Qualidade do Z-Image Turbo: Amostragem DyPE e Otimização de Resolução

TL;DR

• O Z-Image Turbo é um modelo destilado com 6B de parâmetros, 8 NFEs que alcança qualidade visual "Muito Alta" mas diversidade "Baixa" na resolução nativa 1024×1024; sobre como a alinhamento espectral funciona, veja a seção Mecanismo de Funcionamento da DyPE.
• A escala CFG deve ser 0 para o Z-Image Turbo, não "moderada" — valores mais altos causam artefatos de sobre-douceamento, pois o Decoupled-DMD já embutiu o guidance no modelo estudante; sobre correções, veja a seção Erros Comuns e Correções.
• A DyPE possibilita geração nativa em alta resolução por meio do alinhamento espectral com progressão, com expoentes ajustados por faixa de resolução; para parâmetros recomendados, veja a seção Otimização de Configuração.
• O modelo destilado troca diversidade de amostra por velocidade; o Z-Image base em 50 passos oferece diversidade "Média" e qualidade "Alta", enquanto o Omni-Base oferece diversidade "Alta"; veja a seção Trade-offs do Modelo Destilado para detalhes.
• Respostas rápidas para perguntas comuns: veja a seção FAQ.

Introdução

O Z-Image Turbo alcança qualidade de saída notável em apenas <a href="https://github.com/Tongyi-MAI/Z-Image">8 NFEs</a>, sendo um dos diffusers transformers mais rápidos disponíveis. No entanto, sua arquitetura destilada introduz restrições que são frequentemente mal compreendidas por praticantes. O modelo não pode simplesmente aumentar a escala CFG para melhorar a coerência — fazer isso aplica o guidance duas vezes e degrada os resultados. Compreender essas trocas é essencial para quem gera imagens de qualidade de produção em escala.

Este guia cobre por que o CFG se comporta diferente em modelos Turbo, como a DyPE (Dynamic Position Extrapolation) estende o modelo além da resolução nativa por meio de codificação posicional consciente da frequência e onde exatamente o processo de distilação estreita a distribuição de saída do modelo em comparação ao modelo base.

A Correção CFG

O erro mais perigoso circulando sobre o Z-Image Turbo é que uma escala CFG moderada produz os resultados naturais melhores. Isso está errado para o modelo destilado Turbo, embora se aplique ao Z-Image base em 50 passos.

A distilação Decoupled-DMD do Z-Image Turbo funde o CFG Augmentation (CA) no estudante durante o treinamento. O modelo aprende a produzir guidance parecido com CFG internamente, sem precisar de guidance classificador livre (classifier-free guidance) explícita durante a inferência. Definir guidance_scale para qualquer valor positivo no Turbo aplica esse mecanismo duas vezes, levando a sobre-doframento e ampliação de artefatos. O card do modelo oficial declara guidance_scale=0.0 com o aviso explícito "Guidance should be 0 for the Turbo models."

O modelo Z-Image base (não-Turbo), por outro lado, usa CFG em 50 passos e se beneficia da guidance explícita durante a inferência.

Como a DyPE Funciona: Alinhamento Espectral com Progressão

A DyPE é um método sem treinamento que possibilita a geração de transformers de difusão em resoluções bem além dos dados de treinamento, sem custo adicional de amostragem. A técnica explora uma ordenação espectral inerente no processo de difusão. Fonte: DyPE README

O Mecanismo Central

A denosing por difusão segue uma hierarquia de frequência: a de baixa frequência (estrutura em larga escala) converge cedo na trajetória de amostragem, enquanto a de alta frequência (detalhe fino) evolve ao longo de todo o processo. A DyPE torna a codificação posicional consciente do tempo por meio de uma função agendadora κ(t) = λs · t^λt que modula a força de extrapolação em cada passo.

No início da amostragem (t≈1), essa fórmula produz uma escala quase máxima κ(1)=λs, estabilizando a estrutura global por uma extrapolação posicional agressiva. Ao longo da amostragem, em direção ao fim (t≈0), o agendador decai para κ(0)=1, removendo a extrapolação para que o modelo acesse o detalhe perceptual de alta frequência exatamente quando necessário.

Ajuste de Expoente Dependendo da Resolução

O expoente λt controla o quão agressivamente a extrapolação decai:

O método DyPE vision_yarn é recomendado especificamente para Z-Image e imagens não quadradas em 4K+, pois decopla estrutura da textura: as baixas frequências são escalonadas para encaixar a proporção da tela enquanto as altas frequências são escalonadas uniformemente, impedindo o alongamento e os artefatos estruturais que os métodos estáticos de extrapolação produzem.

Onde o Modelo Destilado Entrega Detalhe

A classificação "Baixa" de diversidade do Z-Image Turbo é o indicador mais concreto do que a distilação sacrifica.

O Espectro de Diversidade

Essas classificações vêm do zoológico oficial de modelos Z-Image. Fonte: Model Zoo

O que muda durante a distilação

A restrição de 8 passos força o modelo a tomar passos de denoising maiores do que a trajetória de 50 passos do modelo base. Isso não consegue capturar toda a distribuição multimodal que o cronograma de amostragem mais longo consegue acessar.

