11 月 28 日消息，今天下午，阿里通义大模型官方公众号发文称，最新发布的生图模型 Z-Image 上线后迅速登顶 Hugging Face 趋势榜双榜第一，模型发布首日下载量达 50 万。
官方今天发布的文章称，Z-Image 以 6B 参数的规模，实现了与参数量大一个数量级模型相媲美的照片级真实感。无论是皮肤质感、发丝细节，还是自然光影与材质纹理，都能精细还原，构图与氛围兼具美学表现。
此外，Z-Image-Turbo 能精准渲染中英文混合文本，即使在小字号、复杂排版或海报设计等高难度场景下，也能保持文字清晰、版式自然，同时不牺牲人脸真实感与整体画面美感，效果媲美当前领先的闭源模型。
附部分效果图如下：
同时，Z-Image 具备对现实世界的广泛认知，能准确生成著名地标（如埃菲尔铁塔、故宫）、知名人物及特定文化元素（如春节窗花、英式电话亭），确保画面在细节、比例与语境上符合真实常识。
通过提示词增强器（Prompt Enhancer），Z-Image 能处理“鸡兔同笼”逻辑题、古诗“小桥流水人家”可视化等复杂任务，让 AI 不只是“画图”，而是“理解后创作”。
Z-Image-Edit 可精准执行复合编辑指令，例如“让人物微笑 + 转头 + 背景换成樱花 + 添加中文标语”，并在大幅修改中保持身份、光照、风格的高度一致性，避免常见编辑模型的错位、失真问题。
通义此次发布了两个专用模型。
Z-Image-Turbo：作为 Z-Image 的蒸馏优化版本，仅需 8 步推理即可生成高质量图像，在照片级真实感和中英双语文本渲染上表现卓越。无论是日常创作、海报设计，还是快速原型生成，它都能在 16GB 显存显卡上流畅运行，做到“所想即所得”。
Z-Image-Edit：基于 Z-Image 持续训练的编辑专用模型，能精准响应复杂复合指令，同时修改表情、姿态、背景、文字等多项元素，并在大幅变动中保持身份一致、光照协调、风格统一，真正实现“逻辑可解释的智能编辑”。
Z-Image 在数据层面，构建了包含数据画像、跨模态向量引擎、世界知识图谱与主动标注系统的高效数据生态，用“对的数据”替代“多的数据”，从源头提升训练效率；架构层面：创新采用单流扩散 Transformer（S³-DiT），将文本、图像潜变量与时间步条件统一为单序列输入，实现跨模态早融合，显著提升参数利用率；训练层面：通过三阶段渐进式策略（低分辨率预训练 → 全任务泛化训练 → RLHF 对齐），系统性注入世界知识并精准对齐人类偏好；推理层面：基于上述基础，推出 Z-Image-Turbo，通过解耦式蒸馏与强化学习正则化，在仅 8 步推理下达成实时高质量生成，实现“高性能与普惠性”的统一。
各平台开源链接如下：
GitHub：https://github.com/Tongyi-MAI/Z-Image
Hugging Face：https://huggingface.co/Tongyi-MAI/Z-Image-Turbo
ModelScope：https://www.modelscope.cn/models/Tongyi-MAI/Z-Image-Turbo
