Z-Image-Turbo texto a imagen: 8 pasos y 16GB de VRAM, el corcel veloz de producción nacional
Z-Image (Zaoxiang) es el modelo de texto a imagen de 6B del laboratorio Tongyi de Alibaba, y el protagonista de esta página, Z-Image-Turbo, es su versión destilada: según el tutorial oficial, su posicionamiento es generar imágenes con muestreo de 8 pasos, apto para dispositivos de consumo con 16GB de VRAM, con una latencia de inferencia inferior a 1 segundo en GPU de nivel empresarial H800. Esta página te guía para ejecutar de principio a fin el flujo de trabajo oficial de Z-Image-Turbo, y luego repasa dos rutas de extensión: la versión cuantizada int8 y Fun Union ControlNet.
Por cierto: a partir de v0.41.0, el flujo de trabajo predeterminado de texto a imagen integrado en ComfyUI se basa en Z-Image-Turbo; ya te cruzaste con él en la primera generación de imágenes.
Qué podrás hacer al terminar
- Cargar el flujo de trabajo de texto a imagen Z-Image-Turbo desde la biblioteca oficial de plantillas, completar los tres archivos de modelo y ejecutar la generación de 8 pasos
- Saber explicar la división de tareas de los tres hermanos de Z-Image (Turbo / Base / Edit) y por qué los usuarios comunes eligen Turbo
- Recordar los parámetros recomendados del flujo de trabajo Z-Image-Turbo: 8 pasos, cfg 1, res_multistep + simple, 1024×1024
- Cambiar a la versión cuantizada oficial int8 cuando el disco esté al límite, ahorrando unos 8GB con los dos archivos de pesos
- Usar Fun Union ControlNet para que las imágenes sigan bocetos de líneas, profundidad y poses, y saber en qué directorio colocar su archivo
Tu situación actual
- Quieres ejecutar modelos nuevos en local, pero ves que la versión completa de FLUX.1 pesa unos 23GB y Qwen-Image 20B, con el disco y la VRAM ambos al límite
- Descargaste la plantilla Z-Image-Turbo, los nodos muestran advertencias en rojo y no sabes dónde descargar los tres archivos de modelo ni dónde colocarlos
- Ajustas parámetros con la vieja experiencia de SD1.5: pasos al máximo, cfg en 8, prompts negativos a tope, y las imágenes resultantes salen peor
Cuándo usar esta técnica
Cuando necesitas:
- Generar rápidamente imágenes de estilo realista en una tarjeta gráfica de consumo con 16GB de VRAM
- Escribir texto en chino e inglés en las imágenes: rótulos, pósters, títulos de portadas
- Iterar generando una y otra vez: la velocidad de muestreo de 8 pasos hace que «probar otra vez» no duela
Y no quieres:
- Descargar pesos gigantes de 20GB ni esperar muestreos de más de 20 pasos
- Confiar solo en la suerte con los prompts, sin ningún control sobre la composición (el ControlNet del paso 6 resuelve justo esto)
🎒 Preparativos antes de empezar
- Haber completadola primera generación de imágenes: saber cargar un flujo de trabajo, escribir prompts y ejecutar con
Ctrl+Enter - Tener claro las reglas de los directorios de modelos: qué va en
diffusion_models,text_encodersyvae(si lo olvidas, repasadónde se colocan los modelos) - Unos 16GB de VRAM (posicionamiento oficial de Turbo); reserva unos 19GB de disco para los tres archivos de modelo
- Conexión a Hugging Face; si es inestable, usa la fuente nacional de ModelScope (el paso 2 incluye la dirección)
- Una taza de agua ☕; la mayor espera de esta lección es la descarga de los modelos
Idea central
Z-Image es un «paquete completo de producción nacional». Es el modelo de texto a imagen de 6B del laboratorio Tongyi de Alibaba, con arquitectura S3-DiT (Scalable Single-Stream DiT, Transformer de difusión de flujo único escalable): los tres tipos de token (texto, semántica visual y VAE de imagen) se concatenan en una sola secuencia de entrada, y según la versión oficial esto «maximiza la eficiencia de parámetros». El codificador de texto también es de la casa: Qwen3 4B (qwen_3_4b.safetensors), por lo que es amigable con los prompts en chino, y entre sus puntos fuertes oficiales se declara explícitamente «renderizado preciso de texto bilingüe chino-inglés».
