阿里开源的Z-Image-Turbo模型，仅需8步即可生成高质量图像，且对显存要求友好。本文详细拆解其在ComfyUI中的三种生图方式，涵盖文生图、图生图及局部重绘的实战参数设置，帮助快速掌握这一高效工具。
智能速览
Z-Image-Turbo仅需8步生成高质量图像，支持16GB显存运行
采用S3-DiT架构，具备中英文文本渲染与细节还原能力
文生图推荐7-8步采样，配合简单调度器效果更佳
图生图利用Denoise参数控制原图保留度与风格转换幅度
模型在局部重绘方面指令遵循能力较弱，更擅长全新创作
精华内容
Z-Image-Turbo凭借高效的架构实现了极速生图，以下将深入探讨其在文生图、图生图结合LoRA以及局部重绘三种场景下的具体应用与参数调优。
核心架构与性能
阿里开源的Z-Image-Turbo拥有60亿参数，基于S3-DiT架构，将文本、视觉语义token与图像VAE token在序列级别拼接，最大化了参数效率。该模型通过解耦式蒸馏与强化学习，将推理步数压缩至仅需8步，远低于传统模型的20+步。在H100环境下可实现亚秒级生成，且仅需16GB显存即可运行，大幅降低了高性能文生图的硬件门槛。
文生图工作流
在ComfyUI中进行文生图配置时，推荐使用AuraFlow采样算法配合Simple调度器。设置空Latent Image创建1024x1024的画布，CFG（提示词引导系数）建议设为1，以平衡图像质量与创意。采样步数控制在7至8步即可获得高质量输出。工作流中通过KSampler连接VAE解码器，将64x64的潜空间数据解码释放为高分辨率图像。
图生图与参数
图生图任务需使用VAE Encode将原图转换为潜空间数据。Denoise（重绘幅度）是关键参数：设置为1.0时接近文生图；0.7-0.9适合风格大幅转换；0.4-0.6用于图像优化与细节调整；0.2-0.3则仅做轻微修复。测试表明，Denoise值越高，生成结果越偏离原图而趋向LoRA模型风格；值越低，则越忠实于原图的构图与元素。
局部重绘局限
进行局部重绘时，利用Set Latent Noise Mask节点选定区域，并配合遮罩模糊生长节点优化边缘。经过实测，Z-Image-Turbo在局部重绘方面的表现较为一般，指令遵循能力相对较弱，难以精准执行修改指令。该模型的核心优势在于极速生图与高质量创作，而非精细的图像编辑，用户需根据需求合理选择应用场景。
Z-Image-Turbo作为一款兼顾速度与质量的开源模型，显著提升了文生图效率，适合需要快速产出高质量图像的场景。尽管其在局部修改能力上存在局限，但通过合理配置Denoise与LoRA，仍能展现出强大的创作潜力。
