無修正 Z-Image 解説：モデルファミリー、基盤モデル、LoRA

Z-Image ファミリーの概要

開発元

Alibaba 通義実験室（Tongyi MAI）

公開モデル

Turbo と基盤モデル

基盤モデルの公開

2026 年 1 月

サイズ

約 6.15B、S3-DiT

基盤モデルの設定

28〜50 ステップ、CFG 3〜5

オープンウェイト？

はい、Apache-2.0

Edit／Omni-Base

発表済み、未リリース

無修正版？

公式にはなし

Z-Image の開発元

Z-Image は Alibaba の通義実験室による画像モデルシリーズで、Tongyi MAI チームが GitHub、Hugging Face、ModelScope を通じて公開しています。このページが扱うのは、シリーズの蒸留されていない基盤モデルです。Hugging Face リポジトリは 2026 年 1 月 23 日に作成され、公式発表は Turbo の約 2 か月後の 1 月 27 日に続きました。Turbo と同じ約 61.5 億パラメータの Scalable Single-Stream Diffusion Transformer（S3-DiT）と、Qwen3-4B クラスのテキストエンコーダーを共有しています。推奨設定は 28〜50 ステップ、CFG 3〜5、ネガティブプロンプトありで、総ピクセル数 512×512〜2048×2048 の範囲なら任意のアスペクト比に対応します。公式の表では、仕上がりの完成度を多少犠牲にする代わりに、多様性とファインチューニングのしやすさを得ています。

無修正の Z-Image はある？

この検索の裏にある本当の疑問は、オープン版にフィルターがかかっているかどうかです。答えは実行方法次第です。ファミリーで唯一のホスト型エンドポイントは Alibaba Cloud Model Studio の Turbo で、プロンプトと画像を審査します。基盤モデルにはホスト型 API そのものがありません。ウェイト自体は Apache-2.0 で公開されているため、自分の GPU 上のコピーにはサーバー側のチェックがなく、ファインチューナーは成人向け LoRA のベースとして基盤モデルをよく選びます。とはいえ、Alibaba が無修正の Z-Image を公開したことは一度もなく、実在の人物で学習したコミュニティ版には法的リスクがあります。Spicy AI は Z-Image をホストしていません。同社のジェネレーターは Seedream、Krea 2、Wan 2.6 を成人（18 歳以上）向けにコンテンツフィルターなしで動かしており、同じモデルではなく代替という位置づけです。

4 つの名前、2 つのダウンロード

Z-Image ファミリーには 4 つのモデル名がありますが、ダウンロードできるウェイトがあるのは 2 つだけです。公式ブログでは複合的な編集指示に対応するモデル Edit がすでに紹介されていますが、GitHub の表ではまだ「公開予定」のままで、ModelScope には記録がありません。公開日は Hugging Face とニュース投稿で 1 日ほどずれているため、両方を記載しています。

「Base」はコミュニティでの通称で、公式の表ではこのモデルはシリーズ名だけで記載されています。

6B シングルストリーム設計の内側

大規模な画像モデルの多くは、テキストと画像を 2 本の並列ストリームで扱います。このチームはプロンプトのトークン、視覚的なセマンティックトークン、VAE の画像トークンを 1 本のシーケンスに連結して 1 つのトランスフォーマーに通し、少ないパラメータからより多くを引き出せると主張しています。公開されている設定は 30 層、隠れ次元 3840、アテンションヘッド 30、パッチサイズ 2、16 チャネルの潜在表現です。技術レポートによると、学習パイプライン全体で H800 GPU を 31.4 万時間、約 63 万米ドル分使っており、このクラスとしては控えめです。これは 1 回限りの学習コストであり、画像 1 枚あたりのコストではありません。

遅い基盤モデルが報われるとき

蒸留は Turbo に速さを与えた代わりに、表現の幅を奪いました。Gigazine のテストでは、Turbo はシードだけを変えると構図を繰り返し、複数の人物に同じ顔を与えがちでしたが、基盤モデルはより多様な人物を描き、イラストにも強く、ネガティブプロンプトにも従いました。代償は時間で、同じカードで 28〜50 ステップは 8 ステップのおよそ 4〜6 倍かかります。プロジェクトごとに下の表で判断しましょう。

Z-Image の LoRA を壊さずに学習する

公式の表では、基盤モデルはファインチューニングが容易、Turbo は対象外とされています。DiffSynth-Studio がその理由を説明しています。Turbo は蒸留済みのため、通常の学習を行うと少ステップの速さがすぐに失われるのです。どうしても Turbo で学習するなら、ドキュメントでは、通常のファインチューニング後に遅い推論（約 30 ステップ、CFG 2）を使うか、高速性を保つ差分 LoRA や軌跡蒸留を使うかのどちらかが提案されています。多くの人にとっては、基盤モデルで学習して 30〜50 ステップでサンプリングするほうがシンプルです。シーンは活発で、人気の LoRA コレクションのひとつは 2026 年 10 月までの 30 日間で約 24.1 万回ダウンロードされました。

• ステップ 1、ツール：DiffSynth-Studio でフルファインチューニングと LoRA を扱い、ComfyUI で結果を読み込みます。
• ステップ 2、データ：1 つのスタイルやキャラクターについて、一貫性がありキャプションの整ったセットを集めます。
• ステップ 3、権利：Apache-2.0 が対象とするのはモデルであり、画像に写る人物ではありません。自分が所有するか同意を得た素材だけを使いましょう。
• ステップ 4、確認：学習の前後でいくつかの固定プロンプトを実行し、多様性の低下や文字の崩れを見つけます。

