起来这里有个很多人不知道的细节CFG 大于 1 的时候模型实际上要跑两遍前向——一遍带提示词条件一遍不带然后做差值。所以 CFG 从 1.0 调到 4.0耗时差不多涨一倍。加速版模型之所以快很大一部分原因就是它把 CFG 锁死在 1.0省掉了这次双跑。理解了这一层你就明白为什么有些人调 CFG 调到 8 以上出图又慢又难看——那是在用两倍算力换一个过饱和的画面。显存这块我算过一笔账。6B 参数在 bf16 下占 12GB 左右fp8 大约 6GB再加上文本编码器跑完可以卸载和 VAE 解码的峰值占用。1024×1024 的 latent 是 128×128×16注意力矩阵本身不大真正的显存峰值出现在 VAE 解码阶段。所以 16GB 卡用 bf16 是能跑的8GB 卡就得走 fp8 或者分段解码。这个结论我在两张卡上都验证过16GB 的卡跑 bf16 加标准 25 步稳定8GB 的卡跑 fp8 加 8 步加速版也能稳定出图只是细节层次会薄一些尤其是皮肤质感和布料纹理。2.3 我实测下来的速度参照我不喜欢给绝对数字因为不同卡、不同驱动、不同后端差得太多但给个区间还是有参考价值的。在 1024×1024 分辨率、加速版 8 步的配置下中高端消费级显卡普遍落在 3 到 8 秒一张中端卡在 10 到 20 秒。这个速度意味着什么意味着你调提示词的时候不用等太久一次改一个变量、连着试二十次的迭代节奏是能保持的。以前用大模型的时候一张图半分钟试十次就烦了很多时候不是提示词写不好而是懒得试。批量生成的场景就更明显。我拿一组电商场景图做测试同一个提示词模板换二十个商品描述一次排队跑完喝杯咖啡的工夫就出结果。这种吞吐能力是它相对大模型最实在的优势画质差 5% 但速度快三倍在批量场景下就是碾压。3. 在线免费入口不装环境先把模型摸清楚3.1 入口一般藏在哪以及它的能力边界在线入口这事我说得具体一点但不给具体网址因为这类页面经常变给了也容易失效。常见的三个位置国内主流模型社区的模型详情页通常模型主页上会有一个在线体验或者立即推理的按钮点进去就是一个简易的 Web 界面左边写提示词右边出图云厂商的模型广场注册账号后一般会送一些免费额度够你试几十次一些第三方聚合站点把多个开源模型放在一起做对比试用这类站点适合横向比较不同模型的风格差异。重点说边界。在线入口的配置通常是经过削减的分辨率可能被限制在 1024 以内步数可能被锁在加速版的 8 步CFG 不开放调整参考图上传功能可能没有批量生成更别想。所以它在定位上不是生产工具而是验货工具。你用它来判断这个模型的审美倾向适不适合你的业务、提示词理解力到什么水平、中文文字渲染靠不靠谱。这三点判断清楚了再决定要不要投入时间做本地部署能省掉很多无用功。3.2 第一张图别写诗写清楚就行新手最容易犯的错误是把提示词当诗歌写。我见过有人写月光如水岁月静好一位少女在时光的缝隙里回望然后抱怨模型出图不行。这不是模型的问题是提示词的问题——它没有告诉模型任何可视化的信息少女多大年纪、穿什么、在室内还是室外、镜头多远、什么光线。我给个能直接抄的模板五段结构主体 动作 环境 光线 镜头与质感。举个我实际跑过的例子一位二十八岁左右的女性短发穿米色高领针织衫坐在靠窗的木质书桌前左手翻一本摊开的书侧脸看向窗外窗外是模糊的梧桐树影午后侧逆光光线在发梢形成轮廓光桌面有窗格的投影35mm 定焦镜头浅景深胶片颗粒感暖色调这段话里每一句都在给模型提供可执行的约束。年龄限定人脸特征服装限定材质和颜色动作限定了手的姿态避免手指乱长光线和镜头限定了画面的空间关系。你按这个结构写出图合格率能从三四成提到七八成。3.3 免费额度怎么花才不浪费大部分在线入口给的免费次数是有限的几十次到一两百次不等。我的建议是把额度当成 A/B 测试预算来用而不是随便玩。具体做法选定一个你真实的业务场景写一版基础提示词跑四张然后只改一个变量比如把侧光改成顶光再跑四张再改下一个变量。这样跑下来你能摸清楚这个模型对光线、镜头、材质这几类词的敏感度形成自己的参数手感。还有一个很少有人用的技巧在在线入口用低分辨率快速试构图把满意的提示词和种子记下来再搬到本地用高分辨率重跑。