무검열 Z-Image 해설: 모델 패밀리, 기본 모델, LoRA

Z-Image 패밀리 한눈에 보기

개발사

알리바바 통의 연구소(Tongyi MAI)

공개 모델

Turbo와 기본 모델

기본 모델 출시

2026년 1월

크기

약 6.15B, S3-DiT

기본 모델 설정

28~50스텝, CFG 3~5

오픈 웨이트인가요?

예, Apache-2.0

Edit / Omni-Base

발표됨, 미출시

무검열 버전?

공식 버전 없음

Z-Image를 만드는 곳

Z-Image는 알리바바 통의 연구소의 이미지 모델 시리즈로, Tongyi MAI 팀이 GitHub, Hugging Face, ModelScope를 통해 공개합니다. 이 페이지가 다루는 모델은 시리즈의 증류되지 않은 기본 모델입니다. Hugging Face 저장소는 2026년 1월 23일에 만들어졌고, 공식 발표는 Turbo보다 약 두 달 늦은 1월 27일에 나왔습니다. Turbo와 동일한 약 61억 5천만 파라미터의 Scalable Single-Stream Diffusion Transformer(S3-DiT)와 Qwen3-4B급 텍스트 인코더를 공유합니다. 권장 설정은 28~50스텝, CFG 3~5, 네거티브 프롬프트 사용이며, 총 픽셀 512×512~2048×2048 범위에서 어떤 화면 비율이든 쓸 수 있습니다. 공식 표에서는 완성도를 다소 내주는 대신 다양성과 쉬운 파인튜닝을 얻은 모델로 소개됩니다.

무검열 Z-Image가 있을까?

이 검색 뒤에 있는 진짜 질문은 오픈 릴리스에 필터가 걸려 있느냐입니다. 실행 방식에 따라 다릅니다. 패밀리에서 유일한 호스팅 엔드포인트는 Alibaba Cloud Model Studio의 Turbo이며, 프롬프트와 이미지를 심사합니다. 기본 모델에는 호스팅 API가 아예 없습니다. 웨이트 자체는 Apache-2.0으로 공개되어 있으므로 내 GPU의 사본에는 서버 측 검사가 없고, 파인튜너들은 성인 지향 LoRA의 바탕으로 기본 모델을 자주 고릅니다. 그렇지만 알리바바가 무검열 Z-Image를 내놓은 적은 없으며, 실존 인물로 학습한 커뮤니티 빌드는 법적 위험이 따릅니다. Spicy AI는 Z-Image를 호스팅하지 않습니다. 이곳 생성기는 성인(18세 이상)을 위해 콘텐츠 필터 없이 Seedream, Krea 2, Wan 2.6을 실행하며, 같은 모델이 아니라 대안입니다.

이름은 넷, 다운로드는 둘

Z-Image 패밀리에는 모델 이름이 넷 있지만, 내려받을 수 있는 웨이트가 있는 것은 둘뿐입니다. 공식 블로그는 복합 편집 지시를 위한 모델인 Edit을 이미 소개하고 있지만, GitHub 표에는 여전히 "공개 예정"으로 되어 있고 ModelScope에는 기록이 없습니다. 공개 날짜는 Hugging Face와 뉴스 게시물 사이에 하루 정도 차이가 있어 둘 다 표시했습니다.

"Base"는 커뮤니티 별칭이며, 공식 표에는 이 모델이 시리즈 이름만으로 올라 있습니다.

6B 싱글 스트림 설계의 내부

많은 대형 이미지 모델은 텍스트와 이미지를 두 개의 병렬 스트림으로 처리합니다. 이 팀은 프롬프트 토큰, 시각적 의미 토큰, VAE 이미지 토큰을 하나의 시퀀스로 이어 붙여 하나의 트랜스포머에 통과시키며, 이렇게 하면 더 적은 파라미터로 더 많은 성능을 끌어낼 수 있다고 주장합니다. 공개된 설정은 30개 레이어, 히든 크기 3840, 어텐션 헤드 30개, 패치 크기 2, 16채널 잠재 표현입니다. 기술 보고서에 따르면 전체 학습 파이프라인에 H800 GPU 31만 4천 시간, 약 63만 달러가 들었는데, 이 급의 모델로는 적은 편입니다. 이는 한 번뿐인 학습 비용이지 이미지 한 장의 비용이 아닙니다.

