Tongyi-MAI/Z-Image

Tongyi-MAI
Texto a imagen

Modelo fundacional de generación de imágenes de la familia Z-Image, basado en un transformador de difusión de flujo único sin destilar. Está orientado a casos donde importan la calidad visual, la diversidad generativa, la amplitud estilística y la adherencia precisa al prompt, además de servir como base para ajuste fino y condicionamiento estructural o semántico.

Como usar

Instalación y uso básico con diffusers:

pip install git+https://github.com/huggingface/diffusers
pip install -U huggingface_hub
HF_XET_HIGH_PERFORMANCE=1 hf download Tongyi-MAI/Z-Image

import torch
from diffusers import ZImagePipeline

# Cargar el pipeline
pipe = ZImagePipeline.from_pretrained(
    "Tongyi-MAI/Z-Image",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=False,
)
pipe.to("cuda")

# Generar imagen
prompt = "两名年轻亚裔女性紧密站在一起，背景为朴素的灰色纹理墙面，可能是室内地毯地面。左侧女性留着长卷发，身穿藏青色毛衣，左袖有奶油色褶皱装饰，内搭白色立领衬衫，下身白色裤子；佩戴小巧金色耳钉，双臂交叉于背后。右侧女性留直肩长发，身穿奶油色卫衣，胸前印有“Tun the tables”字样，下方为“New ideas”，搭配白色裤子；佩戴银色小环耳环，双臂交叉于胸前。两人均面带微笑直视镜头。照片，自然光照明，柔和阴影，以藏青、奶油白为主的中性色调，休闲时尚摄影，中等景深，面部和上半身对焦清晰，姿态放松，表情友好，室内环境，地毯地面，纯色背景。"
negative_prompt = ""

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    height=1280,
    width=720,
    cfg_normalization=False,
    num_inference_steps=50,
    guidance_scale=4,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]

image.save("example.png")

Parámetros recomendados:

  • Resolución: 512×512 a 2048×2048
  • guidance_scale: 3.0 a 5.0
  • num_inference_steps: 28 a 50

Funcionalidades

Base no destilada con soporte completo para Classifier-Free Guidance (CFG), útil para prompts complejos y flujos profesionales.
Amplia versatilidad estética: fotografía hiperrealista, arte digital cinematográfico, anime detallado e ilustración estilizada.
Alta diversidad de salida entre semillas, con variación notable en composición, identidad facial e iluminación.
Adecuado como punto de partida para desarrollo comunitario, entrenamiento LoRA y extensiones como ControlNet.
Buen control mediante prompts negativos para suprimir artefactos y ajustar la composición.
Resoluciones recomendadas entre 512×512 y 2048×2048 con cualquier relación de aspecto dentro del área total de píxeles admitida.

Casos de uso

Generación de imágenes de alta calidad a partir de texto con fuerte fidelidad al prompt.
Exploración creativa con variaciones amplias de composición, iluminación y rasgos faciales entre semillas.
Producción de imágenes en estilos diversos, desde fotografía realista hasta anime e ilustración estilizada.
Base para entrenamiento LoRA y experimentos de ajuste fino.
Integración en flujos de trabajo con condicionamiento estructural o semántico, como ControlNet.