构图这件事在低分辨率下判断起来一样准能省掉大量算力。我自己的习惯是建一个表格记下提示词、种子、分辨率、以及一句主观评价跑够三十条之后规律自己就浮出来了。4. 本地部署一套我验证过的完整流程4.1 环境准备版本别乱升环境这块的坑我都踩过一遍说几个关键点。Python 用 3.10 或 3.113.12 在部分依赖上还会有兼容问题。PyTorch 用 2.x 系列CUDA 版本跟你的驱动对齐别盲目追新。依赖主要是这几个pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install diffusers transformers accelerate safetensors sentencepiece protobuf pip install pillow numpyaccelerate这个包别省它负责把模型分层加载到显存是低显存环境下能不能跑起来的关键。如果显卡支持可以再装xformers或者flash-attn加速注意力计算但这两个包的编译经常出问题装不上也不影响主流程先跑通再优化。提示安装顺序很重要先装 PyTorch 再装 diffusers反过来容易触发依赖降级把 CUDA 版本搞乱。装完之后跑一句python -c import torch; print(torch.cuda.is_available())确认返回 True不然后面全是白忙。4.2 权重文件与目录结构下载权重的时候注意看清楚一个完整的模型通常拆成几个部分扩散主干transformer、变分自编码器vae、文本编码器text_encoder外加一个model_index.json做索引。缺一个都跑不起来报错信息还经常语焉不详让人误以为是代码问题。目录结构我整理成下面这样清晰好维护models/ └── Z-Image/ ├── model_index.json ├── scheduler/ ├── text_encoder/ │ ├── config.json │ └── model.safetensors ├── tokenizer/ ├── transformer/ │ ├── config.json │ └── diffusion_pytorch_model.safetensors └── vae/ ├── config.json └── diffusion_pytorch_model.safetensors如果你拿到的是单文件格式需要先用转换脚本拆成 diffusers 目录结构如果你拿到的是已经拆好的直接按上面的层级摆好就行。文件大小可以做个自检transformer 那个文件如果是 bf16 的话应该在 12GB 上下明显偏小说明下的是量化版或者下到一半断了。4.3 推理脚本参数怎么填下面这段是我实际在用的最小可运行脚本注释写清楚了每个参数的作用import torch from diffusers import DiffusionPipeline model_path ./models/Z-Image pipe DiffusionPipeline.from_pretrained( model_path, torch_dtypetorch.bfloat16, # 显存吃紧改 torch.float8_e4m3fn local_files_onlyTrue, ) pipe.to(cuda) pipe.enable_attention_slicing() # 低显存必备显存够可注释掉 pipe.enable_vae_tiling() # 高分辨率解码防爆显存 prompt 一位二十八岁左右的女性短发米色高领针织衫坐在窗边木质书桌前午后侧逆光35mm 镜头浅景深胶片颗粒感 negative 低分辨率模糊畸变的手指多余的手指水印文字过曝 image pipe( promptprompt, negative_promptnegative, width1024, height1024, num_inference_steps8, # 加速版 8 步标准版改 25 guidance_scale1.0, # 加速版锁 1.0标准版 3.5-5.0 generatortorch.Generator(cuda).manual_seed(42), ).images[0] image.save(output.png)参数怎么选我总结成一句话先按加速版的 8 步和 1.0 跑通确认流程没问题再调成标准版的 25 步和 4.0 看画质上限。