느린 기본 모델이 값어치를 할 때

증류는 Turbo에 속도를 주는 대신 표현의 폭을 가져갔습니다. Gigazine의 테스트에서 Turbo는 시드만 바꾸면 구도를 반복하고 여러 사람에게 같은 얼굴을 주었지만, 기본 모델은 더 다양한 인물을 그리고 일러스트에 강했으며 네거티브 프롬프트를 따랐습니다. 대가는 시간입니다. 같은 그래픽카드에서 28~50스텝은 8스텝보다 대략 4~6배 오래 걸립니다. 프로젝트마다 아래 표로 판단하세요.

망가뜨리지 않고 Z-Image LoRA 학습하기

공식 표는 기본 모델을 파인튜닝이 쉬움으로, Turbo를 해당 없음으로 표시합니다. DiffSynth-Studio가 그 이유를 설명합니다. Turbo는 증류된 모델이라 일반적인 학습을 하면 적은 스텝의 속도가 금세 사라집니다. 꼭 Turbo로 학습해야 한다면, 문서는 일반 파인튜닝 후 느린 추론(약 30스텝, CFG 2)을 쓰거나, 가속을 보존하는 차분 LoRA 또는 궤적 증류를 쓰는 방법을 제안합니다. 대부분에게는 기본 모델로 학습하고 30~50스텝으로 샘플링하는 편이 더 간단합니다. 생태계도 활발해서, 인기 LoRA 컬렉션 하나는 2026년 10월까지 30일 동안 약 24만 1천 회 다운로드되었습니다.

• 1단계, 도구: DiffSynth-Studio로 풀 파인튜닝과 LoRA를 처리하고, ComfyUI로 결과물을 불러옵니다.
• 2단계, 데이터: 하나의 스타일이나 캐릭터에 대해 일관되고 캡션이 잘 달린 세트를 모읍니다.
• 3단계, 권리: Apache-2.0은 모델에 적용될 뿐 이미지 속 사람에게는 적용되지 않습니다. 내가 소유했거나 동의를 받은 자료만 쓰세요.
• 4단계, 점검: 학습 전후로 몇 가지 고정 프롬프트를 돌려 다양성 저하나 글자 깨짐을 찾아냅니다.

Z-Image Edit을 기다리나요? 지금 쓸 수 있는 방법

Z-Image Edit은 피사체를 알아볼 수 있게 유지하면서 한 번의 요청으로 옷과 배경을 바꾸는 것 같은 복합 지시를 따르도록 설계된 모델입니다. 아직 출시되지 않았고, Hugging Face나 ModelScope에 공식 웨이트도 없으며 발표된 날짜나 라이선스도 없습니다. 그동안은 기본 모델이나 Turbo로 이미지-투-이미지를 돌리거나, ControlNet을 더해 포즈를 고정하거나, 다른 편집 모델로 바꿀 수 있습니다. 어느 방법도 전용 편집기만큼 인물 동일성을 보장하지는 않습니다. Spicy AI에서는 내가 권리를 가진 사진을 이미지 편집기에 올리고 바꾸고 싶은 내용을 설명하세요. Edit이 아니라 다른 모델이 실행됩니다.

내 컴퓨터에 기본 모델 설치하기

이미 Turbo가 돌아가고 있다면 설치는 거의 끝난 셈입니다. 기본 모델은 같은 텍스트 인코더와 VAE를 재사용하기 때문입니다. 공식 웨이트는 BF16으로 저장되어 Turbo 원본 F32 파일의 약 절반 크기입니다. 호스팅 API가 없으므로 내 GPU나 임대 GPU가 유일한 선택지입니다.

