阿里开源Z-Image图像生成模型：60亿参数实现商业级画质，技术门槛大幅降低

阿里巴巴通义实验室近日开源了全新图像生成模型Z-Image，该模型以仅60亿参数（6B）的轻量级架构，实现了接近200亿参数（20B）级商业模型的视觉质量，显著降低了AI图像生成的技术门槛。模型采用单流Diffusion Transformer（DiT）架构，包含Turbo、Base和Edit三个专用版本，分别针对高效推理、基础研发和图像编辑场景优化。

技术层面，Z-Image通过解耦DMD（Diffusion Multi-Denoiser）与DMDR（Diffusion Multi-Denoiser Refinement）技术，仅需8步采样即可输出高清图像，显存占用控制在16GB以内，在NVIDIA RTX 30系列消费级显卡上即可流畅运行。实测显示，该模型在H800 GPU上可实现亚秒级生成速度，RTX 4090显卡单图生成耗时仅2.3秒，显存占用13GB。

核心突破体现在三方面：一是复杂指令理解能力，可精准解析”生成写着‘未来设计节’的霓虹海报”等嵌套指令；二是中英双语文字渲染技术，解决了传统AI绘图模型的文字乱码问题；三是光影与细节一致性表现优异，在人物肖像、材质反射等场景达到商业级水准。行业测试表明，其在ComfyUI框架下的表现已超越部分SDXL基线模型，中文海报生成稳定性尤为突出。

目前Z-Image-Turbo版本已登陆Hugging Face和ModelScope平台，采用Apache 2.0开源协议。Base和Edit版本将陆续发布，其中Edit版本支持通过自然语言指令实现图像换头改景等精准编辑。开发者可通过diffusers库直接调用，阿里云同步提交了相关代码至主流开源仓库。该模型的推出被视为对高参数依赖型商业模型的直接挑战，有望推动AI图像生成技术向轻量化、普惠化方向发展。