مدل Z-Image Turbo شرکت علیبابا، یک مدل تولید تصویر با ۶ میلیارد پارامتر، هفته گذشته با یک وعده ساده عرضه شد: کیفیت بینظیر با سختافزاری که واقعاً در اختیار دارید.
این وعده به سرعت در حال تحقق است. تنها چند روز پس از انتشار، توسعهدهندگان در حال تولید LoRAها – تطبیقهای سفارشی تنظیمشده – با سرعتی هستند که از Flux2، جانشین بسیار پرطرفدار Flux از Black Forest Labs، پیشی گرفته است.
کارایی، برگ برنده Z-Image
نقطه قوت Z-Image، کارایی آن است. در حالی که رقبایی مانند Flux2 حداقل به ۲۴ گیگابایت VRAM (و تا ۹۰ گیگابایت برای مدل کامل) نیاز دارند، Z-Image بر روی تنظیمات کوانتیزه با حداقل ۶ گیگابایت اجرا میشود.
این تقریباً سختافزار سال ۲۰۱۹، یعنی RTX 2060 است. بسته به وضوح تصویر، کاربران میتوانند تصاویر را در کمتر از ۳۰ ثانیه تولید کنند.
برای علاقهمندان و سازندگان مستقل، این دری است که قبلاً قفل بود.
استقبال گسترده از سوی جامعه هوش مصنوعی
جامعه هنر هوش مصنوعی به سرعت از این مدل تمجید کرد.
کاربر Saruhey در CivitAI، بزرگترین مخزن ابزارهای هنر هوش مصنوعی منبع باز در جهان، نوشت: «این همان چیزی است که SD3 قرار بود باشد. پایبندی به دستورالعملها بسیار عالی است… مدلی که میتواند متن را فوراً تولید کند، بازی را تغییر میدهد. این مدل همان قدرت، اگر نگوییم بیشتر، را نسبت به Flux دارد که خود یک جادوی سیاه است. چینیها در بازی هوش مصنوعی بسیار جلوتر هستند.»
Z-Image Turbo از پنجشنبه گذشته در Civitai در دسترس قرار گرفته و تاکنون بیش از ۱۲۰۰ بررسی مثبت دریافت کرده است. برای مقایسه، Flux2 – که چند روز قبل از Z-Image منتشر شد – ۱۵۷ بررسی داشته است.
این مدل از ابتدا کاملاً سانسورنشده است. افراد مشهور، شخصیتهای داستانی و بله، محتوای صریح همگی در دسترس هستند.
تا امروز، حدود ۲۰۰ منبع (تنظیمات دقیق، LoRAها، گردش کارها) برای این مدل فقط در Civitai وجود دارد که بسیاری از آنها NSFW هستند.
در Reddit، کاربر Regular-Forever5876 محدودیتهای مدل را با دستورالعملهای مربوط به خونریزی آزمایش کرد و شگفتزده شد: «خدای من!!! این مدل خونریزی را به خوبی درک میکند! آن را بینقص تولید میکند.»
معماری S3-DiT: راز موفقیت
راز فنی Z-Image Turbo معماری S3-DiT آن است – یک ترانسفورمر تک جریانی که متن و دادههای تصویر را از ابتدا با هم پردازش میکند، به جای اینکه بعداً آنها را ادغام کند. این ادغام نزدیک، همراه با تکنیکهای تقطیر تهاجمی، مدل را قادر میسازد تا معیارهای کیفیتی را برآورده کند که معمولاً به مدلهایی با پنج برابر اندازه آن نیاز دارند.
ما Z-Image Turbo را در ابعاد مختلف تحت آزمایشهای گسترده قرار دادیم. یافتههای ما به شرح زیر است:
سرعت: سرعت SDXL، کیفیت نسل بعدی
Z-Image Turbo در ۹ مرحله، تصاویری را تقریباً با همان سرعت SDXL تولید میکند، با ۳۰ مرحله معمول – مدلی که در سال ۲۰۲۳ منتشر شد.
تفاوت این است که کیفیت خروجی Z-Image با Flux برابری میکند یا از آن پیشی میگیرد. بر روی یک لپتاپ با پردازنده گرافیکی RTX 2060 با ۶ گیگابایت VRAM، یک تصویر ۳۴ ثانیه طول کشید.
