Z-Image Turbo 是阿里云通义-MAI 团队（与阿里云万和 Qwen 团队无关）发布的首款模型，超越了 FLUX.2、HunyuanImage 3.0 (Fal) 和 Qwen-Image。
Z-Image Turbo 是新的开源权重文本生成图像模型第一名。
Z-Image Turbo 在阿里云上的价格为每千张图像 5 美元，是目前最便宜的图像模型之一，比 FLUX.2（每千张图像 12 美元）、HiDream-I1-Dev（每千张图像 26 美元）和 Qwen-Image（每千张图像 20 美元）都要便宜。它是一个 6B 参数模型，仅需 16GB 内存即可在消费级硬件上运行。
版本问题
Z-Image 是一个强大的、高效的图像生成模型，具有 6B 参数。目前有三个变体：
- Z-Image-Turbo – Z-Image 的精简版，仅用 8 NFEs（函数评估次数）就能与领先竞争对手匹敌或超越。它在企业级 H800 GPU 上提供 ⚡️亚秒级推理延迟⚡️，并且可以在 16G 显存的消费设备上轻松运行。它擅长生成逼真的图像、双语文本渲染（英文和中文），并具有强大的指令遵循能力。
- Z-Image-Base – 非精简的基础模型，旨在解锁社区驱动的微调和自定义开发的全部潜力。
- Z-Image-Edit – 专门针对图像编辑任务进行微调的 Z-Image 变体。它支持创意性的图像到图像生成，并具有令人印象深刻的指令跟随能力，允许根据自然语言提示进行精确编辑。
Z-Image-Turbo 能力一览
本地部署
https://modelscope.cn/models/Tongyi-MAI/Z-Image-Turbo
下载完整模型库
modelscope download --model Tongyi-MAI/Z-Image-Turbo --local_dir ./dirvLLM-Omni 部署
安装好环境后，可以使用 vllm-omni 拉起兼容 OpenAI API 协议的 API
vllm serve Qwen/Qwen-Image --omni --port 8091没有显卡也可以直接调用 API
import requests
import time
import json
from PIL import Image
from io import BytesIO
base_url = 'https://api-inference.modelscope.cn/'
api_key = "<MODELSCOPE_TOKEN>"# ModelScope Token
common_headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json",
}
response = requests.post(
f"{base_url}v1/images/generations",
headers={**common_headers, "X-ModelScope-Async-Mode": "true"},
data=json.dumps({
"model": "Tongyi-MAI/Z-Image-Turbo", # ModelScope Model-Id, required
# "loras": "<lora-repo-id>", # optional lora(s)
# """
# LoRA(s) Configuration:
# - for Single LoRA:
# "loras": "<lora-repo-id>"
# - for Multiple LoRAs:
# "loras": {"<lora-repo-id1>": 0.6, "<lora-repo-id2>": 0.4}
# - Upto 6 LoRAs, all weight-coefficients must sum to 1.0
# """
"prompt": "A golden cat"
}, ensure_ascii=False).encode('utf-8')
)
response.raise_for_status()
task_id = response.json()["task_id"]
while True:
result = requests.get(
f"{base_url}v1/tasks/{task_id}",
headers={**common_headers, "X-ModelScope-Task-Type": "image_generation"},
)
result.raise_for_status()
data = result.json()
if data["task_status"] == "SUCCEED":
image = Image.open(BytesIO(requests.get(data["output_images"][0]).content))
image.save("result_image.jpg")
break
elif data["task_status"] == "FAILED":
print("Image Generation Failed.")
break
time.sleep(5)前端
官方提供的有前端
看上去是基于 Gradio 开发的，完整代码：https://huggingface.co/spaces/Tongyi-MAI/Z-Image-Turbo/tree/main
Clone 下来可以自己部署
社区有开源的基于 Z-Image-Turbo 的前端，比官方版功能更多
项目地址：https://github.com/ratszhu/Z-Image-Turbo-Carto
项目基于阿里通义 Tongyi-MAI/Z-Image-Turbo 模型，针对 Apple Silicon (M1/M2/M3) 和 NVIDIA RTX (Windows) 进行了深度的底层工程优化。它抛弃了传统的 Gradio 界面，采用 FastAPI + Vue 3 的现代化前后端分离架构，提供极速、高清、沉浸式的创作体验。
1. 环境准备
- 操作系统：macOS (Apple Silicon) 或 Windows 10/11 (NVIDIA GPU)。
- Python：推荐 Python 3.10 或 3.11。
⚠️ 警告：请勿使用 Python 3.13，目前 PyTorch 对其支持尚不稳定。
2. 安装依赖
在项目根目录下打开终端：
# 1. 创建虚拟环境 (推荐)
python -m venv venv
# Mac/Linux 激活:
source venv/bin/activate
# Windows 激活:
.\venv\Scripts\activate
# 2. 安装依赖 (使用清华源加速)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
3. 模型准备
请确保项目根目录下存在以下文件（或在 config.py 中修改路径）：
基础模型：./Z-Image-Model
从 Hugging Face 下载 Tongyi-MAI/Z-Image-Turbo 完整文件夹。
LoRA 文件：./Technically_Color_Z_Image_Turbo_v1_renderartist_2000.safetensors
用于画质增强。
4. 启动应用
python main.py等待终端显示： 🚀 Z-Image Studio 全栈版已启动! 👉 请访问: http://127.0.0.1:8888
原创文章，作者：howkunet，如若转载，请注明出处：https://www.intoep.com/ai/71472.html
微信赞赏 
支付宝赞赏 
