Z-Image

O modelo de 6 bilhões de parâmetros utiliza uma arquitetura Scalable Single-Stream DiT (S3-DiT) que unifica texto, tokens semânticos visuais e latentes de imagem em uma única sequência de entrada para a estrutura Transformer, maximizando a eficiência dos parâmetros em comparação com abordagens de fluxo duplo. Ele se adapta a 16GB de VRAM em dispositivos de consumo e oferece latência de sub-segundo em GPUs H800 empresariais.

Z-Image se destaca em realismo de nível fotográfico com controle preciso sobre detalhes, iluminação e textura, além de renderizar texto em chinês e inglês com precisão, incluindo tamanhos de fonte pequenos, com fortes habilidades de composição e tipografia para design de pôsteres. Um Prompt Enhancer embutido utiliza uma cadeia de raciocínio estruturada para injetar lógica e senso comum, permitindo que o modelo lide com tarefas complexas e infira a intenção a partir de instruções ambíguas. O Z-Image-Edit adiciona edição criativa que compreende instruções bilíngues para transformações flexíveis sem ferramentas externas.

De acordo com a avaliação de preferência humana baseada em Elo na Alibaba AI Arena, o Z-Image é altamente competitivo em relação aos modelos líderes e alcança resultados de ponta entre as opções de código aberto. O acesso é feito através dos planos escalonados do Fooocus.one, com opções mensais e anuais e créditos de ferramenta incluídos.