Los tres hermanos se reparten el trabajo (el protagonista de esta página es Turbo):
| Variante | Posicionamiento | Para quién |
|---|---|---|
| Z-Image-Turbo | Versión destilada: genera imágenes en 8 pasos, se ejecuta con 16 GB de VRAM | Usuarios comunes para generación cotidiana de imágenes |
| Z-Image-Base | Base no destilada: responde a prompts negativos, alta diversidad de generación, orientada al fine-tuning | Desarrolladores que quieren entrenar LoRA / hacer fine-tuning |
| Z-Image-Edit | Variante de retoque: edición por instrucciones | Solo se menciona en la documentación oficial, aún no hay ComfyUI tutoriales ni plantillas oficiales |
¿Por qué bastan 8 pasos? La destilación comprime la capacidad de «eliminación de ruido en múltiples pasos» en «inferencia en pocos pasos»; el precio es que el modelo ya no se guía mediante el contraste entre prompts positivo y negativo; por eso la plantilla oficial fija cfg en 1 y la condición negativa se pone a cero directamente con el nodo ConditioningZeroOut. 8 pasos no son recortar costes, son el diseño de los modelos tipo Turbo.
Esqueleto del flujo de trabajo (en comparación con un solo checkpoint de SD1.5, añade dos loaders y un parche de scheduler):
UNETLoader (modelo de difusión) ──→ ModelSamplingAuraFlow (shift 3) ──→ KSampler ──→ VAEDecode ──→ SaveImage
CLIPLoader (codificador de texto) ──→ CLIPTextEncode (tu prompt) ──→ KSampler (positive)
└──→ ConditioningZeroOut ──→ KSampler (negative, puesto a cero)
VAELoader (VAE)────────────────────────────────────────→ VAEDecode
EmptySD3LatentImage (lienzo vacío de 1024×1024)────────────────→ KSamplerSígueme paso a paso
Paso 1: carga el flujo de trabajo oficial de texto a imagen de Z-Image-Turbo
Por qué: en la biblioteca de plantillas oficiales hay flujos de trabajo listos con parámetros y enlaces de modelos ya configurados, mucho más rápido que conectar desde cero.
Operación: elige cualquiera de las tres formas.
Forma A: carga con un clic desde la biblioteca de plantillas (recomendado)
Abre la biblioteca de plantillas en Templates de la barra lateral, busca Z-Image-Turbo, elige «Z-Image-Turbo: texto a imagen» (nombre de plantilla image_z_image_turbo, más de 1.4 decenas de miles de usos según las estadísticas de la biblioteca de plantillas oficial). Para el uso completo de la biblioteca de plantillas, consulta biblioteca de plantillas.
Forma B: usa directamente el flujo de trabajo predeterminado integrado
A partir de v0.41.0, el flujo de trabajo predeterminado de texto a imagen integrado en ComfyUI se basa en Z-Image-Turbo; la versión actual recién instalada lo carga automáticamente al iniciar, así que puedes practicar directamente con él; la versión integrada y la plantilla oficial comparten los mismos parámetros de muestreo (8 pasos, cfg 1).
Forma C: descarga el JSON y ábrelo manualmente
Archivo de plantilla oficial: image_z_image_turbo.json, tras descargarlo ábrelo con el menú Workflows → Open.
Deberías ver: en el lienzo hay un nodo subgrafo llamado Text to Image (Z-Image-Turbo), con parámetros habituales como prompt, ancho, alto, seed y número de pasos expuestos directamente en la superficie del nodo, y a su lado una nota (MarkdownNote) llena de enlaces de descarga de modelos. El uso de los subgrafos tiene documentación oficial específica: docs.comfy.org/interface/features/subgraph.
