Z-Image: Ein effizientes Bildgenerierungs-Foundation-Modell mit Single-Stream-Diffusion-Transformer

papers.abstract

Das Feld der leistungsstarken Bildgenerierungsmodelle wird derzeit von proprietären Systemen wie Nano Banana Pro und Seedream 4.0 dominiert. Führende Open-Source-Alternativen, darunter Qwen-Image, Hunyuan-Image-3.0 und FLUX.2, zeichnen sich durch massive Parameterzahlen (20B bis 80B) aus, was sie für Inferenz und Feinabstimmung auf Consumer-Hardware unpraktikabel macht. Um diese Lücke zu schließen, stellen wir Z-Image vor, ein effizientes generatives Basismodell mit 6B Parametern, das auf einer skalierbaren Single-Stream-Diffusion-Transformer-Architektur (S3-DiT) basiert und das Paradigma "Skalierung um jeden Preis" herausfordert. Durch systematische Optimierung des gesamten Modell-Lebenszyklus – von einer kuratierten Dateninfrastruktur bis hin zu einem optimierten Trainingscurriculum – schließen wir den vollständigen Trainingsworkflow in nur 314K H800-GPU-Stunden (ca. 630K US-Dollar) ab. Unser Few-Step-Distillationsschema mit Reward-Nachtraining ergibt weiterhin Z-Image-Turbo, das sowohl eine Inferenzlatenz im Subsekundenbereich auf einer Enterprise-H800-GPU als auch Kompatibilität mit Consumer-Hardware (<16GB VRAM) bietet. Zudem ermöglicht unser Omni-Pre-Training-Paradigma auch das effiziente Training von Z-Image-Edit, einem Bearbeitungsmodell mit beeindruckenden Instruction-Following-Fähigkeiten. Qualitative und quantitative Experimente zeigen, dass unser Modell in verschiedenen Dimensionen eine mit führenden Wettbewerbern vergleichbare oder diese übertreffende Leistung erzielt. Besonders bemerkenswert ist, dass Z-Image außergewöhnliche Fähigkeiten in der fotorealistischen Bildgenerierung und beim bilingualen Text-Rendering zeigt und Ergebnisse liefert, die mit Top-Commercial-Modellen konkurrieren, was demonstriert, dass State-of-the-Art-Resultate mit deutlich reduziertem Rechenaufwand erreichbar sind. Wir veröffentlichen unseren Code, unsere Gewichte und eine Online-Demo, um die Entwicklung zugänglicher, kostengünstiger und dennoch state-of-the-art generativer Modelle zu fördern.

English

The landscape of high-performance image generation models is currently dominated by proprietary systems, such as Nano Banana Pro and Seedream 4.0. Leading open-source alternatives, including Qwen-Image, Hunyuan-Image-3.0 and FLUX.2, are characterized by massive parameter counts (20B to 80B), making them impractical for inference, and fine-tuning on consumer-grade hardware. To address this gap, we propose Z-Image, an efficient 6B-parameter foundation generative model built upon a Scalable Single-Stream Diffusion Transformer (S3-DiT) architecture that challenges the "scale-at-all-costs" paradigm. By systematically optimizing the entire model lifecycle -- from a curated data infrastructure to a streamlined training curriculum -- we complete the full training workflow in just 314K H800 GPU hours (approx. $630K). Our few-step distillation scheme with reward post-training further yields Z-Image-Turbo, offering both sub-second inference latency on an enterprise-grade H800 GPU and compatibility with consumer-grade hardware (<16GB VRAM). Additionally, our omni-pre-training paradigm also enables efficient training of Z-Image-Edit, an editing model with impressive instruction-following capabilities. Both qualitative and quantitative experiments demonstrate that our model achieves performance comparable to or surpassing that of leading competitors across various dimensions. Most notably, Z-Image exhibits exceptional capabilities in photorealistic image generation and bilingual text rendering, delivering results that rival top-tier commercial models, thereby demonstrating that state-of-the-art results are achievable with significantly reduced computational overhead. We publicly release our code, weights, and online demo to foster the development of accessible, budget-friendly, yet state-of-the-art generative models.

Z-Image: Ein effizientes Bildgenerierungs-Foundation-Modell mit Single-Stream-Diffusion-Transformer

Z-Image: An Efficient Image Generation Foundation Model with Single-Stream Diffusion Transformer

papers.abstract

Support