در مقایسه، Flux2 تقریباً ده برابر بیشتر طول میکشد تا یک تصویر مشابه تولید کند.
واقعگرایی بینظیر
Z-Image Turbo واقعگرایانهترین مدل منبع باز موجود در حال حاضر برای سختافزار درجه مصرفکننده است. این مدل مستقیماً از Flux2 پیشی میگیرد و مدل پایه تقطیرشده از تنظیمات دقیق واقعگرایی Flux عملکرد بهتری دارد.
بافت پوست و مو دقیق و طبیعی به نظر میرسد. «چانه Flux» و «پوست پلاستیکی» عمدتاً از بین رفتهاند. تناسب اندام بهطور مداوم خوب است و LoRAهایی که واقعگرایی را بیشتر میکنند، در حال حاضر در گردش هستند.
تولید متن در تصویر: نقطه قوت Z-Image
اینجاست که Z-Image واقعاً میدرخشد. این بهترین مدل منبع باز برای تولید متن در تصویر است و با Nanobanana و Seedream گوگل – مدلهایی که استاندارد فعلی را تعیین کردهاند – برابری میکند.
برای سخنرانان ماندارین، Z-Image انتخاب آشکار است. این مدل زبان چینی را بومی درک میکند و کاراکترها را به درستی رندر میکند.
نکته حرفهای: برخی از کاربران گزارش دادهاند که دستورالعمل دادن به زبان ماندارین در واقع به مدل کمک میکند تا خروجیهای بهتری تولید کند و توسعهدهندگان حتی یک «تقویتکننده دستورالعمل» به زبان ماندارین منتشر کردهاند.
متن انگلیسی نیز به همان اندازه قوی است، با یک استثنا: کلمات طولانی غیرمعمول مانند «decentralized» میتوانند آن را به اشتباه بیندازند – محدودیتی که Nanobanana نیز با آن مواجه است.
پایبندی به دستورالعملها: دقت بینظیر
پایبندی Z-Image به دستورالعملها برجسته است. این مدل سبک، روابط فضایی، موقعیتها و تناسبها را با دقت قابل توجهی درک میکند.
به عنوان مثال، این دستورالعمل را در نظر بگیرید: «یک سگ با کلاه قرمز که روی یک تلویزیون ایستاده و کلمات “Decrypt 是世界上最好的加密货币与人工智能媒体网站” روی صفحه نمایش داده میشود. در سمت چپ، یک زن بلوند با کت و شلوار اداری در حال نگه داشتن یک سکه است. در سمت راست، یک ربات روی یک جعبه کمکهای اولیه ایستاده است و یک هرم سبز پشت جعبه قرار دارد. منظره کلی سورئال است. یک گربه وارونه روی یک توپ فوتبال سفید ایستاده است، کنار سگ. یک فضانورد از ناسا تابلویی در دست دارد که روی آن نوشته شده است “Emerge” و در کنار ربات قرار داده شده است.»
همانطور که قابل توجه است، این مدل فقط یک اشتباه تایپی داشت، احتمالاً به دلیل ترکیب زبانها، اما به غیر از آن، تمام عناصر به درستی نمایش داده شدهاند.
نشت دستورالعملها حداقل است و صحنههای پیچیده با چندین موضوع منسجم باقی میمانند. این مدل در این معیار از Flux پیشی میگیرد و در برابر Nanobanana مقاومت میکند.
آینده Z-Image
علیبابا قصد دارد دو نسخه دیگر را منتشر کند: Z-Image-Base برای تنظیم دقیق و Z-Image-Edit برای اصلاحات مبتنی بر دستورالعمل. اگر آنها با همان ظرافت Turbo منتشر شوند، چشمانداز منبع باز به طور چشمگیری تغییر خواهد کرد.
در حال حاضر، حکم جامعه روشن است: Z-Image تاج Flux را تصاحب کرده است، درست همانطور که Flux زمانی Stable Diffusion را از تخت به زیر کشید.
برنده واقعی هر کسی خواهد بود که بیشترین توسعهدهندگان را برای ساختن بر روی آن جذب کند.
اما اگر از ما بپرسید، بله، Z-Image در حال حاضر مدل منبع باز مورد علاقه ما برای استفاده خانگی است.