Z-Image Edit 待ち？今使える方法

Z-Image Edit は、被写体の見分けがつく状態を保ちながら、服と背景を 1 回のリクエストで入れ替えるといった複合的な指示に従うことを目指したモデルです。まだリリースされておらず、Hugging Face にも ModelScope にも公式ウェイトはなく、公開日やライセンスも発表されていません。それまでは、基盤モデルや Turbo で画像から画像への生成を行う、ControlNet を加えてポーズを固定する、別の編集モデルに切り替える、といった方法があります。いずれも専用のエディターほど人物の同一性は保証しません。Spicy AI では、自分が権利を持つ写真を画像エディターにアップロードし、変更内容を記述してください。動いているのは Edit ではなく別のモデルです。

自分のマシンで基盤モデルをセットアップする

Turbo がすでに動いているなら、セットアップはほぼ完了しています。基盤モデルは同じテキストエンコーダーと VAE を再利用するからです。公式ウェイトは BF16 で保存されており、Turbo のオリジナルの F32 ファイルの約半分のサイズです。ホスト型 API はないため、自前またはレンタルの GPU が唯一の選択肢です。

• Diffusers：ZImagePipeline を bfloat16 で読み込み、ネガティブプロンプトを付けてガイダンス 4 で約 50 ステップサンプリングします。
• ComfyUI：Comfy-Org の z_image 再パッケージ版をダウンロードし、Turbo と同じフォルダに置きます。
• 解像度：総ピクセル数 512×512〜2048×2048 の範囲で任意のアスペクト比。
• 速度：同じカードで Turbo の数倍の生成時間を見込んでおきましょう。

両側から舵を取る：ポジティブとネガティブのプロンプト

Turbo と違い、基盤モデルはネガティブプロンプトを読み、CFG にも従うため、2 つの方向から画像を形作れます。被写体とシーンを平易な文で書き、次にライティング、レンズ、スタイルを書きましょう。ネガティブプロンプトは短く、実際に目にした問題だけに絞ります。CFG は 4 前後から始めるのが無難で、プロンプトに厳密に従わせたいなら上げ、やわらかく自然な仕上がりにしたいなら下げます。

そのまま使えるプロンプトの組み合わせ

各行は、プロンプトとそれに合うネガティブプロンプトの組み合わせです。角かっこ内を置き換えてください。被写体はすべて成人です。

クリエイターが基盤モデルを使う用途

基盤モデルは多様性を多く残しているため、スピード勝負ではなく探索の場面で選ばれます。以下の用途は、モデルカードや LoRA のページで繰り返し見られるものです。

• ルック開発：1 つのプロンプトを多数のシードで回して方向性を見つけ、LoRA で固定します。
• イラストとアニメ：メディアのテストで Turbo を上回る、キャラクターシートや絵画調のシーン。
• キャスティングの多様性：成人一人ひとりに異なる顔が必要なルックブックや集合写真。
• 2 言語デザイン：チームがアピールする組み合わせである、中国語と英語の文字入りポスター。
• 合成リファレンス：独自のスタイルモデルを学習させるための多様な画像。

ダウンロード、改変、配布はできる？

できます。GitHub リポジトリと Hugging Face のモデルカードに記載のとおり、公開されている 2 つのモデルはどちらも Apache-2.0 のオープンウェイトで、推論コードもオープンです。モデルの使用、改変、再配布が可能です。ただし、Z-Image という名称、画像に写る人物の肖像、著作権のあるキャラクターに対する権利が与えられるわけではなく、チームは学習データの完全な一覧も公開していません。

生成前のチェックリスト

1. 28〜50 ステップ、CFG 3〜5 を使いましょう。Turbo の設定では基盤モデルは生焼けになります。
2. ネガティブプロンプトは短く、目に見える問題に絞りましょう。
3. LoRA は Turbo ではなく基盤モデルで学習しましょう。
4. Edit を待つ必要はありません。画像から画像への生成や別のエディターが今すぐ使えます。
5. 登場人物はすべて成人（18 歳以上）として記述し、権利を持つ画像だけで学習しましょう。

出典

• GitHub リポジトリ（Tongyi-MAI）
• 基盤モデルのモデルカード（Hugging Face）
• プロジェクトブログ
• 技術レポート（arXiv 2511.22699）
• Hugging Face 上の Tongyi-MAI
• 基盤モデルの ComfyUI 再パッケージ版（Comfy-Org）

その他の無修正 AI 画像モデル

• uncensored z image turbo
• uncensored qwen image
• 無修正 Midjourney
• 無修正 DALL·E
• 無修正 Stable Diffusion
• 無修正 Flux
• 無修正 Nano Banana
• 無修正 Nano Banana 2
• 無修正 Nano Banana 2.1
• 無修正 Ideogram
• 無修正 Leonardo AI
• 無修正 Seedream
• 無修正 Seedream 5.0
• 無修正 Krea
• 無修正 Kroma
• 無修正 Qwen-Image
• 無修正 Adobe Firefly
• 無修正 GPT Image 2.5
• 無修正 Text to Image
• 無修正 Z-Image Turbo
• 無修正 FLUX.2
• 無修正 FLUX.2 [dev]
• 無修正 FLUX.2 [pro]
• 無修正 GPT Image 1.5