阿里通义发布Z-Image-Turbo：60 亿参数高效图像模型，支持中英双语文本渲染与亚秒级生成

在图像生成模型多依赖“大参数堆料”的行业趋势下，阿里通义MAX项目组推出的Z-Image，以60亿参数的轻量化体量实现了颠覆性突破。这款通过系统性优化打造的图像生成基础模型，不仅在照片级真实感生成、中英双语文本渲染等核心场景中比肩顶级商业模型，更通过架构创新与蒸馏技术，将部署门槛压低至16G显存的消费级设备。

• 项目主页：https://tongyi-mai.github.io/Z-Image-blog
• GitHub：https://github.com/Tongyi-MAI/Z-Image
• 模型：Hugging Face | 魔塔
• Demo：Hugging Face | 魔塔

目前，其衍生的Z-Image-Turbo（图像生成）模型已开放代码、权重及在线Demo，为社区提供了兼具普惠性、低成本与高性能的生成式AI解决方案。

三大模型变体：覆盖从基础研发到场景落地的全需求

Z-Image构建了完整的模型矩阵，不同变体精准匹配开发者、研究者与创作者的差异化需求：

核心技术：单流架构撑起“轻量化+高性能”平衡

Z-Image的突破核心源于创新的可扩展单流DiT（S3-DiT）架构，从根源上解决了传统模型参数冗余、效率不足的痛点：

1. 统一输入流提升参数效率：区别于传统双流方法，该架构将文本信息、视觉语义标记、图像VAE标记在序列级别串联，形成单一输入流送入Transformer主干网络。这种设计实现了多模态信息的深度融合，避免了信息割裂，在60亿参数规模下实现了远超同级别模型的性能，最大化参数利用率；
2. 提示增强器强化推理能力：搭载专属提示增强模块，模型不仅能执行表面文本描述，还能挖掘世界知识进行逻辑推理。例如面对“暴雨后清晨的城市街道，积水倒映霓虹灯光，行人撑伞慢行”的指令，可精准还原光影反射、场景氛围与物体交互逻辑；
3. 蒸馏技术降低部署门槛：Z-Image-Turbo通过蒸馏优化，在大幅减少推理NFEs（仅8次）的同时，保持生成质量不打折。这一优化让模型既能在企业级GPU上实现极速推理，也能适配普通消费级显卡，打破了高性能生成对高端硬件的依赖。

核心能力：兼顾逼真度与实用性，适配多场景需求

凭借技术优化与专项训练，Z-Image系列在核心场景中展现出顶尖实力，解决了传统模型的诸多痛点：

1. 照片级真实感生成：在AI Arena的Elo人类偏好评估中，Z-Image-Turbo展现出与行业领先模型比肩的竞争力，开源模型中处于顶尖水平。生成图像的色彩、纹理、空间透视均贴合现实规律，可直接用于产品渲染、场景复原、商业海报等高精度需求；
2. 高精度中英双语文本渲染：攻克AI生成文本“失真、难识别”的行业痛点，能精准渲染复杂中英文文本——无论是海报艺术字、场景标识，还是文档规整文字，都能清晰呈现，大幅减少后期手动修正成本；
3. 灵活可控的创意编辑：Z-Image-Edit具备强大的双语指令理解能力，支持“局部修改+全局保留”的精准编辑。例如输入“将图中红色跑车改为复古老爷车，保持背景草原与日落场景不变”，可精准定位编辑对象，不破坏画面整体协调性，适配设计迭代、内容二次创作等场景。