寻找可本地部署的开源文生图方案？一个结合ComfyUI、z-image与QwenVL的工作流值得关注。它通过将关键词转化为详细提示词，简化了操作，让用户无需精通复杂设置，也能在本地高效生成高质量图片。
智能速览
QwenVL负责将关键词转化为详细提示词。
z-image-turbo-bf16-aio是核心生成模型。
16G以上显存推荐精度更高的bf16版本。
KSampler的步数设置直接影响出图速度与效果。
RTX 3060被认为是可运行的最低显卡配置。
精华内容
这套工作流的核心在于分工明确，它将文生图过程解耦，让每个组件都做最擅长的事，从而实现高质量与易用性的平衡。
核心工作流
该工作流主要由ComfyUI、z-image模型和QwenVL三部分构成。使用者只需提供几个简单的关键词，如“中国美女手机自拍”，后续流程便可自动化处理。
QwenVL作为视觉语言模型，负责将这些关键词扩展成一段非常详尽的场景描述，大大降低了用户编写复杂提示词的门槛。
最后，由z-image模型根据生成的详细提示词进行图像渲染，输出最终成品。整个过程思路清晰，操作便捷。
模型与配置
核心生成模型选用z-image-turbo-bf16-aio.safetensors，该AIO版本内置了CLIP和VAE，简化了工作流搭建，且运行速度可能略有优势。
在模型精度上，bf16版本通常比fp8精度更高，推荐显存在16G以上的用户使用。若显存紧张，则应选择对硬件更友好的fp8版本，虽然效果略有牺牲。
模型需放置在ComfyUI的checkpoint目录下，确保路径正确才能被调用。
提示词生成
为测试效果，可输入一段包含多种元素的提示词：“中国美女手机自拍，自然街拍，白色衬衫，格子短裙，jk风格，日式风摄影，午后阳光，火车站台阳光笑容”。
QwenVL在配置上，选择“ultra Detailed”和“cinematic”模式生成提示词的效果较为理想，其余配置选项则不推荐。
从生成结果看，模型对日式风格和JK元素的理解非常到位，能准确还原出相应的氛围和细节。
性能与硬件
KSampler中的参数设置对出图速度和效果影响显著，尤其是步数。实测发现，当steps设定为6时，生成一张图片耗时约100秒。
当steps提升至8，其他参数不变时，生成耗时增加到219秒，速度翻倍，但效果提升并非线性，需要用户自行权衡。
硬件方面，RTX 3060被视为能够流畅运行的最低显卡配置。对于显卡性能不足的用户，使用fp8版本模型是更现实的选择。
此工作流为本地AI绘画提供了低门槛高效率的实践路径。随着开源模型的持续发展，个人用户在本地实现强大创作能力的可能性正不断被拓宽。你对这种本地化方案有什么看法？