- El flujo de trabajo de Z-Image-Turbo cargado en el lienzo (versión de plantilla o versión predeterminada integrada)
Paso 2: descarga los tres modelos del kit y colócalos en los directorios correspondientes
Por qué: Z-Image-Turbo no se distribuye como un único checkpoint; los tres archivos del kit se instalan por separado; si los pones en el subdirectorio equivocado, no aparecerán en las listas desplegables de los loaders.
Operación: los tres archivos indicados por el tutorial oficial están todos en el repositorio de Hugging Face Comfy-Org/z_image_turbo:
| Archivo | Tamaño | En qué subdirectorio colocarlo | Descarga |
|---|---|---|---|
z_image_turbo_bf16.safetensors | 11.46 GB | models/diffusion_models/ | Hugging Face |
qwen_3_4b.safetensors | 7.49 GB | models/text_encoders/ | Hugging Face |
ae.safetensors | 319.8 MB | models/vae/ | Hugging Face |
💡 En China, descarga desde ModelScope
El mismo repositorio tiene un espejo en ModelScope: Comfy-Org/z_image_turbo; basta con descargar los tres archivos en la misma ruta bajo split_files, más amigable para las redes de China.
Una vez colocados, pulsa r en el lienzo para refrescar y selecciona el archivo correspondiente en la lista desplegable de cada uno de los tres loaders. Si no estás seguro de qué archivo va en qué casilla, revisa la tabla de dónde colocar los modelos.
Deberías ver: todas las advertencias rojas de archivos faltantes desaparecen y los tres nodos loader muestran los nombres de archivo correctos.
- Los tres archivos de modelo están en los subdirectorios correctos y los loaders tienen seleccionados los archivos
Paso 3: entiende los nodos y parámetros del flujo de trabajo de Z-Image-Turbo
Por qué: el requisito previo para saber ajustar parámetros es conocer qué hace cada nodo y por qué sus valores predeterminados son esos.
Operación: entra dentro del subgrafo (o compáralo con el flujo de trabajo predeterminado integrado) y revisa esta tabla nodo por nodo:
| Nodo | Qué hace | Parámetros clave de la plantilla |
|---|---|---|
| UNETLoader | Carga el modelo de difusión en sí (6B) | z_image_turbo_bf16.safetensors |
| CLIPLoader | carga el codificador de texto | qwen_3_4b.safetensors, tipo lumina2 |
| VAELoader | carga el VAE | ae.safetensors |
| ModelSamplingAuraFlow | parche de programación de ruido, shift controla la distribución del ruido | shift = 3 |
| CLIPTextEncode | codifica el prompt en una condición | se conecta al positive del KSampler |
| ConditioningZeroOut | pone a cero la condición negativa | con los modelos Turbo cfg=1, no se necesita prompt negativo |
| EmptySD3LatentImage | crea un lienzo vacío | 1024×1024, lote 1 |
| KSampler | muestreo con eliminación de ruido | 8 pasos, cfg 1, res_multistep, simple, denoise 1.0 |
| VAEDecode | decodifica el espacio latente en píxeles | — |
| SaveImage | previsualiza y guarda | prefijo z-image-turbo, el archivo se guarda en ComfyUI/output/ |
El tipo del CLIPLoader se mantiene en el valor por defecto de la plantilla lumina2: así están configurados todos los flujos de trabajo oficiales de la serie Z-Image.
Deberías ver: de izquierda a derecha puedes explicar la función de cada nodo, y los parámetros del KSampler coinciden con la tabla anterior.
- Puedo decir cuál loader carga cada uno de los tres componentes y cuáles son los parámetros clave del KSampler
Paso 4: escribe el prompt y genera tu primera imagen de 8 pasos
Por qué: el punto fuerte de Z-Image-Turbo es «rapidez + bilingüe chino-inglés»; basta con describir directamente la escena en el prompt.
