Z-Image 세밀 조정 모델 모음 | 다중 스타일 생성기

Z-Image 세밀 조정 모델: ComfyUI에서 다중 스타일, 고품질 이미지 생성

이 워크플로우는 Z-Image-Turbo와 회전하는 Z-Image 세밀 조정 모델 세트를 단일 생산 준비 ComfyUI 그래프로 조립합니다. 스타일을 나란히 비교하고, 프롬프트 동작을 일관되게 유지하며, 최소한의 단계로 선명하고 일관된 결과를 생성하도록 설계되었습니다. 내부적으로 최적화된 UNet 로딩, CFG 정규화, AuraFlow 호환 샘플링, 선택적 LoRA 주입을 결합하여 캔버스를 재배선하지 않고도 사실주의, 영화적 초상화, 어두운 판타지 및 애니메이션 영감을 받은 모습을 탐색할 수 있습니다.

Z-Image 세밀 조정 모델은 여러 체크포인트와 LoRA를 평가하는 빠른 방법을 원하는 아티스트, 프롬프트 엔지니어, 모델 탐험가에게 이상적입니다. 하나의 프롬프트를 입력하고, 다른 Z-Image 세밀 조정에서 네 가지 변형을 렌더링한 후, 브리프에 가장 잘 맞는 스타일을 빠르게 고정하세요.

Comfyui Z-Image 세밀 조정 모델 워크플로우의 주요 모델

• Tongyi-MAI Z-Image-Turbo. 소수 단계, 사진적 텍스트-이미지 변환을 위해 증류된 6B-매개변수 단일 스트림 확산 변환기. 강력한 지시 준수 및 이중 언어 텍스트 렌더링. 공식 가중치 및 사용 노트는 모델 카드에 있으며, 기술 보고서 및 증류 방법은 arXiv 및 프로젝트 저장소에 자세히 나와 있습니다. Model • Paper • Decoupled-DMD • DMDR • GitHub • Diffusers pipeline
• BEYOND REALITY Z-Image (커뮤니티 세밀 조정). 초상화 및 제품 유사 구성에 적합한 광택 있는 질감, 선명한 가장자리 및 스타일화된 마무리를 강조하는 사진적 경향의 Z-Image 체크포인트. Model
• Z-Image-Turbo-Realism LoRA (이 워크플로우의 LoRA 레인에 사용된 예제 LoRA). 기본 Z-Image-Turbo 프롬프트 정렬을 유지하면서 초현실적 렌더링을 추진하는 경량 어댑터; 기본 모델을 대체하지 않고 로드 가능. Model
• AuraFlow family (샘플링 호환 참조). 워크플로우는 안정적인 소수 단계 생성을 위해 AuraFlow 스타일 샘플링 훅을 사용합니다; AuraFlow 스케줄러 및 설계 목표에 대한 배경은 파이프라인 참조를 참조하세요. Docs

Comfyui Z-Image 세밀 조정 모델 워크플로우 사용 방법

그래프는 공통 텍스트 인코더 및 VAE를 공유하는 네 개의 독립적인 생성 레인으로 구성되어 있습니다. 하나의 프롬프트를 사용하여 모든 레인을 구동한 다음 각 브랜치에서 저장된 결과를 비교하세요.

• 일반 모델
  • 공유 설정은 텍스트 인코더와 VAE를 로드합니다. 긍정적인 CLIPTextEncode (#75)에 설명을 입력하고 부정적인 CLIPTextEncode (#74)에 선택적 제약 조건을 추가하세요. 이렇게 하면 각 브랜치 간의 조건이 동일하게 유지되어 각 세밀 조정이 어떻게 작동하는지 공정하게 판단할 수 있습니다. VAELoader (#21)은 잠재 이미지를 다시 이미지로 변환하는 데 사용되는 디코더를 제공합니다.
• Z-Image (기본 Turbo)
  • 이 레인은 UNETLoader (#100)를 통해 공식 Z-Image-Turbo UNet을 실행하고 ModelSamplingAuraFlow (#76)로 소수 단계 안정성을 위해 패치합니다. CFGNorm (#67)은 샘플러의 대비와 세부 사항이 프롬프트 전반에 걸쳐 예측 가능하게 유지되도록 분류기-프리 가이던스 동작을 표준화합니다. EmptyLatentImage (#19)은 캔버스 크기를 정의한 다음 KSampler (#78)가 잠재 이미지를 생성하고 VAEDecode (#79)가 디코딩하며 SaveImage (#102)가 작성합니다. 다른 Z-Image 세밀 조정 모델을 평가할 때 이 브랜치를 기준으로 사용하세요.
• Z-Image-Turbo + Realism LoRA
  • 이 레인은 기본 UNETLoader (#82) 위에 스타일 어댑터를 LoraLoaderModelOnly (#106)으로 주입합니다. ModelSamplingAuraFlow (#84) 및 CFGNorm (#64)은 출력이 선명하게 유지되도록 하며 LoRA가 주제에 압도되지 않도록 현실감을 밀어줍니다. EmptyLatentImage (#71)로 해상도를 정의하고 KSampler (#85)로 생성하며 VAEDecode (#86)로 디코딩하고 SaveImage (#103)로 저장합니다. LoRA가 너무 강하게 느껴지면 프롬프트를 과도하게 편집하기보다는 여기서 가중치를 줄이세요.
• BEYOND REALITY 세밀 조정
  • 이 경로는 UNETLoader (#88)로 커뮤니티 체크포인트를 교체하여 스타일화된 고대비 느낌을 제공합니다. CFGNorm (#66)은 샘플러나 단계를 변경할 때 시각적 시그니처가 깨끗하게 유지되도록 가이던스를 조정합니다. EmptyLatentImage (#72)에 목표 크기를 설정하고 KSampler (#89)로 렌더링하며 VAEDecode (#90)로 디코딩하고 SaveImage (#104)로 저장합니다. 기본 레인과 동일한 프롬프트를 사용하여 이 세밀 조정이 구성 및 조명을 어떻게 해석하는지 확인하세요.
• Red Tide Dark Beast AIO 세밀 조정
  • 어두운 판타지 지향 체크포인트는 CheckpointLoaderSimple (#92)로 로드된 후 CFGNorm (#65)으로 정규화됩니다. 이 레인은 무디한 색상 팔레트와 무거운 마이크로 대비에 중점을 두면서도 프롬프트 준수를 잘 유지합니다. EmptyLatentImage (#73)에서 프레임을 선택하고 KSampler (#93)로 생성하며 VAEDecode (#94)로 디코딩하고 SaveImage (#105)에서 내보냅니다. 동일한 Z-Image 세밀 조정 모델 설정 내에서 거친 미학을 테스트하는 실용적인 방법입니다.