• Diffusers: ZImagePipeline을 bfloat16으로 불러온 뒤, 네거티브 프롬프트와 함께 가이던스 4로 약 50스텝 샘플링합니다.
• ComfyUI: Comfy-Org의 z_image 리팩을 내려받아 Turbo와 같은 폴더에 넣습니다.
• 해상도: 총 픽셀 512×512~2048×2048 범위에서 어떤 화면 비율이든 가능.
• 속도: 같은 그래픽카드에서 Turbo보다 몇 배 긴 렌더링 시간을 예상하세요.

양쪽에서 조종하기: 긍정 프롬프트와 네거티브 프롬프트

Turbo와 달리 기본 모델은 네거티브 프롬프트를 읽고 CFG를 따르므로, 두 방향에서 이미지를 다듬을 수 있습니다. 피사체와 장면을 평이한 문장으로 쓰고, 이어서 조명, 렌즈, 스타일을 적으세요. 네거티브 프롬프트는 짧게, 실제로 보이는 문제로만 한정합니다. CFG는 4 안팎에서 시작하는 것이 무난하며, 프롬프트를 엄격히 따르게 하려면 올리고 더 부드럽고 자연스러운 결과를 원하면 내리세요.

바로 복사해 쓰는 프롬프트 짝

각 행은 프롬프트와 그에 맞는 네거티브 프롬프트의 짝입니다. 대괄호를 바꿔 넣으세요. 모든 피사체는 성인입니다.

크리에이터들이 기본 모델을 쓰는 곳

기본 모델은 다양성을 더 많이 간직하고 있어서, 속도 경쟁이 아니라 탐색할 때 찾게 됩니다. 아래 용도는 모델 카드와 LoRA 페이지에서 반복해서 등장합니다.

• 룩 개발: 하나의 프롬프트를 여러 시드로 돌려 방향을 찾은 뒤 LoRA로 고정.
• 일러스트와 애니메이션: 매체 테스트에서 Turbo를 앞서는 캐릭터 시트와 회화풍 장면.
• 캐스팅 다양성: 성인 한 사람 한 사람에게 다른 얼굴이 필요한 룩북과 단체 사진.
• 이중 언어 디자인: 팀이 내세우는 조합인 중국어·영어 문구 포스터.
• 합성 레퍼런스: 커스텀 스타일 모델 학습에 쓰는 다양한 이미지.

내려받고, 고치고, 배포할 수 있을까?

네. GitHub 저장소와 Hugging Face 모델 카드에 명시된 대로 공개된 두 모델 모두 Apache-2.0 오픈 웨이트이며, 추론 코드도 공개되어 있습니다. 모델을 사용하고, 수정하고, 재배포할 수 있습니다. 다만 Z-Image라는 이름, 이미지 속 인물의 초상, 저작권이 있는 캐릭터에 대한 권리까지 주어지는 것은 아니며, 팀은 학습 데이터의 전체 목록도 공개하지 않았습니다.

생성 전 체크리스트

1. 28~50스텝, CFG 3~5를 쓰세요. Turbo 설정으로는 기본 모델이 덜 익은 결과를 냅니다.
2. 네거티브 프롬프트는 짧게, 눈에 보이는 문제에 맞춰 쓰세요.
3. LoRA는 Turbo가 아니라 기본 모델로 학습하세요.
4. Edit을 기다리지 마세요. 이미지-투-이미지나 다른 편집기를 지금 쓸 수 있습니다.
5. 모든 인물을 성인(18세 이상)으로 묘사하고, 권리를 가진 이미지로만 학습하세요.

출처

• GitHub 저장소(Tongyi-MAI)
• 기본 모델 카드(Hugging Face)
• 프로젝트 블로그
• 기술 보고서(arXiv 2511.22699)
• Hugging Face의 Tongyi-MAI
• 기본 모델 ComfyUI 리팩(Comfy-Org)

더 많은 무검열 AI 이미지 모델

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