Collezione di Modelli Z-Image Ottimizzati | Generatore Multi-Stile

Modelli Z-Image Ottimizzati: generazione di immagini multi-stile e di alta qualità in ComfyUI

Questo workflow assembla Z-Image-Turbo e un set rotativo di modelli Z-Image ottimizzati in un singolo grafico ComfyUI pronto per la produzione. È progettato per confrontare gli stili fianco a fianco, mantenere il comportamento del prompt coerente e produrre risultati nitidi e coerenti con pochi passaggi. Sotto il cofano combina il caricamento UNet ottimizzato, la normalizzazione CFG, il campionamento compatibile con AuraFlow e l'iniezione opzionale di LoRA in modo da poter esplorare realismo, ritratti cinematografici, dark fantasy e look ispirati all'anime senza dover ricollegare la tua tela.

I modelli Z-Image Ottimizzati sono ideali per artisti, ingegneri di prompt ed esploratori di modelli che vogliono un modo rapido per valutare più checkpoint e LoRA rimanendo all'interno di una pipeline coerente. Inserisci un prompt, genera quattro variazioni da diversi ottimizzazioni Z-Image e blocca rapidamente lo stile che meglio corrisponde al tuo brief.

Modelli chiave nel workflow Comfyui Z-Image Ottimizzati

• Tongyi-MAI Z-Image-Turbo. Un trasformatore di diffusione a parametro singolo da 6B distillato per testo-immagine fotorealistico con forte aderenza alle istruzioni e rendering di testo bilingue. I pesi ufficiali e le note d'uso sono sulla scheda del modello, con il report tecnico e i metodi di distillazione dettagliati su arXiv e nel repository del progetto. Model • Paper • Decoupled-DMD • DMDR • GitHub • Diffusers pipeline

• BEYOND REALITY Z-Image (community finetune). Un checkpoint Z-Image orientato al fotorealismo che enfatizza texture lucide, bordi nitidi e finiture stilizzate, adatto per ritratti e composizioni simili a prodotti. Model

• Z-Image-Turbo-Realism LoRA (esempio di LoRA usato nel percorso LoRA di questo workflow). Un adattatore leggero che spinge il rendering ultra-realistico preservando l'allineamento del prompt base Z-Image-Turbo; caricabile senza sostituire il tuo modello base. Model

• Famiglia AuraFlow (riferimento compatibile con il campionamento). Il workflow utilizza ganci di campionamento in stile AuraFlow per generazioni stabili a pochi passaggi; vedere il riferimento della pipeline per informazioni di base sui scheduler AuraFlow e i loro obiettivi di progettazione. Docs

Come utilizzare il workflow Comfyui Z-Image Finetuned Models

Il grafico è organizzato in quattro percorsi di generazione indipendenti che condividono un encoder di testo comune e un VAE. Usa un prompt per guidare tutti i percorsi, quindi confronta i risultati salvati da ciascun ramo.

• Modello Generale

  • L'impostazione condivisa carica l'encoder di testo e il VAE. Inserisci la tua descrizione nel CLIPTextEncode positivo (#75) e aggiungi vincoli opzionali al CLIPTextEncode negativo (#74). Questo mantiene il condizionamento identico tra i rami in modo da poter giudicare equamente come si comporta ciascuna ottimizzazione. Il VAELoader (#21) fornisce il decoder utilizzato da tutti i percorsi per trasformare i latenti in immagini.

• Z-Image (Base Turbo)

  • Questo percorso esegue l'UNet ufficiale Z-Image-Turbo tramite UNETLoader (#100) e lo corregge con ModelSamplingAuraFlow (#76) per stabilità a pochi passaggi. CFGNorm (#67) standardizza il comportamento della guida senza classificatore in modo che il contrasto e il dettaglio del campionatore rimangano prevedibili nei prompt. Un EmptyLatentImage (#19) definisce la dimensione della tela, quindi KSampler (#78) genera latenti che vengono decodificati da VAEDecode (#79) e scritti da SaveImage (#102). Usa questo ramo come base quando valuti altri modelli Z-Image Ottimizzati.

• Z-Image-Turbo + Realism LoRA

  • Questo percorso inietta un adattatore di stile con LoraLoaderModelOnly (#106) sopra il UNETLoader base (#82). ModelSamplingAuraFlow (#84) e CFGNorm (#64) mantengono gli output nitidi mentre il LoRA spinge il realismo senza sopraffare il soggetto. Definisci la risoluzione con EmptyLatentImage (#71), genera con KSampler (#85), decodifica tramite VAEDecode (#86) e salva usando SaveImage (#103). Se un LoRA sembra troppo forte, riduci il suo peso qui piuttosto che modificare eccessivamente il tuo prompt.

