Z-Image 精调模型在 ComfyUI 中 | 多风格图像工作流程

Z-Image 精调模型：在 ComfyUI 中进行多风格、高质量图像生成

此工作流程将 Z-Image-Turbo 和一组旋转的 Z-Image 精调模型组合成一个单一的、生产就绪的 ComfyUI 图形。其设计目的是并排比较风格，保持提示行为一致，并在最少步骤内产生清晰、连贯的结果。它结合了优化的 UNet 加载、CFG 归一化、AuraFlow 兼容采样和可选的 LoRA 注入，因此您可以探索现实主义、电影肖像、暗黑幻想和动漫风格外观，而无需重新连接画布。

Z-Image 精调模型非常适合希望快速评估多个检查点和 LoRA 的艺术家、提示工程师和模型探索者，同时保持在一个一致的管道内。输入一个提示，从不同的 Z-Image 精调模型中渲染四种变体，并快速锁定最符合您要求的风格。

Comfyui Z-Image 精调模型工作流程中的关键模型

Tongyi-MAI Z-Image-Turbo。一个 6B 参数的单流扩散变换器，经过蒸馏以实现少步、逼真的文本到图像转换，具有强大的指令遵从性和双语文本渲染。官方权重和使用说明在模型卡上，技术报告和蒸馏方法详见 arXiv 和项目仓库。Model • Paper • Decoupled-DMD • DMDR • GitHub • Diffusers pipeline
BEYOND REALITY Z-Image（社区精调）。一个倾向于真实感的 Z-Image 检查点，强调光泽纹理、清晰边缘和风格化的完成，适合肖像和产品类构图。Model
Z-Image-Turbo-Realism LoRA（此工作流程的 LoRA 通道中的示例 LoRA）。一个轻量级的适配器，推动超现实渲染，同时保持基础 Z-Image-Turbo 提示对齐；无需替换基础模型即可加载。Model
AuraFlow 家族（采样兼容参考）。工作流程使用 AuraFlow 风格的采样钩子进行稳定的少步生成；有关 AuraFlow 调度器及其设计目标的背景，请参见管道参考。Docs

如何使用 Comfyui Z-Image 精调模型工作流程

该图形组织为四个独立的生成通道，共享一个公共文本编码器和 VAE。使用一个提示来驱动所有通道，然后比较从每个分支保存的结果。

通用模型
- 共享设置加载文本编码器和 VAE。在正面 CLIPTextEncode (#75) 中输入您的描述，并在负面 CLIPTextEncode (#74) 中添加可选约束。这确保了各分支间的条件相同，以便您可以公平地判断每个精调模型的表现。VAELoader (#21) 提供了所有通道用于将潜在变量转回图像的解码器。
Z-Image（基础 Turbo）
- 此通道通过 UNETLoader (#100) 运行官方 Z-Image-Turbo UNet，并通过 ModelSamplingAuraFlow (#76) 为少步稳定性打补丁。CFGNorm (#67) 标准化无分类指导行为，以便采样器的对比度和细节在提示间保持可预测性。一个 EmptyLatentImage (#19) 定义了画布大小，然后 KSampler (#78) 生成潜在变量，这些变量由 VAEDecode (#79) 解码并由 SaveImage (#102) 写入。使用此分支作为评估其他 Z-Image 精调模型时的基线。
Z-Image-Turbo + Realism LoRA
- 此通道在基础 UNETLoader (#82) 之上通过 LoraLoaderModelOnly (#106) 注入风格适配器。ModelSamplingAuraFlow (#84) 和 CFGNorm (#64) 保持输出清晰，同时 LoRA 推动现实主义而不压倒主题。使用 EmptyLatentImage (#71) 定义分辨率，用 KSampler (#85) 生成，通过 VAEDecode (#86) 解码，并使用 SaveImage (#103) 保存。如果 LoRA 感觉太强，可以在此处减轻其权重，而不是过度编辑您的提示。
BEYOND REALITY 精调
- 此路径通过 UNETLoader (#88) 引入一个社区检查点，以提供风格化的高对比度外观。CFGNorm (#66) 驯服指导，使视觉签名在更改采样器或步骤时保持清晰。设置目标大小在 EmptyLatentImage (#72)，用 KSampler (#89) 渲染，通过 VAEDecode (#90) 解码，并通过 SaveImage (#104) 保存。使用与基础通道相同的提示，查看此精调如何解释构图和照明。
Red Tide Dark Beast AIO 精调
- 一个以暗黑幻想为导向的检查点通过 CheckpointLoaderSimple (#92) 加载，然后由 CFGNorm (#65) 归一化。此通道倾向于阴郁的色调和更重的微对比，同时保持良好的提示合规性。选择您的框架在 EmptyLatentImage (#73)，用 KSampler (#93) 生成，通过 VAEDecode (#94) 解码，并从 SaveImage (#105) 导出。这是一种在相同 Z-Image 精调模型设置中测试更粗犷美学的实用方法。

Comfyui Z-Image 精调模型工作流程中的关键节点

ModelSamplingAuraFlow (#76, #84)
- 目的：为模型打补丁以使用在非常低步数下稳定的 AuraFlow 兼容采样路径。shift 控件微调采样轨迹；将其视为一个微调拨盘，与您的采样器选择和步数预算互动。为了在各通道之间获得最佳可比性，保持相同的采样器，仅在每次测试中调整一个变量（例如，shift 或 LoRA 权重）。参考：AuraFlow 管道背景和调度说明。Docs
CFGNorm (#64, #65, #66, #67)
- 目的：标准化无分类指导，以便在更改模型、步骤或调度器时对比度和细节不会大幅波动。如果高光洗出或纹理在通道之间感到不一致，则增加其 strength；如果图像开始看起来过于压缩，则减少它。当您想要对 Z-Image 精调模型进行干净的 A/B 测试时，请在各分支之间保持相似。
LoraLoaderModelOnly (#106)
- 目的：直接将 LoRA 适配器注入加载的 UNet 中，而不改变基础检查点。strength 参数控制风格影响；较低的值保留基础现实主义，而较高的值则施加 LoRA 的外观。如果 LoRA 力压面部或排版，首先减少其权重，然后微调提示措辞。
KSampler (#78, #85, #89, #93)
- 目的：运行实际的扩散循环。选择一个与少步蒸馏相配的采样器和调度器；许多用户更喜欢 Euler 风格的采样器与统一或多步调度器用于 Turbo 类模型。在比较通道时保持种子固定，仅一次更改一个变量，以了解每个精调的表现。