昨晚，RTX 4090 在 RTX 4090 上仅用 2.3 秒渲染出 1024×1024 霓虹汉服图像，显存指针稳定在 13GB——阿里通一实验室的 Z-Image-Turbo 震惊了观众：仅用 6B 参数，它就与甚至略胜 20B+ 闭源旗舰机型。
Z-Image有实际行动，没有任何花哨的口号：
– 它只需8步采样即可提供打印质量图像，运行于消费级GPU，如3060 6G，显存容量限制为16GB;
– 它能一次性理解长嵌套的中文提示，自动从“夜晚的阳光”修正为“左手拿着奶茶，手机屏幕显示今天新闻”，使中英文字母不再看起来像涂鸦;
– 在线功能包括皮肤毛孔、玻璃反射、雨雾背光和电影级景深。Z-Image-Turbo 在 Elo 人类偏好榜上被评为开源模型的顶尖之一。
秘密在于新的S3-DiT架构：文本、视觉语义和图像标记作为单一流连接，将参数数量减少到竞争对手的三分之一，同时最大化推理效率。团队还发布了Z-Image-Edit，允许用户用自然语言“更换原始图像的头像和场景”，使社区用户可以立即游玩。
阿里巴巴尚未正式宣布是否会完全开源，但该模型已经在ModelScope和Hugging Face上提供。拉取请求已合并到扩散器主分支，只需一个 pip 命令即可加载。一旦企业API定价发布，Midjourney和Flux可能需要更早考虑降价。
Z-Image的崛起就像一把发令枪：图像生成领域正式进入了“轻量化与高质量”时代，使计算民主化不再只是口号——谁没有16G显卡呢？
项目地址：https://github.com/Tongyi-MAI/Z-Image