别一开始就上标准版20 多步跑起来慢报错了排查起来也痛苦。种子这件事也别忽略固定种子之后你每次改提示词看到的差异才是提示词带来的不然全是随机的。4.4 接到 ComfyUI 里工作流的几个关键节点命令行跑通之后大多数人会想接图形化界面ComfyUI 是目前最实用的选择。接法不复杂把三个模型文件分别放到对应的目录下——扩散主干放models/diffusion_models/VAE 放models/vae/文本编码器放models/text_encoders/然后加载对应的加载器节点串上采样器和 VAE 解码就行。工作流里有两个设置容易被忽略但影响很大。一个是采样器选型加速版模型配euler或者dpmpp_2m这类简单采样器更合适配dpmpp_3m_sde这种带随机性的反而容易出噪点。另一个是潜在空间放大想要 2K 出图不要直接改分辨率用潜空间放大节点分两段跑第一段 1024 定构图第二段放大 1.5 倍补细节效果比一次性出 2K 稳定得多显存压力也小。5. 中文文字渲染这才是它最值得说的能力5.1 中文为什么比英文难画那么多很多人不理解为什么模型画英文单词还行一碰中文就崩。原因在于文字渲染的本质是在像素空间里重建一套结构化的笔画序列英文字母只有 26 个字形简单、笔画少、结构重复度高模型很容易学到统计规律。汉字是另一回事常用字三四千每个字的笔画数从一到二十几不等结构上有左右、上下、包围、嵌套各种组合而且大量形近字只差一两笔。模型在 1024×1024 的画布上留给五个字的宽度可能只有 400 像素每个字 80 像素在这个尺度下要把提揭堤三个字区分开对特征精度的要求是极高的。所以中文渲染做得好不好反映的其实是模型在细粒度空间建模上的能力。这也是我测 Z-Image 时最看重的一项。实测下来四个字以内的标题、六个字以内的副标题基本能一次成型笔画完整、结构正确、字重统一。上到八个字以上就开始掉会出现笔画粘连、字间距不均、个别字结构简化的问题。这不是它一家的问题是当前所有开源模型的共性瓶颈。5.2 提示词里写文字的四个实操技巧第一个技巧是给文字加引号并明确说明用途。不要只写海报上有奋斗两个字要写成画面中央是一张竖版海报海报上方用粗黑体印着「向新而行」四个字字色为深墨绿下方留白。引号在多数模型的训练数据里是一个强信号能明显提升文字被正确渲染的概率。第二个技巧是控制字数宁可拆成两张图。八个字的标题一张图渲不好就拆成主标题四个字加副标题四个字或者干脆做两张图后期拼。与其花二十次抽卡赌一次正确不如把复杂度降下来这个账很好算。第三个技巧是指定字体风格而不是字体名。写思源黑体这类具体字体名模型大概率不认识写粗黑体、字形方正、笔画厚重反而更容易命中。描述字重、字形的松紧、笔画的粗细和收笔方式比给名字有效。第四个技巧是用负面提示词压制常见错误。把错别字、笔画缺失、文字重叠、文字变形、水印、多余符号这几项加进负面提示词能减少一部分废图。这一招不是万能的但成本极低加上总没坏处。5.3 三类场景的实际做法活动海报是我跑得最多的。流程是先定版面让模型生成一个带大片留白的构图文字区集中在画面上三分之一然后提示词里把主标题、副标题、时间地点三组文字分别描述清楚——主标题最大、副标题次之、时间地点最小且用细体。出图之后即便文字有小瑕疵也可以用图像编辑工具局部重绘那一块或者干脆后期用设计软件覆盖上去。说实话如果对文字精确度要求高让模型生成画面、后期自己打字是最稳的路线模型的文字能力用来做看起来像那么回事的背景排版是够的。电商主图的逻辑不一样文字通常少而大比如限时五折四个字压在画面角落。这种场景模型表现很稳因为字数少、字重统一、位置明确。