Z-Image Base模型的开源为AI绘图提供了新选择。通过实测其洗图变体、4K放大及局部重绘功能，可以发现该模型虽多样性丰富，但在速度和视觉质量上，Turbo版本仍是多数场景下的更优解。
智能速览
Z-Image Base模型已开源，支持反向提示词与CFG。
纯洗图场景下，Turbo模型在速度和质量上更胜一筹。
Base模型的核心优势在于生成结果的高多样性。
工作流支持Qwen3-VL反推提示词，实现一键洗图变体。
内置分块放大功能，可将图像提升至近4K分辨率。
局部重绘功能实测可用，可精准修改图像特定区域。
精华内容
针对开源的Z-Image Base模型，其洗图与放大能力究竟如何？通过对比实测，可以得出明确的结论与使用建议。
核心结论
实测表明，在纯粹的洗图应用中，Z-Image Turbo模型是更推荐的选择，因其速度更快、视觉质量更高。Z-Image Base模型的优势主要体现在多样性上，当随机种子时，相同提示词能产生比Turbo差异更大的结果。因此，除非对多样性有极高要求或需要串联多个Lora，否则日常使用首选Turbo。
洗图流程
Z-Image Base的洗图工作流分为两部分。首先是图生图，加载原图后，系统通过Qwen3-VL进行提示词反推，再调整Denoise值控制变体程度，最后送入Base模型生成。作为非加速模型，建议步数设置为25步，CFG设为4，以获得更稳定的效果。
高清放大
模型内置了接近4K的放大功能。此过程会自动利用反推的提示词，将初次生成的图像进行分块处理并逐块放大。用户可以根据需求设置具体的目标尺寸，单位为像素。该流程运行良好，能够有效提升图像分辨率和细节。
局部重绘
局部重绘功能操作直观。在遮罩编辑器中涂抹需要修改的区域，例如为人物添加一顶小丑帽，然后输入相应提示词即可。该流程使用Inpaint节点，步数设为20步，CFG为3，Denoise为0.85，反向提示词依然有效，实现了精准的图像局部修改。
综合来看，Z-Image Base模型的开源为专业用户和微调爱好者提供了新的可能性，但对于大多数日常使用者而言，Turbo版本的综合体验更具吸引力。AI绘图工具的多样性选择，是否会成为未来创作的新趋势？