Operación:
- Escribe el prompt en el prompt del subgrafo (o en el text del CLIPTextEncode). Ejemplo incluido en la plantilla oficial:
Latina female with thick wavy hair, harbor boats and pastel houses behind. Breezy seaside light, warm tones, cinematic close-up.- También se puede escribir directamente en chino: la documentación oficial indica que admite prompts en chino e inglés. La versión en chino de la misma escena:
海港边的拉丁裔女性,浓密卷发,身后是渔船和糖果色小房子,海风侧光,暖色调,电影感特写- Destaca por escribir correctamente el texto en chino e inglés dentro de la imagen: cuando necesites que aparezca texto en la escena, basta con describir el contenido del texto en el prompt
- El tamaño por defecto es 1024×1024; para cambiar la proporción, modifica el width / height del subgrafo
- Haz clic en Run o pulsa
Ctrl+Enter
Deberías ver: la barra de progreso avanza solo 8 pasos y la imagen aparece rápidamente; el nodo SaveImage muestra el resultado, con el nombre de archivo precedido por z-image-turbo.
- La primera imagen generada por Z-Image-Turbo aparece en SaveImage
Paso 5: ¿disco al límite? Cambia a la versión cuantizada int8
Por qué: los dos grandes pesos de la versión completa bf16 suman unos 18.9GB; oficialmente también se publicó una versión cuantizada int8, con el modelo de difusión de 11.46GB → 5.78GB y el codificador de texto cambiado a la versión fp8, de 7.49GB → 5.25GB, ahorrando unos 8GB en total.
Operación: busca Z-Image-Turbo Int8 en la biblioteca de plantillas y carga «Z-Image-Turbo Int8: texto a imagen» (image_z_image_turbo_int8). Solo hay que sustituir dos archivos; el VAE no cambia:
| Archivo | Tamaño | En qué subdirectorio colocarlo | Descarga |
|---|---|---|---|
z_image_turbo_int8_convrot.safetensors | 5.78 GB | models/diffusion_models/ | Hugging Face |
qwen_3_4b_fp8_mixed.safetensors | 5.25 GB | models/text_encoders/ | Hugging Face |
ae.safetensors (no se cambia) | 319.8 MB | models/vae/ | se reutiliza el descargado en el paso 2 |
Los parámetros de muestreo son idénticos a los de la versión bf16 (8 pasos, cfg 1, res_multistep / simple); el uso del prompt y del tamaño sigue igual.
⚠️ Si no funciona, actualiza primero ComfyUI
Indicación oficial de la plantilla int8: actualiza primero ComfyUI a la última versión; los modelos compatibles con nightly tardan en llegar a Desktop / Cloud hasta que la versión stable los incorpore.
Deberías ver: con z_image_turbo_int8_convrot.safetensors seleccionado en UNETLoader, la imagen se genera igualmente en 8 pasos.
- La versión int8 funciona y las imágenes salen con normalidad
Paso 6: añade Fun Union ControlNet para controlar la composición
Por qué: el texto a imagen es cuestión de suerte; con ControlNet el modelo genera imágenes siguiendo bocetos de líneas, mapas de profundidad o poses, y la composición la decides tú. El ControlNet oficial de Z-Image es el Fun Union ControlNet de alibaba-pai: un solo archivo admite cinco tipos de control: Canny, HED, Depth, Pose y MLSD.
Operación:
- Busca
Z-Image-Turboen la biblioteca de plantillas y carga «Z-Image-Turbo generación controlada» (image_z_image_turbo_fun_union_controlnet) - Descarga además el peso del ControlNet Z-Image-Turbo-Fun-Controlnet-Union.safetensors (2.89 GB) y colócalo en
models/model_patches/: ten en cuenta que no es el directoriocontrolnet, ya que se trata de un parche de modelo que se carga con ModelPatchLoader - Reemplaza la imagen de LoadImage por la tuya (también puedes descargar la imagen de ejemplo oficial image_z_image_turbo_fun_union_controlnet_input_image.png para probar)
- Haz clic en Run
La plantilla demuestra por defecto el control de boceto con Canny: la imagen de entrada pasa primero por el preprocesado de Canny (umbrales 0.1 / 0.32), y la imagen de boceto junto con el parche de ControlNet se inyectan en el modelo (el nodo de control de la plantilla es QwenImageDiffsynthControlnet, con strength por defecto 1); el muestreo sigue siendo de 8 pasos y cfg 1; el tamaño de salida sigue automáticamente la imagen que subas.
