Z-Image · реализм и текст на картинке с короткого промпта

Z-Image · семейство открытых моделей генерации изображений от команды Tongyi MAI из Alibaba. Разработчик описывает его как эффективную модель на 6 миллиардов параметров с архитектурой одного потока, где текст и изображение обрабатываются одной последовательностью. На практике это значит быстрый отклик, сильный фотореализм и аккуратные надписи на английском и китайском.

В этом гайде разберём, какие варианты есть в семействе, какие настройки рекомендует разработчик, как построить промпт и где модель ошибается чаще всего.

Что умеет модель

Официальная карточка выделяет четыре сильные стороны. Обложка статьи · подборка фотореалистичных генераций Turbo из той же карточки.

• Фотореализм. Портреты, уличные сцены и предметы с естественной кожей, тканями и светом.
• Надписи на двух языках. Модель уверенно пишет короткие и длинные тексты на английском и китайском, включая вывески, постеры и упаковку.
• Понимание сложных описаний. Промпт может быть длинным и подробным, модель держит много деталей одновременно.
• Разнообразие стилей у базовой версии. От плёночной фотографии до аниме и цифровой иллюстрации.

Варианты и параметры

В семействе несколько вариантов с разным назначением. Числа ниже взяты из официальных карточек и относятся к запуску модели у себя. В Студии шаги и guidance выставляет маршрут модели, а вы выбираете промпт и формат кадра.

Что важно из карточки базовой модели:

• Разрешение от 512×512 до 2048×2048 по общей площади, соотношение сторон любое.
• Негативный промпт разработчик называет полезным для подавления артефактов и правки композиции.
• Turbo · дистиллированная модель, поэтому повышать шаги и guidance по привычке от других моделей не нужно.

Turbo догоняет ведущие модели или обходит их всего за 8 шагов · карточка Z-Image-Turbo

Как устроен хороший промпт

Z-Image хорошо понимает связный описательный текст. Удобная схема из пяти частей:

1. Объект. Кто или что в кадре, возраст, одежда, материал, характерные детали.
2. Действие и поза. Что делает человек, куда смотрит, что держит.
3. Окружение. Место, время суток, фон, погода.
4. Свет и камера. Источник и направление света, план, ракурс, глубина резкости.
5. Стиль и цвет. Фото, плёнка, иллюстрация, основная палитра.

Надпись берите в кавычки и указывайте, где она находится и каким шрифтом написана. Модель надёжнее всего пишет латиницу и китайские иероглифы, это подтверждают примеры разработчика. Кириллицу проверяйте на нескольких вариантах и держите надпись короткой.

Документация показывает примеры промптов на английском и китайском. Если русский промпт понят неточно, сократите его до главного или продублируйте ключевые слова на английском.

Примеры промптов

Частые ошибки

• Ждать от Turbo реакции на негативный промпт. В Turbo он не поддерживается, убирайте лишнее прямо в основном промпте: опишите чистый фон, нужное число людей и предметов.
• Длинная надпись кириллицей. Чем длиннее русская фраза, тем выше риск ошибок в буквах. Делайте надпись короче или используйте латиницу, если это допустимо.
• Список ключевых слов через запятую без связей. Модель лучше понимает связное описание, где ясно, что к чему относится.
• Противоречивый свет. Одновременно «жёсткое полуденное солнце» и «мягкий рассеянный свет» дают непредсказуемый результат. Выберите один источник и направление.
• Слишком много персонажей с деталями. Каждому человеку в кадре нужна своя короткая характеристика, иначе одежда и признаки смешиваются.

Как попробовать в Студии

Откройте Z-Image в разделе Фото, вставьте один из промптов выше и выберите формат кадра. Цена в кредитах видна на кнопке запуска до нажатия. Если модель обрабатывает запросы за рубежом, для запуска нужно согласие на трансграничную передачу, его отмечают флажком при входе. Подробнее в статье о согласии.

Если нужна правка готового фото или много референсов, посмотрите Seedream и FLUX.