Trade-offs específicos:

• Diversidade de amostra: O DMDR baseado em RL (Distribution Matching Dice com Reinforcement Learning) afiado as saídas em direção a estéticas preferidas, mas estreita o espaço de saídas válidas válidas para um prompt qualquer
• Consistência de rollout: O colapso DMD em direção a modos de alta probabilidade significa que o modelo produz saídas mais semelhantes em amostragem repetida do mesmo prompt
• Conceitos raros ou não comuns: Prompts pedindo combinações de estilos não usuais ou elementos composicionais raros recebem menos variação entre amostras

O que o modelo ganha: velocidade (<a href="https://github.com/Tongyi-MAI/Z-Image">8 NFEs</a> vs. 50 passos), fidelidade visual no pico modal e geração nativa de alta resolução por meio da DyPE.

Configuração Ótima para Z-Image Turbo + DyPE

Os parâmetros recomendados do fluxo de trabalho ComfyUI, verificados contra o JSON de fluxo publicado:

Componentes do modelo:

• Encoder de texto: qwen_3_4b.safetensors (tipo: lumina2)
• VAE: ae.safetensors
• Modelo de difusão: z_image_turbo_bf16.safetensors

Análise do Orçamento de Passos

O orçamento de 9 passos para o Z-Image Turbo é fixo pela arquitetura — o modelo foi distilado especificamente para essa contagem de passos. Adicionar mais passos não melhora a qualidade, pois o modelo estudante não foi treinado para fazer denoising em timestep intermediários. Da mesma forma, o Z-Image base em 50 passos e o modelo base com DyPE em 28 passos representam seus respectivos orçamentos de treinamento.

VRAM e Rendimento

O Z-Image Turbo cabe em dispositivos consumidores com 16 GB de VRAM na resolução nativa <a href="https://github.com/Tongyi-MAI/Z-Image">1024×1024</a>. O nó DyPE adiciona sobrecarga negligible, pois injeta as embeddings posicionais on-the-fly durante a passagem para frente.

Erros Comuns e Correções

Ruído Especular Branco

Sintoma: Granulação de alta frequência em áreas focadas de imagens, como cabelo ou olhos, em resoluções extremas.

Causa: Escalar o mecanismo de atenção do modelo além dos limites de resolução de treinamento produz amplificação de padrões de ruído de alta frequência.

Correção: Aplique o DeJPEG-LoRA com força 1.0, que suaviza artefatos de alta frequência enquanto melhora a precisão de proporção. Fonte: DeJPEG-LoRA

Distorção de Proporção em Resoluções Extremas

Sintoma: Alongamento ou distorção geométrica de sujeitos em resoluções 4K+.

Causa: O dype_exponent mais alto (2.0) mantém uma escalação posicional forte durante toda a trajetória de amostragem, o que pode sobre-estabilizar relações espaciais quando a proporção diverge dos dados de treinamento.

Correção: Reduza o dype_exponent (ex.: 2.0 → 1.0), pelo custo de alguma redução de ruído. Fonte: ComfyUI-DyPE

Artefatos do Método Legado

Sintoma: Alongamento e artefatos estruturais ao usar yarn ou ntk em 4K+.

Causa: A extrapolação posicional estática não se adapta à progressão espectral do processo de difusão, causando desalinhamento entre a estabilização da estrutura de baixa frequência e a recuperação de detalhe de alta frequência.

Correção: Mude para vision_yarn, que equilibra dinamicamente o tratamento de proporção e o escalonamento de frequência internamente. Fonte: ComfyUI-DyPE

FAQ

Quantos passos o Z-Image Turbo precisa?

9 passos no total (8 operações DiT). Isso é a restrição arquitetural da distilação de 8 NFEs. Mais passos não melhoram a qualidade.

Qual escala CFG está correta para o Z-Image Turbo?

0.0 (desabilitada). O modelo destilado incorpora internamente o guidance por meio do Decoupled-DMD CFG Augmentation. Qualquer valor positivo CFG aplica esse mecanismo duas vezes e degrada a qualidade da saída.

A DyPE funciona com o Z-Image Turbo?

Sim, o plugin ComfyUI-DyPE suporta explicitamente modelos Z-Image (Lumina 2) com o seletor model_type=zimage. O fluxo de trabalho de referência publicado usa vision_yarn com dype_exponent=2.0 em 2048×1152. Fonte: ComfyUI-DyPE

Onde o Z-Image Turbo perde detalhe em comparação ao modelo base?

Principalmente em diversidade de amostra. A distilação de 8 passos não consegue capturar toda a distribuição multimodal disponível pela trajetória de 50 passos do modelo base. O DMDR baseado em RL estreita ainda mais as saídas em direção a um modo estético preferido.

Posso usar o Z-Image Turbo em resoluções acima de 2048×1152?

Sim, a DyPE possibilita geração nativa em 4K e além. O modelo não foi testado além de 2160×2160 em fluxos de trabalho publicados, embora a DyPE tenha sido demonstrada em 4096×4096 em arquiteturas relacionadas. Fonte: DyPE Paper

Resumo

O Z-Image Turbo entrega qualidade visual excepcional em <a href="https://github.com/Tongyi-MAI/Z-Image">8 NFEs</a>, mas exige CFG=0 e configuração cuidadosa da DyPE para evitar artefatos. O principal trade-off do modelo destilado é diversidade por qualidade: onde o Z-Image base captura interpretações variadas de um prompt, o Turbo produz consistentemente a saída mais provável, com fidelidade estrutural nítida. Em resoluções acima da nativa <a href="https://github.com/Tongyi-MAI/Z-Image">1024×1024</a>, a alinhamento espectral com progressão da DyPE estende as capacidades do modelo com zero custo adicional de amostragem, embora resoluções extremas amplifiquem ruído granular que a mitigação DeJPEG-LoRA aborda. Para perguntas de implementação comuns, veja a seção FAQ.