La plantilla oficial solo demuestra Canny; si quieres probar HED, Depth, Pose o MLSD, basta con cambiar el nodo de preprocesado por el preprocesador correspondiente. Para un uso sistemático de ControlNet consulta Introducción a ControlNet.
💡 Si la imagen de entrada es demasiado grande, reduce primero un lado
La nota de la plantilla recuerda: cuando la imagen de entrada supera los 2500px, selecciona el nodo ImageScaleToMaxDimension del lienzo y actívalo con Ctrl-B (está en bypass por defecto); reducirá el lado más largo a 1024 usando lanczos.
Deberías ver: la composición y los contornos de la imagen generada coinciden con el boceto de la imagen de entrada, mientras que el contenido de la escena sigue al prompt.
- Imagen generada con ControlNet: la composición sigue a la imagen de entrada
Puntos de control ✅
- Z-Image-Turbo text-to-image funciona: carga de plantilla → los tres archivos en su sitio → imagen generada en 8 pasos
- Sé que 8 pasos + cfg 1 y poner a cero la condición negativa es el diseño del modelo destilado, no un flujo de trabajo roto
- Cambio exitoso a la versión int8, y sé que lo que ahorra es el tamaño de los pesos y el disco
- El archivo Fun Union ControlNet está en
models/model_patches/y el control de composición funciona - Conozco la división de tareas de los tres hermanos de Z-Image, elegir ya no es un dilema
Avisos de errores comunes
❌ Escribes prompts negativos con entusiasmo, pero la imagen no cambia
Causa: el modelo destilado Turbo usa cfg=1, el muestreo no compara condiciones positiva y negativa, así que el prompt negativo no surte efecto; la plantilla oficial directamente usa ConditioningZeroOut para poner a cero la condición negativa. Lo correcto: concentra todo tu esfuerzo en la descripción de la escena del prompt positivo. Con el flujo de trabajo predeterminado integrado, que tiene un campo de prompt negativo en la interfaz, tampoco cuentes con él.
❌ Copiar parámetros de SD1.5: pasos subidos a 20, cfg subido a 8
Causa: los pasos y el cfg de un modelo destilado siguen su forma de entrenamiento; 8 pasos + cfg 1 es justo la configuración de la plantilla oficial, y ajustarlos al azar provoca fallos. Lo correcto: mantén los parámetros por defecto de la plantilla y cambia primero el prompt y la seed; para el significado de cada parámetro revisa la tabla completa de parámetros del KSampler en Primera generación.
❌ El archivo de ControlNet se coloca en models/controlnet/ y el nodo no lo encuentra
Causa: Fun Union ControlNet es un parche de modelo (model patch) y no sigue la vía de carga tradicional de ControlNet. Lo correcto: colócalo en models/model_patches/ y déjalo cargar con el ModelPatchLoader de la plantilla.
❌ El flujo de trabajo int8 da error o falla al cargar
Causa: los pesos int8 son bastante recientes y las versiones antiguas de ComfyUI no los reconocen. La plantilla oficial indica que hay que actualizar primero para los modelos soportados en nightly, y Desktop / Cloud sigue las publicaciones stable. Lo correcto: actualiza primero ComfyUI y vuelve a probar; si aún falla, investiga según Fallo al cargar modelos.
