Z-Image: Эффективная модель генерации изображений

Введение в Z-Image

На сегодняшний день рынок высокопроизводительных моделей генерации изображений в основном занят проприетарными системами, такими как Nano Banana Pro и Seedream 4.0. Ведущие открытые альтернативы, такие как Qwen-Image, Hunyuan-Image-3.0 и FLUX.2, имеют огромные объемы параметров (от 20 до 80 миллиардов), что делает их непрактичными для использования и дообучения на бытовом оборудовании.

Представляем Z-Image

Чтобы заполнить этот пробел, мы предлагаем Z-Image — эффективную генеративную модель с 6 миллиардами параметров, построенную на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT), которая ставит под сомнение парадигму «размер имеет значение». Мы систематически оптимизировали весь жизненный цикл модели — от тщательно подобранной инфраструктуры данных до упрощенной учебной программы. В результате полный процесс обучения занял всего 314 тысяч часов на GPU H800 (примерно 630 тысяч долларов).

Преимущества Z-Image

Наша схема дистилляции с небольшим количеством шагов и посттренировочным вознаграждением также привела к созданию Z-Image-Turbo, обеспечивающей время отклика менее одной секунды на корпоративном GPU H800 и совместимость с оборудованием для потребителей (менее 16 ГБ видеопамяти).

Эффективный процесс обучения

Кроме того, наша парадигма омни-предобучения позволяет эффективно обучать Z-Image-Edit — модель редактирования, которая демонстрирует впечатляющее следование инструкциям.

Материал носит информационный характер и не является профессиональной консультацией. Часть материалов издания готовится с использованием нейросетевых инструментов и проверяется редакцией по первоисточникам — подробнее в пользовательском соглашении. Нашли неточность или считаете, что материал нарушает ваши права — сообщите редакции, обращения рассматриваются в течение суток.