真正的难点在商品本身的还原这就要靠参考图功能了单靠提示词描述商品外观出来的东西往往似是而非。自媒体封面是我觉得性价比最高的场景。尺寸固定、文字少、风格可以放松一次跑四张挑一张加上简单裁切就能用。我给一个实测有效的提示词片段横版封面左侧大面积纯色色块右侧是人物半身色块上用白色粗体写着标题整体风格扁平化高对比度。这套组合出来的图直接能当封面。6. 提示词体系把它当编译器别当许愿池6.1 六段式结构我用了三年没换过写提示词这件事我越来越觉得它像写代码——你给的是指令不是愿望。模型不会理解你想要的氛围它只会把你给的词映射到训练数据里对应的视觉特征上。所以结构化的写法比华丽的形容词有效得多。我的六段式是这样的主体谁或什么年龄、性别、外貌关键特征、穿戴动作在做什么手部姿态要单独说明环境在哪前景有什么、背景有什么、空间的纵深关系光线光源方向、软硬、色温、有没有特殊光效镜头焦段、视角、景深、构图方式三分法、对称、俯拍质感介质胶片、数码、油画、3D渲染、颗粒、色调倾向这六段不是必须全写但写全的时候出图可控性最高。我做过对比同一句话用散文式写法和六段式写法后者一次成型的概率大概是前者的两倍多。原因很简单六段式覆盖了画面的六个独立维度每个维度都有明确的约束模型在生成时不会在某个维度上自由发挥跑到别的地方去。6.2 负面提示词别堆词要针对性下药负面提示词最常见的错误是把网上抄来的一长串全塞进去什么低质量、最差质量、模糊、变形、多余肢体、水印、签名、文字、logo、裁剪、出框一口气二十个。这样做有两个问题一是不相关的负面词会干扰生成比如你在做海报却压了文字这个负面词模型就会把该有的字也一起抹掉二是负面词之间可能互相冲突导致画面整体发灰。正确的做法是按场景配一组基础负面词再按当前问题加一两项。基础组我会常备低分辨率、模糊、过曝、噪点、畸变的手指、多余的手指这几项剩下的看情况加。出图人物脸崩了就加面部扭曲、五官不对称出图构图散了就加杂物、杂乱背景。一次加一两项改完看效果这样你才知道是哪一项起了作用。6.3 种子管理和迭代节奏固定种子是提升效率最直接的手段但很多人用错了。固定种子之后你改提示词看到的差异确实是提示词带来的但同时也意味着你会被这个种子的构图习惯绑住容易错过其他可能性。我的做法是两阶段探索阶段不固定种子同一个提示词跑八张看看模型对这句话的整体理解范围从中挑出构图最好的那一张记下它的种子收敛阶段锁定这个种子微调提示词和参数把这个构图打磨到位。迭代节奏上我建议一次只改一个变量。同时改光线和镜头出图变好了你也不知道是哪一项的功劳下次还是瞎猜。这个道理跟调参一样控制变量是基本功。我见过有人一次改五个词跑了两百次还在原地打转问题就出在这。7. 常见问题与排查实录7.1 画面崩坏类问题怎么定位手部畸变是最常见的。判断方法很简单看手在画面里占多大面积。如果手只是画面一角的小元素畸变基本可以忽略如果手是视觉焦点那就要靠提示词明确描述手部状态比如双手交叠放在膝盖上右手握着一只白色马克杯手指自然弯曲。给手一个明确的动作比让它自由发挥成功率高得多。画面发灰、对比度低八成是 CFG 调太高或者负面词堆太多。先把 CFG 降到 4 左右试试如果还灰把负面词精简到五项以内。人脸崩坏尤其是远景小人脸。这是分辨率分配的物理限制1024 的画布上人脸可能只有 60 像素宽信息量根本不够。解法是分成两步先出全身构图再用局部重绘把人脸区域放大重画。别指望一步到位。画面出现奇怪的文字或水印多半是训练数据里的残留在负面词里加文字、水印、签名、标志就能压下去但如果你的需求本身要出文字就别加这几项。7.2 性能类问题怎么排查显存溢出报 CUDA out of memory按这个顺序试先把精度降到 fp8再开注意力切片再开 VAE 分段解码还不行就降分辨率到 768 出图再放大。这四步走完8GB 卡基本都能跑起来。生成速度异常慢先看是不是开了 CPU 卸载。有些配置为了省显存会把部分层放到内存里每次前向都要来回搬数据速度能慢十倍。如果你的显存够一定要关掉这个选项。其次看 CFG大于 1 就是双跑这是设计如此不是 bug。出图全黑或者全噪点先检查权重文件是不是下全了尤其是 VAEVAE 缺了或者版本不匹配解码出来就是一团噪点。