Técnicas avanzadas (opcional)
🔧 Ampliación con un clic a 2K: la biblioteca de plantillas también incluye «Ampliación de imagen: Z-Image-Turbo 2K» (utility_z_image_turbo_2k_upscaler.app): RealESRGAN_x4plus hace primero una ampliación conservadora, y luego Z-Image-Turbo re-muestrea con denoise bajo para añadir detalles; la plantilla usa por defecto denoise 0.33 (0.15–0.25 se acerca más a la imagen original, 0.25–0.35 aporta más detalles; por encima de 0.35 conviene acompañarlo de una descripción detallada de la escena, o saldrán artefactos fácilmente). El uso completo está en Ampliación en alta definición de imágenes de producto.
🔧 ¿Quieres hacer fine-tuning? Usa Z-Image-Base: la base no destilada responde a prompts negativos y ofrece mayor diversidad de generación; el posicionamiento oficial es para fine-tuning comunitario y desarrollo personalizado. La biblioteca de plantillas tiene las plantillas «Z-Image: text-to-image» y «Z-Image Int8: text-to-image»; el archivo del modelo de difusión es z_image_bf16.safetensors, y el codificador de texto y el VAE son comunes con Turbo (la página oficial de descarga apunta a los mismos archivos).
🔧 Al buscar Z-Image en la biblioteca de plantillas también hay pipelines combinados: por ejemplo, plantillas multimodelo que primero generan con Grok y luego amplían y añaden textura con Z-Image; buscando Z-Image encontrarás bastantes combinaciones listas para usar.
Resumen de la lección
✅ El flujo de trabajo de Z-Image-Turbo funciona: carga de plantilla → los tres archivos en su sitio → imagen generada en 8 pasos; el flujo de trabajo predeterminado integrado de la versión actual de ComfyUI también es este.
✅ Parámetros memorizados: 8 pasos, cfg 1, res_multistep + simple, 1024×1024, shift 3; poner a cero la condición negativa es el diseño del modelo destilado.
✅ Dos rutas de ampliación: la versión cuantizada int8 ahorra unos 8GB de pesos; Fun Union ControlNet (en model_patches/) permite controlar la composición.
✅ La elección está clara: para generación diaria usa Turbo, para fine-tuning usa Base, y para edición de imágenes espera el tutorial oficial de Z-Image-Edit.
Repaso de la configuración clave:
| Configuración | Valor recomendado | Explicación |
|---|---|---|
| Modelo de difusión | z_image_turbo_bf16.safetensors (versión int8 z_image_turbo_int8_convrot.safetensors) | Colocar en models/diffusion_models/ |
| Codificador de texto | qwen_3_4b.safetensors (acompaña a int8 qwen_3_4b_fp8_mixed.safetensors) | Colocar en models/text_encoders/, tipo de CLIPLoader lumina2 |
| VAE | ae.safetensors | Colocar en models/vae/, común a ambas versiones |
| KSampler | 8 pasos, cfg 1, res_multistep, simple, denoise 1.0 | No copies los 20 pasos + cfg 8 de SD1.5 |
| Lienzo | EmptySD3LatentImage 1024×1024 | Para cambiar la proporción, modifica width / height |
| Programación de ruido | ModelSamplingAuraFlow shift 3 | Sigue la plantilla |
| ControlNet | Z-Image-Turbo-Fun-Controlnet-Union.safetensors | se coloca en models/model_patches/, admite Canny / HED / Depth / Pose / MLSD |
Vista previa de la próxima lección
Z-Image-Turbo destaca por su rapidez, pero para escribir largos fragmentos de texto en chino dentro de la imagen, hay que recurrir al Qwen-Image de la próxima lección: el modelo de texto a imagen de 20B del equipo Qwen de Alibaba, cuyo punto fuerte es el renderizado de texto en chino e inglés. Próxima lección: Qwen-Image texto a imagen.
Aprenderás:
- Qwen-Image 20B: versión base y destilada en 15 pasos, y la ruta de aceleración con Lightning LoRA en 8 pasos
- Cómo escribir texto en chino dentro de las imágenes (pósters, consignas)
- Qwen-Image-2512: versión mejorada para fotografía y descarga desde ModelScope
- Cómo repartirse el trabajo con Z-Image-Turbo