Z-Image-ComfyUI 概述
Z-Image-ComfyUI 结合了阿里最新开源的 Z-Image 系列模型与 ComfyUI 可视化系统，实现了在本地环境下快速生成高清图像的能力。它不依赖云端 API，无需配置复杂环境或编写代码，支持中文提示词优化及可视化调试。
1. Z-Image-Turbo 性能优势
Z-Image-Turbo 的核心突破在于仅需 8 次函数评估（NFEs）即可完成从纯噪声到高清图像的完整生成。这背后是一套'训练前移、推理极简'的系统设计。
其能力建立在三个基础上：
- 蒸馏训练到位：用大模型作为教师，指导小模型学习输出分布，让 8 步采样逼近 50 步效果；
- CLIP 编码器双语强化：在千万级中英图文对上持续训练，理解带文化语境的词汇；
- U-Net 结构精简重构：去掉冗余注意力头，压缩通道数，单步计算量下降 40% 以上。
在 RTX 4090 上，1024×1024 分辨率图像端到端生成时间稳定在 0.8~1.1 秒之间，显存占用控制在 15.2GB 左右。
| 指标 | Z-Image-Turbo | SDXL（默认配置） |
|---|---|---|
| 单图生成耗时 | 0.9 秒（实测均值） | 6.3 秒（同卡同分辨率） |
| 显存峰值占用 | 15.2 GB | 22.6 GB |
| 中文提示词准确率 | 92.7%（含字体/布局） | 63.4%（需额外插件） |
| 复合指令理解成功率 | 86.1% | 41.8% |
2. ComfyUI 工作流操作
ComfyUI 将生成流程摊开展示，每个环节的数据流动一目了然。
2.1 节点即功能
打开 Z-Image-ComfyUI，默认加载 z-image-turbo-text2img.json 工作流文件。主要节点包括：
CLIP Text Encode (Z-Image)：将中文提示词转成向量；KSampler：执行 8 步去噪；VAE Decode：还原潜空间结果为像素图像。
所有中间变量（如种子、CFG 值、采样器类型）都以独立参数框形式暴露，可随时调整。
2.2 预置模板
镜像已预装三套开箱即用的工作流：
z-image-turbo-text2img.json：专注高质量文生图；z-image-edit-img2img.json：支持蒙版擦除、局部重绘；z-image-base-lora-finetune.json：面向开发者预留 LoRA 接口。
2.3 可视化调试
通过点击节点可查看文本嵌入向量维度、潜变量形状等中间状态，快速定位生成问题。
3. 部署与启动
3.1 硬件准备
- 显卡：NVIDIA GPU，显存≥16GB（RTX 3090 / 4090 / A100 均可）；
- 系统：Ubuntu 22.04 或 CentOS 7.9+（镜像已预装 CUDA 12.1 + PyTorch 2.3）；
- 存储：预留 30GB 空间。
提示：若显存不足 16GB，可启用 模式自动分块加载。