• BEYOND REALITY ottimizzazione

  • Questo percorso scambia un checkpoint comunitario con UNETLoader (#88) per offrire un look stilizzato e ad alto contrasto. CFGNorm (#66) doma la guida in modo che la firma visiva rimanga pulita quando cambi campionatori o passaggi. Imposta la tua dimensione target in EmptyLatentImage (#72), rendi con KSampler (#89), decodifica VAEDecode (#90) e salva tramite SaveImage (#104). Usa lo stesso prompt del percorso base per vedere come questa ottimizzazione interpreta la composizione e l'illuminazione.

• Red Tide Dark Beast AIO ottimizzazione

  • Un checkpoint orientato al dark-fantasy viene caricato con CheckpointLoaderSimple (#92), quindi normalizzato da CFGNorm (#65). Questo percorso si inclina verso palette di colori cupe e micro-contrasto più pesante mantenendo una buona conformità al prompt. Scegli il tuo frame in EmptyLatentImage (#73), genera con KSampler (#93), decodifica con VAEDecode (#94) ed esporta da SaveImage (#105). È un modo pratico per testare estetiche più grintose all'interno dello stesso setup di modelli Z-Image Ottimizzati.

Nodi chiave nel workflow Comfyui Z-Image Finetuned Models

• ModelSamplingAuraFlow (#76, #84)

  • Scopo: corregge il modello per utilizzare un percorso di campionamento compatibile con AuraFlow che è stabile a conteggi di passaggi molto bassi. Il controllo shift regola sottilmente le traiettorie di campionamento; trattalo come una manopola di finezza che interagisce con la tua scelta di campionatore e il budget di passaggi. Per la migliore comparabilità tra i percorsi, mantieni lo stesso campionatore e modifica solo una variabile (ad es., shift o peso LoRA) per test. Riferimento: background della pipeline AuraFlow e note di pianificazione. Docs

• CFGNorm (#64, #65, #66, #67)

  • Scopo: normalizza la guida senza classificatore in modo che contrasto e dettaglio non oscillino selvaggiamente quando cambi modelli, passaggi o scheduler. Aumenta la sua strength se i punti salienti si lavano via o le texture sembrano incoerenti tra i percorsi; riducila se le immagini iniziano a sembrare eccessivamente compresse. Mantienila simile tra i rami quando vuoi un confronto pulito A/B dei modelli Z-Image Ottimizzati.

• LoraLoaderModelOnly (#106)

  • Scopo: inietta un adattatore LoRA direttamente nell'UNet caricato senza alterare il checkpoint base. Il parametro strength controlla l'impatto stilistico; valori più bassi preservano il realismo di base mentre valori più alti impongono l'aspetto del LoRA. Se un LoRA domina i volti o la tipografia, riduci prima il suo peso, poi affina la formulazione del prompt.

• KSampler (#78, #85, #89, #93)

  • Scopo: esegue il ciclo di diffusione effettivo. Scegli un campionatore e uno scheduler che si abbinano bene con distillazioni a pochi passaggi; molti utenti preferiscono campionatori in stile Euler con scheduler uniformi o multistep per modelli di classe Turbo. Mantieni i semi fissi quando confronti i percorsi e cambia solo una variabile alla volta per capire come si comporta ciascuna ottimizzazione.

Extra opzionali

• Inizia con un prompt descrittivo in stile paragrafo e riutilizzalo in tutti i percorsi per giudicare le differenze tra i modelli Z-Image Ottimizzati; itera le parole di stile solo dopo aver scelto un ramo preferito.
• Per i modelli di classe Turbo, CFG molto basso o anche zero spesso produce i risultati più puliti; usa il prompt negativo solo quando devi escludere elementi specifici.
• Mantieni la stessa risoluzione, campionatore e seme durante i test A/B; cambia il peso LoRA o shift in piccoli incrementi per isolare causa ed effetto.
• Ogni ramo scrive la propria uscita; i quattro nodi SaveImage sono etichettati in modo univoco in modo da poter confrontare e curare rapidamente.

Link per ulteriori letture:

• Scheda del modello Z-Image-Turbo: Tongyi-MAI/Z-Image-Turbo
• Report tecnico e metodi: Z-Image • Decoupled-DMD • DMDR
• Repository del progetto: Tongyi-MAI/Z-Image
• Esempio di ottimizzazione: Nurburgring/BEYOND_REALITY_Z_IMAGE
• Esempio di LoRA: Z-Image-Turbo-Realism-LoRA

Riconoscimenti

Questo workflow implementa e si basa sui seguenti lavori e risorse. Ringraziamo calorosamente i modelli HuggingFace per l'articolo per i loro contributi e la manutenzione. Per dettagli autorevoli, si prega di fare riferimento alla documentazione originale e ai repository collegati di seguito.

Risorse

• Modelli HuggingFace:
  • Beyond Reality
  • Dark Beast
  • Realism

Nota: L'uso dei modelli, dataset e codice di riferimento è soggetto alle rispettive licenze e termini forniti dai loro autori e manutentori.