其次检查数据类型bf16 的模型用 fp16 加载也会出问题。7.3 常见问题速查表现象最可能原因优先尝试的解法出图全黑 / 全噪点VAE 缺失或精度不匹配核对 VAE 文件完整性统一 dtype显存溢出分辨率过高或未开切片开注意力切片 VAE 分段解码速度慢十倍开启了 CPU 卸载关闭 offload全量加载到显存画面发灰发闷CFG 过高或负面词过多CFG 降到 4负面词精简到 5 项内文字渲染错字字数过多或未加引号降到 4 字以内用引号包裹并说明字体风格手指数量不对手部无明确动作描述提示词写明手的具体姿态和持物换种子画风跳变提示词约束不足增加镜头和质感两段的描述构图总是居中模型先验偏保守提示词里明确指定三分法/左右分栏8. 我的踩坑清单和几条不太中听的经验8.1 三条我认为最该刻在脑子里的规则第一别用提示词去修 bug。出图有问题先判断是提示词的问题还是参数的问题。手崩了是提示词没说清楚姿态画面糊了是步数或 CFG 的问题分清楚再动手不然你会陷入无止境地往提示词里加词越加越乱。我看到太多人一个提示词写到三百字什么8K、超高清、大师作品、最佳质量全堆上去实际效果还不如一句干净的结构化描述。第二先降复杂度再谈优化。一张图里塞三个人、五种道具、两种光源、三段文字模型不可能全部照顾好。正确的做法是先跑最简单的一版——一个人、一个场景、一种光——把基础打对再逐步往上加元素每加一项看一次效果。这个思路跟搭积木一样地基歪了往上堆都是白搭。第三建立自己的素材库。每次跑出满意的图把提示词、种子、参数、分辨率全记下来存成一个表格。跑够一百条之后你手上就有了一套针对自己业务的提示词模板库新需求来了改两个词就能出图。这件事的复利效应非常大但绝大多数人懒得做。8.2 哪些场景我劝你别用它需要严格品牌一致性的主视觉别用。模型每次出的东西都有细微差异你的品牌色是特定色值模型给不了精确的色号后期调色能救一部分但图形元素的一致性救不回来。真实商品的展示图别用。模型生成的商品外观跟实物差得远客户收到货发现不一样这是要出事的。商品图还是老老实实拍摄或者在实拍基础上做合成。需要精确文字排版的正式物料别用模型直接出。让模型出画面文字后期加这是目前唯一稳妥的做法。模型的中文渲染能力用来做氛围感排版是够的用来做能直接印刷的成品还差一截。需要多轮修改的甲乙方项目慎重。模型的随机性决定了你很难精确复现上一版并只改一个细节客户说把左边那个人往右挪一点你只能重跑然后祈祷它别把别的地方也改了。这类项目还是用传统设计流程更可控。9. 最后说几个我觉得值得分享的实操细节有一个细节我琢磨了挺久提示词的词序会影响出图权重。放在前面的词模型给的注意力更重。所以主体描述永远放最前面环境、光线、质感依次往后排。如果你发现某个元素总是不够突出把它往前挪比加感叹号有效得多。另一个是分辨率比例的选择。很多人默认 1024×1024 正方形但实际业务里竖版和横版需求更多。Z-Image 支持多种比例竖版常用的有 832×1216 和 768×1344横版有 1216×832。这里有个经验总像素量保持接近比例变化对画质影响不大但如果总像素量翻倍画质不一定提升反而容易出结构错误。想上 2K走潜空间放大别直接改分辨率。还有一个关于参考图的心得。参考图起作用的核心是风格迁移和构图借鉴不是精确复刻。你给一张参考图模型学到的是色调、光影逻辑、构图方式这些抽象特征具体内容还是会按提示词重新生成。所以别指望给一张产品图它就原样画出来那需要的是专门的图像编辑模型不是文生图模型。至于后续还能怎么扩展我个人的路线是把它接进一套自动化流程——前面用脚本批量生成提示词变体中间调模型批量出图后面接一个自动筛选用图像质量评估模型打分把明显崩坏的过滤掉人只看通过筛选的那一批。这套流水线跑起来之后产能大概是纯手工的十倍以上。当然这是另一个话题了等我把这套流程跑顺了再单独写一篇。用下来的整体感受是Z-Image 这类中等参数、高效率的模型正在把图像生成从少数人的玩具变成多数人的工具。它给不了你完美但给的够用速度还快这个组合在实际工作里的价值往往比那些参数翻倍但跑一张要半分钟的模型更大。