Z-Image Turbo ist ein Text-zu-Bild-Modell von Tongyi-MAI, dem Forschungslabor von Alibaba. Es erschien im November 2025 und wurde schnell zu einem der meistgenutzten offenen Bildmodelle: Es liefert fotorealistische Ergebnisse in nur acht Schritten und läuft auf gewöhnlicher Hardware. Diese Seite sammelt die wichtigsten Fakten, Erfahrungen aus dem lokalen Betrieb und eine kritische Einordnung.
Eckdaten
| Entwickler | Tongyi-MAI (Alibaba) |
| Veröffentlichung | 27. November 2025 |
| Größe | 6 Milliarden Parameter |
| Architektur | S3-DiT (Scalable Single-Stream Diffusion Transformer) |
| Text-Encoder | Qwen3-4B |
| VAE | FLUX.1-VAE (16 Kanäle) |
| Schritte | 8, ohne CFG |
| Lizenz | Apache 2.0 |
| Varianten | Turbo, Base, Edit |
Was das Modell besonders macht
- Tempo: Die Turbo-Variante ist destilliert und braucht nur acht Schritte. Auf Rechenzentrums-GPUs entsteht ein Bild in unter einer Sekunde.
- Fotorealismus: Hauttexturen, Licht und Materialien wirken deutlich weniger glatt als bei vielen anderen Modellen.
- Text im Bild: Schriftzüge auf Englisch und Chinesisch werden zuverlässig und lesbar gesetzt – Schilder, Plakate, sogar Tattoos.
- Geringe Anforderungen: Offiziell reichen 16 GB Grafikspeicher; quantisierte GGUF-Versionen kommen mit deutlich weniger aus.
Der Preis für die Geschwindigkeit: Die Ergebnisse variieren zwischen verschiedenen Seeds nur wenig. Wer Abwechslung will, verändert besser den Prompt als nur den Zufallswert.
Lokal betreiben mit stable-diffusion.cpp
Statt ComfyUI lässt sich Z-Image Turbo auch mit stable-diffusion.cpp betreiben, einer schlanken C++-Implementierung. Über das Vulkan-Backend läuft sie auch auf AMD-Grafikkarten ohne ROCm. Benötigt werden drei Dateien:
- Diffusionsmodell: z. B.
z_image_turbo-Q5_K_M.gguf(Q4_0 ca. 3,7 GB, Q8_0 ca. 6,6 GB) - Text-Encoder:
Qwen3-4B-Instruct-2507im GGUF-Format - VAE:
ae.safetensorsvon FLUX.1
Empfohlene Einstellungen: 8 Schritte, CFG 1.0, Sampler Euler, Flash Attention für das Diffusionsmodell aktiv. Auf einer Karte mit nur 4 GB VRAM (z. B. Radeon RX 6400) funktioniert das, wenn die Gewichte im Arbeitsspeicher liegen und portionsweise auf die GPU gestreamt werden:
sd-server.exe ^
--diffusion-model z_image_turbo-Q5_K_M.gguf ^
--llm Qwen3-4B-Instruct-2507-Q4_K_M.gguf ^
--vae ae.safetensors ^
--backend "diffusion=vulkan0,te=cpu,vae=cpu" ^
--params-backend "diffusion=cpu,te=disk,vae=cpu" ^
--flash-attn off,diffusion=on ^
--vae-tiling ^
--max-vram vulkan0=2.0 ^
--width 768 --height 768 ^
--steps 8 --cfg-scale 1Wichtig: LoRAs für Flux oder Krea funktionieren nicht. Z-Image braucht eigens dafür trainierte LoRAs, die auf Plattformen wie Civitai oft mit „ZIT“ gekennzeichnet sind.
Prompting
Z-Image Turbo arbeitet mit einem großen Sprachmodell als Text-Encoder und versteht deshalb ausführliche, natürlich formulierte Beschreibungen besser als Stichwortlisten. Bewährt hat sich ein fester Aufbau:
- Motiv: Wer oder was, mit konkreten Details.
- Umgebung: Ort, Hintergrund, Nebenfiguren.
- Licht und Kamera: Blitz, Tageslicht, Objektiv, Körnung.
- Stil und Epoche: z. B. „early 2010s party snapshot“ oder „1990s documentary photography“.
Negative Prompts bringen bei CFG 1 praktisch nichts. Statt zu beschreiben, was nicht im Bild sein soll, beschreibt man besser genau, was hinein soll. Schrift setzt man in Anführungszeichen.
Open Source – oder nur offen?
Die Gewichte und der Inferenz-Code stehen unter der Apache-2.0-Lizenz. Das Modell darf frei genutzt, verändert, weitergegeben und kommerziell eingesetzt werden – anders als etwa Flux Dev, dessen Lizenz kommerzielle Nutzung ausschließt. Nicht veröffentlicht sind dagegen die Trainingsdaten und die Datenpipeline. Streng genommen handelt es sich um ein „Open Weights“-Modell – was allerdings auf nahezu alle großen Bildmodelle zutrifft.
Die Frage nach den Trainingsdaten
Im technischen Bericht beschreibt das Team eine aufwendige Datenpipeline, die Bilder analysiert, Duplikate entfernt und minderwertiges Material aussortiert. Die Entwickler betonen, echte Daten kuratiert zu haben, statt synthetische Bilder anderer Modelle zu verwenden. Woher die Bilder konkret stammen, wird nicht offengelegt.
In der Community wird vor allem aus dem Verhalten des Modells geschlossen: Es kennt Prominente und bekannte Bildmotive und filtert deutlich weniger als kommerzielle Dienste. Das spricht für einen breiten, eher großzügig gefilterten Web-Datensatz. Ob darin Arbeiten bestimmter Fotografinnen, Fotografen oder Archive enthalten sind, lässt sich von außen nicht belegen. Für alle, die selbst mit Bildern arbeiten, bleibt das die offene ethische Frage hinter der beeindruckenden Technik.