Z-Image Turbo на 3060 12 ГБ: 6B параметров и 9 секунд на картинку — в чём подвох?

[alla_mihailova]

Дошли наконец руки до Z-Image Turbo, и я не понимаю, почему про неё так мало пишут у нас. В ComfyUI поддержка нативная, fp8-чекпойнт весит около 7 ГБ — на моей 3060 12 ГБ влезает целиком вместе с текстовым энкодером, без выгрузок и танцев. Режим: 8 шагов, CFG 1, 1024×1024 — стабильно 9-10 секунд на кадр. После Flux.2, который у меня даже в GGUF Q4 нормально не помещается из-за жирнющего текстового энкодера, ощущение, что мне вернули видеокарту. Качество для 6B неприлично хорошее: кожа без пластикового глянца, руки почти всегда целые, промпт держит цепко. Отдельный кайф — русские надписи: короткие, на два-три слова, рендерит без ошибок, длиннее — уже каша, но и это прорыв. Подвох, который заметил сам: на одном промпте картинки с разных сидов подозрительно похожи друг на друга, дистилляция даёт о себе знать. Кто гоняет дольше: что там с лорами и стилями, и лечится ли это однообразие композиций?

[Neskuchay]

Для аниме и стилизаций пока мимо — экосистема лор только зарождается, и Illustrious на базе SDXL с его тысячами готовых лор и десятилетним (по ощущениям) комьюнити никуда не делся. Но движение есть: базовая недистиллированная версия тренится, в ai-toolkit поддержку завезли, лора на персонажа влезает в обучение на 16 ГБ. У знакомого на 4060 Ti училась около трёх часов на сорока картинках, сходство приличное. Думаю, к осени каталог лор будет уже не стыдный.

[matguyvr]

@alla_mihailova, Гонял неделю side-by-side с Flux.2 dev в fp8 на 4080 Super, по своей сетке из полусотни промптов. Расклад такой: Flux.2 уверенно выигрывает на сложных сценах с пятью и более объектами, на точном длинном тексте и в редактировании по референсам — там класс модели другой, всё-таки 32B против 6B. Но это 50 шагов и под минуту на кадр против девяти секунд. Суммарно Z-Image даёт процентов 85-90 качества за десятую часть времени, и для итеративной работы это решает: быстрее нагенерить тридцать вариантов и выбрать, чем ждать пять идеальных. Однообразие сидов — родовая болячка всех дистиллятов с CFG 1. Частично лечится: поднять шаги до 12, сменить сэмплер, добавлять лёгкие вариации в промпт. Полностью — нет, имей в виду. Я в итоге держу обе: Z-Image для поиска композиции, Flux.2 для финального кадра, когда нужен текст или сложная сцена.

[callie]

Для меня главный аргумент даже не скорость, а лицензия: Apache 2.0, можно спокойно в коммерцию без юристов. Я делаю карточки товаров и баннеры для Ozon и WB — фоны, предметка, короткие надписи на русском как раз то, что ей даётся. Flux.2 dev с его некоммерческой лицензией для такой работы юридически мутный, а тут чисто. Пайплайн простой: Z-Image генерит, потом тайловый апскейл через SDXL — заказчики разницы с дорогими пайплайнами не видят, а себестоимость кадра упала в разы.

[Pudakris]

Подвох в том, что через месяц выйдет очередная модель и всё по новой — я за год качаю уже четвёртого «убийцу всего». Но по делу подтвержу: на 8 ГБ тоже живёт, fp8 с выгрузкой энкодера в оперативку, на ноутбучной 4060 выходит около 14 секунд на 1024 — для такого железа это просто фантастика, год назад я бы не поверил.