Z-Image

Le modèle de 6 milliards de paramètres utilise une architecture Scalable Single-Stream DiT (S3-DiT) qui unifie le texte, les tokens sémantiques visuels et les latents d'image en une seule séquence d'entrée pour le backbone Transformer, maximisant l'efficacité des paramètres par rapport aux approches à double flux. Il s'adapte à 16 Go de VRAM sur des appareils grand public et offre une latence inférieure à une seconde sur les GPU H800 d'entreprise.

Z-Image excelle dans le réalisme de niveau photographique avec un contrôle précis sur les détails, l'éclairage et la texture, et dans le rendu précis du texte en chinois et en anglais, y compris les petites tailles de police, avec de solides compétences en composition et en typographie pour la conception d'affiches. Un Améliorateur de Prompt intégré utilise une chaîne de raisonnement structuré pour injecter de la logique et du bon sens, permettant au modèle de gérer des tâches complexes et d'inférer l'intention à partir d'instructions ambiguës. Z-Image-Edit ajoute une édition créative qui comprend des instructions bilingues pour des transformations flexibles sans outils externes.

Selon l'évaluation des préférences humaines basée sur Elo sur Alibaba AI Arena, Z-Image est très compétitif par rapport aux modèles leaders et atteint des résultats à la pointe de la technologie parmi les options open-source. L'accès se fait via les plans échelonnés de Fooocus.one avec des options mensuelles et annuelles et des crédits d'outil inclus.