原本以为今年下半年AI图像生成领域的热闹程度不过如此，没想到阿里通义千问团队近日甩出一张“王炸”——Z-image，瞬间在开源社区掀起波澜，上线即登顶热门榜首位。
Z-image，中文名为“造相”，是阿里巴巴通义实验室研发的一款开源图像生成基础模型。它定位为“轻量且高性能”的AI图像解决方案，参数量仅有6B（60亿），却对标参数量20B以上的闭源旗舰模型。在AI领域，参数量常被视为模型的“脑容量”，参数量越大，模型往往能掌握更多知识，生成图像的细节也越丰富。例如谷歌训练的Nano-Banana Pro，因极高的参数量，文生图效果极为出色，但对硬件要求极高，普通用户难以驾驭。
相比之下，Z-image的硬件门槛低得惊人。官方文档显示，即便是几年前的RTX 3060显卡，或是显存6GB的消费级主流显卡，配合成熟的量化技术，也能流畅运行。这意味着用户无需为了玩AI画图专门配置高性能主机，手边的游戏本甚至高性能轻薄本都能成为创意工坊。对于没有显卡的核显用户，Hugging Face和阿里的魔搭社区（ModelScope）还提供了现成的在线Demo，虽然可能需要排队等待，但完全免费。
如此低的门槛，让Z-image迅速吸引了大量关注。那么，它的实际表现如何呢？为了验证这一点，记者进行了一系列测试，用相同的提示词（Prompt）对比了Z-image与国内外两款常用图片生成大模型——字节的豆包和Nano-Banana Pro。
在测试人类考古学家在金字塔挖掘现场发现旋转金属球的场景时，Nano-Banana Pro成功还原了纪录片拍摄的界面和质感，而Z-image和豆包的表现相差无几，但Z-image的图片一致性偏高，多次尝试在相同参数下得出的结果极为相似，可能是内置参数的影响。
在人像测试中，提示词要求生成一张平平无奇的iPhone照片，展现松弛氛围感的亚洲美女。三款模型生成的图片均真实感强、光影自然，无明显瑕疵。不过，Z-image和豆包更符合国人审美，而Nano-Banana Pro生成的华人形象带有明显的ABC特征。
在海报设计测试中，三款模型应对一般中文嵌入的能力均有所提升，细节和光影表现也难分伯仲。然而，在多格图片教程生成测试中，差距显现。提示词要求生成手账风格的番茄炒蛋制作步骤教程图，步骤说明需为中文。Nano-Banana Pro能够掌握多格图片生成和数字顺序的含义，基本一次出图；而Z-image虽然粗看有些意思，但数字标注完全错误。
在二次元/漫画图片生成测试中，提示词要求生成日本漫画风格，展现初音未来和洛天依撕开海报并穿越到现实中的场景。Nano-Banana Pro不仅知道两位角色，构图也颇具创意；豆包虽不知洛天依，但构图仍有优势；而Z-image则完全不知所云。
尽管在复杂推理和精准编辑上，Z-image尚不及Nano-Banana Pro等闭源模型，且目前缺失图片编辑相关能力，但在90%的日常使用场景中，它已能做到“够用”甚至“好用”。对于想尝试AIGC的中小企业或个人用户而言，Z-image的意义不言而喻。它不仅降低了硬件门槛，还因其开源特性，为未来各种微调模型的出现提供了可能。就像安卓手机一样，虽然初期可能不如苹果流畅，但一旦生态建立，爆发力将不可小觑。
