XNews

アリババ、Z-Image画像モデルを発表

アリババ、Z-Image画像モデルを発表

アリババは新しい6B画像モデルであるZ-Imageを発表しました。

Key insights

Z-Imageは低い計算量で商業モデルと同等の視覚品質を実現

Z-Imageは、商業モデルに近い視覚品質を実現しながら、計算量は約3分の1であると報告されている6Bパラメータの画像モデルとして紹介されています。評価はAI ArenaのElo人間好みメトリクスを参照しており、Z-Imageは商業モデルと比較して非常に競争力があることを示しています。この主張にはオープンソースモデルの中でのトップ結果が含まれています。リリースノートでは、計算量が減少しても視覚的な均衡が強調されており、高品質な画像生成の効率的な代替手段としてモデルが位置付けられています。

リソース効率と消費者ハードウェアのサポート

Z-Imageは、6Bパラメータサイズ、16GB未満のVRAM使用、および8サンプリングステップで高解像度画像を生成できる具体的な動作要件を備えていると説明されています。投稿によれば、モデルは消費者向けGPUでスムーズに動作し、計算量の削減によりより広範なアクセスが可能になるとされています。これらのリソースに関する主張は、国際的な商業モデルとの性能比較と共に引用されています。

内蔵プロンプトエンハンサーが思考の連鎖スタイルの推論を追加

Z-Imageには、複雑なタスクや曖昧な指示を解釈できる論理的推論チェーン(「論理思考チェーン」と説明されている)を備えたプロンプトエンハンサーコンポーネントが含まれています。与えられた例として、古典的な「鶏とウサギ」の数え方の問題を視覚化することが挙げられています。この機能は、モデルがキーワードに基づいてレンダリングするだけでなく、要求されたシーンについて「推論」できることを可能にするとされています。

Z-Image-Editは複雑なマルチ属性画像編集をサポート

Z-Image製品ファミリーには、表情、環境、照明を変更しながら衣服の色や全体のシーンの一貫性を保つ複雑なテキスト編集コマンドを実行できるZ-Image-Editが含まれています。投稿では、顔の表情、背景(例:雪に変更)、照明を同時に調整し、編集された画像全体で一貫性を保つことが説明されています。

強力な中国語および異文化セマンティックレンダリング

Z-Imageは深いセマンティックおよび文化的理解能力を持つとされており、文化特有のシーン(例えば「蘇軾の夜の青天寺」)を正確に生成し、古詩のイメージを視覚化し、座標から地域特有の風景をレンダリングすることができます。モデルは、中国語のテキストを安定してレンダリングし、混合中国語-英語レイアウトをサポートし、広告やカバーに適したタイポグラフィ出力を生成することが報告されています。

フォトリアリズムのハイライト:肌、深度、色のバランス

Z-Image-Turboは、人、物体、照明において写真レベルのリアリズムに近づいていると説明されており、自然な光の移行、リアルな肌の質感、明確な被写界深度の層、バランスの取れた色のレンダリングを実現しています。投稿では、モデルがリアリズムと美的品質のバランスを取っており、ポートレートや物体のレンダリングの例が引用されています。

Source posts