RunDiffusion 出品：Juggernaut Z
Z-Image Base 的电影级精调模型 — 专为呈现就绪型输出打造。
Juggernaut Z 是由 Team Juggernaut 基于 Z-Image Base 进行的精调模型，由 KandooAI 负责训练，并通过 RunDiffusion 发布。该模型针对更强的光照效果、更锐利的焦点、更细腻的皮肤纹理以及更具电影感的氛围进行了优化，开箱即可使用。
本仓库托管 RunDiffusion 官方发布的资源文件：全精度权重、FP16 和 FP8 变体，以及全套 GGUF 量化版本。
主要亮点
- 开箱即得的更富戏剧性、电影感的光照效果
- 更锐利的焦点和更具目的性的镜头感
- 更清晰的人像，皮肤纹理更自然
- 改进的人体结构和整体形态准确性
- 默认情况下对不同种族的表现更出色
- 针对编辑、概念设计和电影制作工作进行优化
对比
以下所有组图均展示Juggernaut Z（左侧） 与 Z-Image Base（右侧） 的效果对比。来源：RunDiffusion Juggernaut Z 发布公告。
光影效果
默认即可呈现更富戏剧张力的电影级光影。
皮肤与纹理
皮肤更洁净、自然，尤其在特写人像中表现突出。
人体结构
人体结构更清晰，且在各类主体上均能保持一致的结构细节。
构图
场景中主体与物体的布局得到优化，v2版本将进一步改进。
多样性
不同种族背景下的结果更均衡，默认即可实现更优的代表性。
架构
结构线条更清晰，材质渲染更连贯。
推荐设置
| 参数 | 默认值 | 范围 |
|---|---|---|
| CFG | 6 | 6 – 9 |
| Steps | 35 | 25 – 45 |
适用场景
- 面部细节更清晰、焦点更突出的人像
- 光线和氛围强烈的电影场景
- 概念开发与视觉探索
- 需要精致效果的编辑和时尚作品
仓库中的文件
| 文件 | 格式 | 说明 |
|---|---|---|
Juggernaut_Z_V1_by_RunDiffusion.safetensors | safetensors (bf16) | 原始发布权重 |
Juggernaut_Z_V1_by_RunDiffusion_fp16.safetensors | safetensors (fp16) | 半精度 |
Juggernaut_Z_V1_FP8_e4m3fn.safetensors | safetensors (fp8 e4m3fn) | 更低的显存占用 |
Juggernaut_Z_V1_by_RunDiffusion_q8_0.gguf | GGUF · q8_0 | 最高质量量化 |
Juggernaut_Z_V1_by_RunDiffusion_q6_k-004.gguf | GGUF · q6_k | |
Juggernaut_Z_V1_by_RunDiffusion_q5_k_m-003.gguf | GGUF · q5_k_m | |
Juggernaut_Z_V1_by_RunDiffusion_q5_k_s-005.gguf | GGUF · q5_k_s | |
Juggernaut_Z_V1_by_RunDiffusion_q4_k_m-002.gguf | GGUF · q4_k_m | |
Juggernaut_Z_V1_by_RunDiffusion_q4_k_s-001.gguf | GGUF · q4_k_s | 最小占用空间 |
model_index.json + transformer/, text_encoder/, tokenizer/, vae/, scheduler/ | 🤗 Diffusers 格式 | 通过 DiffusionPipeline.from_pretrained("RunDiffusion/Juggernaut-Z-Image") 加载 |
请将 .safetensors 变体与符合您本地推理堆栈的工作流配合使用。将 .gguf 变体与兼容 GGUF 的运行时配合使用。将 Diffusers 组件布局与 🤗 Diffusers 库配合使用——详见下文。
与 🤗 Diffusers 配合使用
该仓库在根目录包含 model_index.json 和标准的 🤗 Diffusers 组件目录（transformer/、text_encoder/、tokenizer/、vae/、scheduler/），并导出为 ZImagePipeline。可通过以下方式加载：
from diffusers import DiffusionPipeline
import torch
pipe = DiffusionPipeline.from_pretrained(
"RunDiffusion/Juggernaut-Z-Image",
torch_dtype=torch.bfloat16,
).to("cuda")
image = pipe(
"a cinematic portrait, dramatic lighting",
guidance_scale=6.0,
num_inference_steps=35,
).images[0]
image.save("output.png")from_pretrained 仅会下载 model_index.json 中声明的文件，因此不会拉取仓库根目录下独立的 .safetensors / .gguf 变体文件。使用时需要包含 ZImagePipeline 支持的 diffusers 版本（已针对 diffusers 0.37.1 和 0.38.0 版本进行验证）。根据 CC BY-NC 4.0 许可协议，模型及其输出的商业使用受到限制——详见下方的许可协议与商业使用部分。
链接
- 在 RunDiffusion 上运行 Juggernaut Z → rundiffusion.com/juggernaut-z
- 提示词指南 → Juggernaut Z 提示词指南
- 基础模型 → Tongyi-MAI/Z-Image
归属
Juggernaut Z 基于 Z-Image Base 构建——上游基础模型的功劳归于 Z-Image 团队。此微调版本由 Team Juggernaut 开发，KandooAI 负责训练，RunDiffusion 发布。
许可协议与商业使用
Juggernaut Z 依据 CC BY-NC 4.0 许可协议发布：
- BY —— 分享输出内容时，需注明 RunDiffusion / Team Juggernaut / KandooAI 的归属。
- NC —— 仅允许非商业使用。未经许可，不得将模型及其输出用于商业目的。
您可自由对模型进行微调、合并、构建 LoRA 以及其他修改，前提是仅用于非商业目的。
商业许可、定制模型、商业咨询或合作，请联系 juggernaut@rundiffusion.com。