Z-Image（造相）团队正式开源Z-Image标准版。作为Z-Image系列的主要社区基础模型，标准版是非蒸馏的完整模型，在生成质量、风格灵活性和二次开发支持上更具优势，旨在为社区开发者提供一个强大且灵活的图像生成底座，释放更多定制化开发和精细微调的可能性。

Z-Image标准版作为一个非蒸馏的完整模型，优于其蒸馏版本Z-Image-Turbo，支持完整CFG、负向提示词控制，可避免”相同脸”问题，生成多样性更高。模型采用创新的 S3-DiT 架构，训练流程包括预训练、有监督微调（SFT）和强化学习三阶段，当前处于 SFT 阶段。

核心特性

多样的美学与艺术风格

Z-Image在保持高度照片写实性的同时，支持更广泛的艺术风格。与通过强化学习高度优化写实效果的Turbo版本不同，标准版模型保留了更多风格多样性，更适合动漫、数字艺术、插画等创意类型的生成，能够满足不同创作场景对艺术表现力的需求。

面向社区的微调友好型基座

作为一个非蒸馏的基础生成模型，Z-Image特别适合社区开发者进行二次开发和定制化微调（LoRA、ControlNet等）。

• 完整CFG支持：

  与通常绕过分类器自由引导的蒸馏模型不同，标准版模型保留了完整的CFG支持，实现精确的提示词控制

• 训练稳定性强：

  模型的内部多样性和权重分布使其在下游训练时更容易学习新概念，相比低步数变体具有更好的训练稳定性

更高的生成多样性

Z-Image 专注于解决现代生成器常见的同质化问题：

• 避免"相同脸"问题：

  不同的随机种子能够生成明显不同的面孔和构图，每次生成都具有独特性

• 多主体场景优化：

  在包含多人的提示词中，标准版模型能生成具有独特特征的不同个体，避免了高速模型中常见的"克隆效应"

Negative Prompt增强控制

Z-Image 对负面提示词（Negative Prompt）的响应尤为敏感和有效。开发者可以通过精心设计的负面提示词，更精确地控制生成内容，避免不希望出现的元素，实现更加可控的图像生成。

在线体验地址：https://www.modelscope.cn/aigc/imageGeneration
模型下载地址：https://modelscope.cn/models/Tongyi-MAI/Z-Image