这是一个 Z-Image 的 GGUF 量化版本。
unsloth/Z-Image-GGUF 采用 Unsloth Dynamic 2.0 方法，以实现 SOTA 性能。
- 重要层被上转为更高精度。
- 使用 city96 提供的 ComfyUI-GGUF 工具。
⚡️- Image
基于单流扩散 Transformer 的高效图像生成基础模型
欢迎来到 Z-Image（造相）项目的官方仓库！
🎨 Z-Image
Z-Image 是 ⚡️- Image 系列的基础模型，为优质表现、稳健的生成多样性、广泛的风格覆盖与精准的提示词遵循而打造。 若 Z-Image-Turbo 为速度而生， Z-Image 则是全容量、未蒸馏的 Transformer，旨在为需要最高创作自由度的创作者、研究者与开发者提供核心支撑。
🌟 核心特性
- 未蒸馏基座：作为未蒸馏的基础模型，Z-Image 保留了完整的训练信号。它支持完整的 Classifier-Free Guidance (CFG)，为复杂提示词工程与专业工作流提供所需的精准度。
- 审美多样性：Z-Image 驾驭广泛多元的视觉语言——从超写实摄影、电影感数字艺术，到细腻动漫与风格化插画。它是需要丰富、多维表达场景的理想引擎。
- 增强的输出多样性：为探索而生，Z-Image 在不同种子下呈现出显著更高的构图、面部身份与光照差异，确保多人场景保持清晰可辨且富有动态。
- 面向开发：社区的理想起点。其未蒸馏特性使其成为 LoRA 训练、结构条件（ControlNet）与语义条件的优质基座。
- 稳健的负向控制：对负向提示词具有高保真响应，让用户能够可靠地抑制伪影并调整构图。
🆚 Z-Image vs Z-Image-Turbo
| 方面 | Z-Image | Z-Image-Turbo |
|---|---|---|
| CFG | ✅ | ❌ |
| 采样步数 | 28~50 | 8 |
| 可微调性 | ✅ | ❌ |
| 负面提示词 | ✅ | ❌ |
| 多样性 | 高 | 低 |
| 画面质量 | 高 | 极高 |
| RL | ❌ | ✅ |
🚀 快速开始
安装与下载
安装最新版 diffusers：
pip install git+https://github.com/huggingface/diffusers下载模型：
pip install -U huggingface_hub
HF_XET_HIGH_PERFORMANCE=1 hf download Tongyi-MAI/Z-Image推荐参数
- 分辨率： 512×512 至 2048×2048（总像素面积，任意宽高比）
- 引导尺度： 3.0 – 5.0
- 推理步数： 28 – 50
使用示例
import torch
from diffusers import ZImagePipeline
# Load the pipeline
pipe = ZImagePipeline.from_pretrained(
"Tongyi-MAI/Z-Image",
torch_dtype=torch.bfloat16,
low_cpu_mem_usage=False,
)
pipe.to("cuda")
# Generate image
prompt = "两名年轻亚裔女性紧密站在一起，背景为朴素的灰色纹理墙面，可能是室内地毯地面。左侧女性留着长卷发，身穿藏青色毛衣，左袖有奶油色褶皱装饰，内搭白色立领衬衫，下身白色裤子；佩戴小巧金色耳钉，双臂交叉于背后。右侧女性留直肩长发，身穿奶油色卫衣，胸前印有“Tun the tables”字样，下方为“New ideas”，搭配白色裤子；佩戴银色小环耳环，双臂交叉于胸前。两人均面带微笑直视镜头。照片，自然光照明，柔和阴影，以藏青、奶油白为主的中性色调，休闲时尚摄影，中等景深，面部和上半身对焦清晰，姿态放松，表情友好，室内环境，地毯地面，纯色背景。"
negative_prompt = "" # Optional, but would be powerful when you want to remove some unwanted content
image = pipe(
prompt=prompt,
negative_prompt=negative_prompt,
height=1280,
width=720,
cfg_normalization=False,
num_inference_steps=50,
guidance_scale=4,
generator=torch.Generator("cuda").manual_seed(42),
).images[0]
image.save("example.png")📜 引用
如果我们的工作对你的研究有所帮助，请考虑引用：
@article{team2025zimage,
title={Z-Image: An Efficient Image Generation Foundation Model with Single-Stream Diffusion Transformer},
author={Z-Image Team},
journal={arXiv preprint arXiv:2511.22699},
year={2025}
}