Comfyui Z-Image 세밀 조정 모델 워크플로우의 주요 노드

• ModelSamplingAuraFlow (#76, #84)
  • 목적: 매우 낮은 단계 수에서 안정적인 AuraFlow 호환 샘플링 경로를 사용하도록 모델을 패치합니다. shift 제어는 샘플링 궤적을 미묘하게 조정합니다; 샘플러 선택 및 단계 예산과 상호 작용하는 미세 조정 다이얼로 취급하세요. 레인 간의 비교 가능성을 위해 동일한 샘플러를 유지하고 테스트당 하나의 변수(shift 또는 LoRA 가중치 등)만 조정하세요. 참조: AuraFlow 파이프라인 배경 및 스케줄링 노트. Docs
• CFGNorm (#64, #65, #66, #67)
  • 목적: 모델, 단계 또는 스케줄러를 변경할 때 대비 및 세부 사항이 크게 변동하지 않도록 분류기-프리 가이던스를 정규화합니다. 하이라이트가 씻겨 나가거나 레인 간에 텍스처가 불일치할 때 strength를 증가시키세요; 이미지가 과도하게 압축된 것처럼 보이기 시작하면 줄이세요. Z-Image 세밀 조정 모델의 깨끗한 A/B 비교를 원할 때 브랜치 간에 유사하게 유지하세요.
• LoraLoaderModelOnly (#106)
  • 목적: 기본 체크포인트를 변경하지 않고 로드된 UNet에 직접 LoRA 어댑터를 주입합니다. strength 매개변수는 스타일적 영향을 제어합니다; 낮은 값은 기본 현실감을 유지하고 높은 값은 LoRA의 외관을 부과합니다. LoRA가 얼굴이나 타이포그래피를 압도하면 먼저 가중치를 줄이고, 그런 다음 프롬프트 구문을 세밀하게 조정하세요.
• KSampler (#78, #85, #89, #93)
  • 목적: 실제 확산 루프를 실행합니다. 소수 단계 증류와 잘 어울리는 샘플러와 스케줄러를 선택하세요; 많은 사용자가 Turbo 클래스 모델에 대해 Euler 스타일 샘플러를 균일하거나 다단계 스케줄러와 함께 선호합니다. 레인을 비교할 때 시드를 고정하고 한 번에 하나의 변수만 변경하여 각 세밀 조정이 어떻게 동작하는지 이해하세요.

선택적 추가 사항

• 하나의 설명 단락 스타일 프롬프트로 시작하고 모든 레인에 걸쳐 재사용하여 Z-Image 세밀 조정 모델 간의 차이를 판단하세요; 선호하는 브랜치를 선택한 후에만 스타일 단어를 반복하세요.
• Turbo 클래스 모델의 경우, 매우 낮거나 심지어 0의 CFG가 가장 깨끗한 결과를 자주 제공합니다; 특정 요소를 제외해야 할 때만 부정적인 프롬프트를 사용하세요.
• A/B 테스트를 수행할 때 동일한 해상도, 샘플러 및 시드를 유지하세요; LoRA 가중치 또는 shift를 소량씩 변경하여 원인과 결과를 분리하세요.
• 각 브랜치는 자체 출력을 기록합니다; 네 개의 SaveImage 노드는 빠르게 비교하고 큐레이팅할 수 있도록 고유하게 레이블이 지정됩니다.

추가 읽기 링크:

• Z-Image-Turbo 모델 카드: Tongyi-MAI/Z-Image-Turbo
• 기술 보고서 및 방법: Z-Image • Decoupled-DMD • DMDR
• 프로젝트 저장소: Tongyi-MAI/Z-Image
• 예제 세밀 조정: Nurburgring/BEYOND_REALITY_Z_IMAGE
• 예제 LoRA: Z-Image-Turbo-Realism-LoRA

감사의 말

이 워크플로우는 다음 작품 및 리소스를 구현하고 빌드합니다. 우리는 그들의 기여와 유지에 대해 HuggingFace 모델에 감사드립니다. 권위 있는 세부 사항은 아래에 연결된 원본 문서 및 저장소를 참조하세요.

리소스

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

참고: 참조된 모델, 데이터셋 및 코드의 사용은 저자 및 유지 관리자가 제공한 해당 라이선스 및 조건을 따릅니다.