Z-Image

El modelo de 6 mil millones de parámetros utiliza una arquitectura Scalable Single-Stream DiT (S3-DiT) que unifica texto, tokens semánticos visuales y latentes de imagen en una única secuencia de entrada para el backbone de Transformer, maximizando la eficiencia de parámetros en comparación con enfoques de doble flujo. Se adapta a 16GB de VRAM en dispositivos de consumo y ofrece latencia de menos de un segundo en GPUs empresariales H800.

Z-Image sobresale en realismo a nivel fotográfico con un control preciso sobre el detalle, la iluminación y la textura, y en el renderizado preciso de texto en chino e inglés, incluyendo tamaños de fuente pequeños, con fuertes habilidades compositivas y tipográficas para el diseño de carteles. Un Mejorador de Prompts integrado utiliza una cadena de razonamiento estructurado para inyectar lógica y sentido común, permitiendo que el modelo maneje tareas complejas e infiera la intención de instrucciones ambiguas. Z-Image-Edit añade edición creativa que comprende instrucciones bilingües para transformaciones flexibles sin herramientas externas.

Según la evaluación de preferencias humanas basada en Elo en Alibaba AI Arena, Z-Image es altamente competitivo frente a modelos líderes y logra resultados de vanguardia entre las opciones de código abierto. El acceso se realiza a través de los planes escalonados de Fooocus.one con opciones mensuales y anuales y créditos de herramienta incluidos.