引言

Z-Image-Turbo是阿里巴巴通义实验室最新发布的高性能文生图模型。它基于先进的Diffusion Transformer架构，拥有60亿参数，核心特性在于仅需极少的推理步数（通常8至10步）即可快速生成细节丰富、质感逼真的高质量图像。Z-Image-Turbo模型非常适配AI PC场景，目前已针对搭载Intel Core Ultra处理器的平台进行优化，能够充分利用其内置的CPU与GPU进行高效推理。该模型在以下方面表现卓越：

• 高效生成：适配显存为16GB的消费级硬件，极大降低了使用门槛。

• 双语渲染：支持在图像中同时渲染英文与中文文本。

• 精准控制：对复杂的生成提示词（prompt）具备优秀的理解与执行能力。

为了满足不同用户群体的需求，本文提供两套部署方案：

• 工作流创作者与发烧友：若您希望不通过编程，即可深度控制图像生成的全流程，并自由搭建与调试复杂的生图管线，推荐采用 ComfyUI 方案。该方案通过节点式图形界面，将生图过程解构为可视化模块，为您提供无代码的极致灵活性与流程透明度。

• 开发人员与工程师：若您需要将模型集成到自有应用、追求极限性能，推荐采用 OpenVINO™ 方案。该方案通过模型转换与硬件级优化，为面向AI PC及边缘设备的高性能部署提供完整的工具链支持。

路径一：使用ComfyUI快速上手（推荐工作流创作者与发烧友）

该方案通过节点式图形界面，让您无需编程即可自由连接与调试生图流程，实现对生成效果的深度控制。

前置条件：请确保您的系统中已安装并配置好 Conda 环境。

第一步：获取与安装ComfyUI

通过以下命令克隆官方ComfyUI仓库并进行基础环境准备：

cd ComfyUIpip install -r requirements.txt

第二步：Intel GPU Conda Python 环境准备

英特尔 Arc GPU 用户可通过 pip 安装支持 torch.xpu 的 PyTorch 原生版本以启用硬件加速，详细信息可参阅相关技术文档。

• 安装 PyTorch for XPU 的命令如下：

pip install torch torchvision torchaudio --index-urlhttps://download.pytorch.org/whl/xpu

• 如需安装包含最新性能改进的PyTorch XPU nightly版本，可使用以下命令：

pip install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/xpu

第三步：启动ComfyUI图形化界面

在完成上述环境准备后，启动ComfyUI本地服务：

第四步：导入模型与工作流

在ComfyUI中使用Z-Image-Turbo模型，需要分别下载模型文件与预定义的工作流配置。

• 下载模型文件

  访问 ComfyUI官方中文文档 - Z-Image-Turbo教程页：https://docs.comfy.org/zh-CN/tutorials/image/z-image/z-image-turbo

• 导入工作流配置

  下载图片后将其拖拽至浏览器中的ComfyUI画布区域，系统将自动解析并加载完整的节点工作流配置。随后，您可在对应节点中输入提示词并开始生成图像。

路径二：使用OpenVINO™进行专业优化与部署（推荐开发人员）

该方案通过模型转换和硬件级优化，为集成部署和性能追求提供专业工具链。

第一步：环境准备

基于以下命令可以完成模型部署任务在Python上的环境安装。

python -m venv py_venv ./py_venv/Scripts/activate.bat pip uninstall -y optimum transformers optimum-intel diffuserspip install git+https://github.com/huggingface/diffuserspip install git+https://github.com/openvino-dev-samples/optimum-intel.git@zimagepip install nncfpip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cpupip install openvino==2025.4

第二步：模型下载和转换

在部署模型之前，我们首先需要将原始的PyTorch模型转换为OpenVINO™的IR静态图格式，并对其进行压缩，以实现更轻量化的部署和最佳的性能表现。通过Optimum提供的命令行工具optimum-cli，我们可以一键完成模型的格式转换和权重量化任务：

optimum-cli export openvino --model Tongyi-MAI/Z-Image-Turbo --task text-to-image Z-Image-Turbo-ov --weight-format int4 --group-size 64 --ratio 1.0

说明：其中Tongyi-MAI/Z-Image-Turbo为模型在HuggingFace上的model id, 可用原始模型的本地路径替换；--weight-format int4 --group-size 64 --ratio 1.0为模型量化参数，如果考虑出图质量，也可以用--weight-format fp16 替换。

第三步：模型部署与推理

除了利用Optimum-cli工具导出OpenVINO™模型外，我们还在Optimum-intel中重构了Z-Image模型的Pipeline，将官方示例示例中的的ZImagePipeline替换为OVZImagePipeline便可快速利用OpenVINO™进行模型部署，完整示例可参考以下代码流程。

import torchfrom optimum.intel import OVZImagePipeline
# 1. Load the pipelinepipe = OVZImagePipeline.from_pretrained(    "Z-Image-Turbo-ov", device="cpu")
prompt = "Young Chinese woman in red Hanfu, intricate embroidery. Impeccable makeup, red floral forehead pattern. Elaborate high bun, golden phoenix headdress, red flowers, beads. Holds round folding fan with lady, trees, bird. Neon lightning-bolt lamp (⚡️), bright yellow glow, above extended left palm. Soft-lit outdoor night background, silhouetted tiered pagoda (西安大雁塔), blurred colorful distant lights."
# 2. Generate Imageimage = pipe(    prompt=prompt,    height=512,    width=512,    num_inference_steps=9,  # This actually results in 8 DiT forwards    guidance_scale=0.0,     # Guidance should be 0 for the Turbo models    generator=torch.Generator("cpu").manual_seed(42),).images[0]
image.save("example_zimage_ov.png")

生图结果如下：

除此以外，我们在 OpenVINO™ 笔记本仓库（基于 https://huggingface.co/spaces/Tongyi-MAI/Z-Image-Turbo/blob/main/app.py 修改）中构建了更为完整的演示示例，展示效果如下：

总结

本文针对通义 Z-Image-Turbo 模型，提供了从个人创作到生产部署的完整路径。

• 对于希望零代码快速体验 AIGC 创作的工作流创作者与发烧友，ComfyUI 方案提供节点式图形界面通过自由连接与调试生图流程，让您无需编程即可自由连接与调试生图流程，是实现创意和深度控制的理想工具。

• 对于需要将模型集成到产品中的开发人员，OpenVINO™ 方案通过硬件级优化，为模型带来了显著的性能提升。作为轻量化高效模型的代表，Z-Image-Turbo 结合 OpenVINO™，能够充分发挥 Intel CPU/GPU 的算力，非常适合高性能、低延迟的生产环境推理部署。

参考资料

• [Z-Image-Turbo模型卡片](https://huggingface.co/Tongyi-MAI/Z-Image-Turbo)

• [OpenVINO™官方文档](https://docs.openvino.ai/)

• [Optimum Intel GitHub](https://github.com/huggingface/optimum-intel)

• [Diffusers库文档](https://huggingface.co/docs/diffusers/)

本文作者：许紫妍 杨亦诚

 OpenVINO 小助手微信 : OpenVINO-China

如需咨询或交流相关信息，欢迎添加OpenVINO小助手微信，加入专属社群，与技术专家实时沟通互动。