Z-Image
8-stufige Inferenz, sekundenschnelle Generierung

Z-Image erreicht mit nur 8 Schritten eine Leistung, die mit der von führenden Wettbewerbern vergleichbar ist oder diese sogar übertrifft, und bietet eine Inferenzlatenz von weniger als einer Sekunde auf unternehmenstauglichen H800 GPUs. Auf Consumer-Geräten wie RTX 3090 oder 4090 dauert es etwa 2-3 Sekunden, und Midrange-Karten benötigen etwa 4-5 Sekunden, wobei nur 16G VRAM benötigt werden.

Z-Image rendert komplexe chinesische und englische Texte akkurat und behält dabei den Realismus der Gesichter und die ästhetische Gesamtkomposition bei, mit Ergebnissen, die mit den besten Closed-Source-Modellen vergleichbar sind. Bei der Gestaltung von Plakaten beweist es starke kompositorische Fähigkeiten und ein gutes Gespür für Typografie und liefert selbst in schwierigen Szenarien mit kleinen Schriftgrößen qualitativ hochwertigen Text.

Prompt Enhancer (PE) verwendet strukturierte Argumentationsketten, um Logik und gesunden Menschenverstand einzubringen. Dadurch kann das Modell über oberflächliche Beschreibungen hinausgehen und das zugrunde liegende Weltwissen für komplexe Aufgaben wie das "Hühner- und Hasenproblem" oder die Visualisierung klassischer chinesischer Poesie erschließen. Selbst bei mehrdeutigen Anweisungen kann es die zugrunde liegende Absicht ableiten und so logisch kohärente Ergebnisse erzielen.

Z-Image zeichnet sich durch fotorealistische Bilderzeugung mit feiner Kontrolle über Details, Beleuchtung und Texturen aus. Es schafft ein Gleichgewicht zwischen hoher Wiedergabetreue und starker ästhetischer Qualität in Komposition und Gesamtstimmung. Die erzeugten Bilder sind nicht nur realistisch, sondern auch visuell ansprechend.

Z-Image verwendet eine skalierbare Single-Stream Diffusion Transformer (S3-DiT) Architektur. Text, visuelle semantische Token und Bild-Token VAE werden auf der Sequenzebene verkettet, um als einheitlicher Eingabestrom in das Transformer-Backbone zu dienen, was die Parametereffizienz im Vergleich zu Dual-Stream-Ansätzen maximiert.

Laut Elo-basierter menschlicher Präferenzauswertung (in der Alibaba AI Arena) zeigt Z-Image eine sehr wettbewerbsfähige Leistung gegenüber anderen führenden Modellen und erreicht die besten Ergebnisse unter den Open-Source-Modellen.