Z-Image
8-Schritte Inferenz, Generierung unter einer Sekunde

Z-Image erreicht Leistung, die mit oder über führende Konkurrenten mit nur 8 Schritten vergleichbar ist und liefert Inferenz-Latenz unter einer Sekunde auf Enterprise-grade H800 GPUs. Auf Consumer-Geräten wie RTX 3090 oder 4090 dauert es etwa 2-3 Sekunden, und Mid-Range-Karten benötigen etwa 4-5 Sekunden und erfordern nur 16 GB VRAM.

Z-Image rendert komplexen chinesischen und englischen Text genau, während es Gesichtsrealismus und gesamte ästhetische Komposition beibehält, mit Ergebnissen, die top-tier geschlossene Modellen vergleichbar sind. Im Plakatdesign zeigt es starke Kompositionsfähigkeiten und Typografiesinn und liefert qualitativ hochwertigen Text auch in schwierigen Szenarien mit kleinen Schriftgrößen.

Prompt Enhancer (PE) nutzt strukturierte Reasoning-Ketten, um Logik und gesunden Menschenverstand einzufügen und dem Modell die Fähigkeit zu geben, oberflächliche Beschreibungen zu überwinden und auf zugrunde liegende Weltkenntnisse für komplexe Aufgaben wie das 'Huhn und Kaninchen-Problem' oder die Visualisierung klassischer chinesischer Poesie zuzugreifen. Sogar mit mehrdeutigen Anweisungen kann es die zugrunde liegende Absicht für logisch kohärente Ergebnisse ableiten.

Z-Image zeichnet sich durch photorealistische Bildgenerierung mit feiner Kontrolle über Details, Beleuchtung und Texturen aus. Es balanciert hohe Treue mit starker ästhetischer Qualität in Komposition und Gesamtstimmung. Generierte Bilder sind nicht nur realistisch, sondern auch visuell ansprechend.

Z-Image nutzt eine Scalable Single-Stream Diffusion Transformer (S3-DiT) Architektur. Text, visuelle semantische Tokens und Bild VAE Tokens werden auf Sequenzebene konkateniert, um als einheitlicher Eingabestrom in den Transformer-Backbone zu dienen und die Parametereffizenz im Vergleich zu Dual-Stream-Ansätzen zu maximieren.

Gemäß Elo-basierter Human Preference Evaluation (auf Alibaba AI Arena) zeigt Z-Image hochgradig wettbewerbsfähige Leistung gegen andere führende Modelle, während es State-of-the-Art-Ergebnisse unter Open-Source-Modellen erreicht.