アリババ Z-Image モデルのリリースと機能

アリババが Z-Image 画像モデルをリリースしました。
Key insights
Z-Image が 60B パラメータの画像モデルとして発表される
アリババは、報告された 60 億のパラメータを持つ新しい画像生成モデルとして Z-Image を発表しました。リリースによると、このモデルは 16GB 未満の VRAM で動作し、主要な商業モデルと比較して計算リソースの 3 分の 1 で商業モデルに近い視覚品質を達成します。Z-Image-Turbo は、人、物体、照明、深度におけるフォトリアルな結果で強調されており、高解像度画像の迅速な生成(8 サンプリングステップ)をサポートしています。
人間の好み評価とオープンソースの位置付け
Z-Image は AI Arena で Elo 人間の好みメトリックを使用して評価され、主要なモデルと競争力を持っており、オープンソースモデルの中で最先端の結果を達成しました。発表は、国際的な商業モデルに対する競争力のある視覚品質を強調しつつ、より小型で効率的であることを強調し、高い人間の好みスコアを持つオープンな代替手段として Z-Image を位置付けています。
テキストレンダリングと多言語機能の強調
Z-Image は、中国語と英語のテキストレンダリングを強力に示し、安定したフォント形状、正しい混合言語レイアウト、広告や表紙に適した構成を持っています。このモデルは、両言語でテキストを正確にレンダリングし、中国語の文字に一般的な生成アーティファクトを伴わずにタイポグラフィを安定させると報告されています。
推論、プロンプトエンハンサー、セマンティック理解
Z-Image には、モデルが複雑なタスクやあいまいな指示を理解できるようにする「論理チェーン」を持つプロンプトエンハンサーが含まれています。例としては、古典的な頭/足パズルを視覚的に解決し、論理的制約に沿ったシーンを生成することが含まれます。このモデルは、推論、思考、地名、詩、伝統的な中国文化などのセマンティックおよび文化的文脈を理解する能力があると説明されています。
編集および専門モード:Z-Image-Edit と Z-Image-Turbo
Z-Image-Edit は、顔の表情、環境、照明を同時に変更しながら、服の色と全体の一貫性を保持する複雑なテキスト編集コマンドを実行できるとされています。Z-Image-Turbo は、自然な照明の遷移、リアルな肌の質感、深度層、およびバランスの取れた色合いで、写真のようなリアリズムを実現し、リアリズムと美的品質のバランスを取っています。