AI 摘要

这篇文章介绍了如何使用Z-Image-Turbo模型进行本地图像生成。作者详细记录了下载模型、编译工具和运行流程的过程，并通过几个示例测试了中文理解能力、材质与光影效果等特性。

火爆的Z-Image-Turbo模型

最近几个月，通义实验室开源的Z-Image-Turbo模型 在中文社区引起了不少关注。它宣称“8 步出图”、“中文理解强”、“低显存友好”、“逼真画质”，看得我不禁想要尝试一下。

Z-Image-Turbo 的来历还是很有渊源的，他跟 Qwen-Image 都是阿里通义体系的产品，由不同团队开发。Z-Image 是通义实验室“造相”项目于 2025 年 11 月底推出的 6B 高效基础模型，主打轻量、快速与低资源部署。

Z-Image-Turbo 并非 Qwen-Image 的简化版，而是 Z-Image 家族中首个发布的蒸馏加速版本，仅需 8 步推理即可在消费级设备（包括 MacBook M 系列）上生成高质量图像，因其中文理解优秀、开源免费、支持 GGUF 量化等特性，迅速成为普通用户本地 AI 生图的热门选择。

下面我记录一下本地使用z-image-turbo模型的过程，包括下载模型、编译工具、跑几组测试。这不是性能评测，也不是产品对比，而是一次可复现的个人实验——如果你也有一台 M 系列 Mac，或许能从中获得一些参考。

下载模型

官方模型是发布在HuggingFace和魔搭社区的，但是这次我们要用ComfyUI运行，所以直接下载ComfyUI打包好的3个文件即可：

同时我也下载了一个GGUF量化版本 ，因为在Macbook上使用量化版本可以大大提升效率。

我选择的是jayn7/Z-Image-Turbo-GGUF， 下载了Q3_K_S版本，最轻量，但效果不会差太多。

GGUF 是 Turbo 模型的量化格式转换版，非重训练，仅压缩权重以适配 CPU/Metal 推理。

同时在 ComfyUI 中运行还需要下载文本编码器和 VAE：

qwen_3_4b.safetensors

ae.safetensors

文件下载好后，将所有文件放入到模型文件夹中，目录如下：

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 text_encoders/
│   │      └── qwen_3_4b.safetensors
│   ├── 📂 diffusion_models/
│   │      └── z_image_turbo_bf16.safetensors
│   ├── 📂 vae/
│   │      └── ae.safetensors
│   └── 📂 unet/   
│          └── z_image_turbo-Q3_K_S.gguf

如果你没有安装ComfyUI，需要先安装ComfyUI，具体安装过程可以参考我的另一篇文章《我折腾ComfyUI的全过程》。

工作流程

ComfyUI 已经提供了 z-image-turbo 的流程模板，直接从模板管理中选择即可：

流程图如下：

关键参数说明（无需手动调整，工作流已预设）

Steps（步数）： 9   
CFG： 1.0（Turbo 模型对 CFG 不敏感） 
Sampler： euler 或 res\_multistep
Scheduler： sgm\_uniform 或 simple
分辨率： 建议 512×512、768×768、1024×1024
    

GGUF版工作流程

在使用GGUF模型前，需要安装ComfyUI-GGUF插件。

然后将流程中的UNet加载器 和CLIP加载器 换成GGUF版本的加载器，改完后流程如下：

做个简单的评测

先说一下我的电脑配置：

-   MacBook Pro (2023)
-   芯片：Apple M3
-   内存：18GB 统一内存
-   系统：macOS Sonoma 15.7

为避免主观偏好，我让 AI 设计了几个覆盖不同场景的中文提示词，简单测试一下中文理解能力、材质和光影物理效果、中英文混排能力、设计能力、运行速度等。

所有测试均使用512×512 分辨率、固定seed，并记录生成时间与观察现象。

实际测试

以下为部分生成结果的客观描述（未修图、未筛选，展示典型输出）：

🌟 1. 【中文文化语境——验证“中文理解”，提示词：

冬至夜，一位穿靛蓝棉麻汉服的少女坐在江南老宅窗边，手捧一碗热气腾腾的汤圆，窗外细雨朦胧，屋内暖黄灯笼微光映照她温柔侧脸，青瓷碗沿有水汽凝结，背景可见雕花木窗与腊梅枝影。

✏️点评：

• 能正确还原“汉服形制”“汤圆”“冬至氛围”；
• 光影符合“室内暖光 + 室外冷雨”对比；
• 文化元素（中式场景等）正确；

🌟 2. 【照片级真实感】—— 挑战材质与光影物理。提示词：

超写实摄影风格，一只湿漉漉的金毛犬刚从湖中上岸，站在晨光下的鹅卵石滩上甩水，水珠飞溅在空气中形成动态轨迹，毛发根根分明且半透明反光，背景虚化的芦苇丛泛着金色柔光。

✏️点评：

• 水珠、湿毛、石头纹理的细节层次清晰；
• 真实感、动态感十足；
• 光影真实合理；

🌟 3. 【中英混合排版】—— 测试双语文本渲染能力（Z-Image 强项），提示词：

极简咖啡店新品海报，浅咖啡色渐变背景中央有一杯焦糖玛奇朵，杯身标签清晰印有中英双语文案：“灵感由 Z-Image 生成｜Powered by AI”，中文使用现代黑体，英文为无衬线字体，字号协调，排版居中，文字边缘锐利无模糊，整体风格干净、专业、有设计感。

✏️点评：

• 中文字体完整、笔画清晰；
• 英文“Powered by AI”无拼写错误；
• 产品展示正确合理，整体设计感尚可；

🌟 4. 【8步极速 vs 细节保留】—— 验证少步数下的构图稳定性，提示词：

赛博朋克街景，霓虹招牌林立，一位穿透明雨衣的少女站在积水街道中央，倒影清晰反射出“未来科技”全息广告，雨滴在水面激起涟漪，远处悬浮车流划出光轨。

✏️点评：

• 复杂场景下结构基本保持正确，没有崩坏；
• 倒影、光轨、雨滴等动态元素合理；
• 8 步推理没有导致画面“平滑过头”失去锐度；

整体测试下来，Z-Image-Turbo 模型在中文语义理解、图像真实感与本地部署友好性方面表现突出。画质细节等也接近摄影级水准；

基于我的电脑配置，目前运行原版z-image-turbo还是有点慢的，512*512分辨率下大概需要160～200秒。而GGUF版本模型在相同分辨率下，可以控制在100秒左右。这个速度应该还可以优化，带我后续研究研究。

总结

经过几天测试，我认为Z-Image-Turbo的定位非常清晰，可能适合的用户/场景：

• 希望完全离线生成图像（保护隐私、无网络依赖）
• 需要快速视觉草稿（用于头脑风暴、故事板、UI 构思）
• 制作非商业用途配图（博客、课件、社群分享）
• 普通电脑想尝试运行AI图像大模型的玩家。

这次实验让我意识到：AI 生图的门槛，正在被真正降低。

现在只需一台普通的电脑，就能在本地完成从输入文字到输出图像的全过程。虽然画质不及商用模型，但在速度、隐私和可用性之间，它找到了一个务实的平衡点。

而更重要的是：它让我重新思考——AI 创作的未来，或许不仅在云端，也在每个人的笔记本里。