Z-Image-Turbo 在 16G Mac 上出中文海报：短标题稳，长句和生僻字翻车，一张两分多钟

项目	结果
测了什么	14 张：4 个日常场景 + 5 档中文字难度 × 2 个种子
单张耗时	120–240 秒（含每次加载模型），补测 10 张平均 130 秒
内存	峰值占用 12.4–12.7 GB（16GB 机器，出图时别开别的重活）
整机功耗	出图时约 55 W（电池供电实测），空闲约 10 W
中文字	12 张带字的图，5 张一个字不错；4 字标题、促销海报全对，22 字长句和生僻字全军覆没
典型错误	漏字、多写一遍、编出不存在的字、英文单词拼错
花费	0 元；按北京居民电价算，一张约 0.001 元电费

先说结果

4 到 10 个字的中文标题，它基本一次就写对。

带数字和日期的促销海报，两个种子都对，连「11月1日-11月11日」里的横杠都没丢。

一句 22 个字的话，两张都写错了，错法还不一样。

「饕餮」两个字，它两次都画了个长得像、但字典里查不到的字。

英文反而翻车：「Models」两次拼成了「Modiels」和「Madiels」。

一张图 2 分多钟，16G 的 Mac 能跑，跑的时候基本干不了别的。

怎么测的

机器是一台 M2 Pro、16G 内存的 MacBook Pro，补测那轮没插电。

模型用魔搭上社区做的 4-bit 量化版，跑在 mflux 上，9 步，768×1024 竖图。

第一轮 4 个日常场景，种子 42，各 1 张。

第二轮专门压中文字，5 档难度，每档种子 1 和 2 各 1 张，一张跑完再跑下一张：

1. 4 字短标题「今日营业」
2. 促销海报「双十一狂欢 全场5折起」+「活动时间：11月1日-11月11日」
3. 中英两行「开源模型本地部署指南」+「Run Open Models on Your Mac」
4. 22 字长句「今天多读一页书，是为了明天能有更多选择的自由」，竖排书法
5. 生僻字加繁体「饕餮盛宴」+「龍鳳呈祥 鬱鬱蔥蔥」

每张图逐字对，一个字不差才算“完全正确”。

14 张样本还是少，结论当成手感，别当跑分。

中文字到底行不行

短的稳

4 字标题两张全对，字形干净，像正经字体。

双十一那张信息量不小，10 个字的主标题、阿拉伯数字、冒号、日期区间，两张都一个不错。

第一轮的小红书封面「月入3万的AI小工具」也是一次对。

这一档的活，它已经可以直接拿去用了，省掉打开修图软件排字那一步。

稍长一点开始出状况

第一轮的咖啡海报，主标题 8 个字全对，但日期那行它在左下角又抄了一遍，第二遍还把「10月31日前」写成「10月31前」。

中英混排那档更有意思。

中文「开源模型 本地部署指南」两张都对，英文那行两张都错。

Decrypt 的 Jose Antonio Lanz 去年 12 月测过，他的说法是英文很强，只有「decentralized」这种长而少见的词会拼错。

我们这次错的是「Models」这种大路货单词。

是 4-bit 量化的锅，还是模型本来就这样，没法下结论，这次没跑全精度版对照。

长句和生僻字，全错

种子 1：漏了「有」，「自由」的「自」写成一个单人旁的怪字，第一列末尾还多出一个「书」。

种子 2：漏了「能有」，「多」写成「文」，「自」又是个造出来的字，第一列还多出「明天」。

22 个字里，两张分别对了 20 个和 18 个左右。

单看字数挺高，可整句拿去用一张都用不了。

生僻字这档，「饕餮」两张都画成了上半截像、下半截是「衣」的假字。

「鬱鬱蔥蔥」第一个字直接换成了简体的「郁」，后面也有错字。

「盛宴」「龍鳳呈祥」这 6 个字两张都写对了，繁体常用字它认得。

汇总

难度	完全正确	主要错误
4 字标题	2/2	无
数字日期海报	2/2	无
中英两行	0/2	中文全对，英文单词拼错
22 字长句	0/2	漏字、多字、错字同时出现
生僻字+繁体	0/2	编造字形，繁体被换成简体
第一轮带字的 2 张	1/2	整行重复、漏字

一共 12 张带字的图，5 张完全正确。

短的两档全对，往下三档一张都没对。

错误类型数下来：多写/重复 3 次，漏字 3 次，错字和编造字形最多，英文拼错 2 次，简繁混用 2 次。

从原图裁出来放大：拼错的英文、造出来的字、多出来的字、抄两遍的日期。

还有一个现象：同一个提示词换种子，构图几乎一样。

「今日营业」两张，字的位置、那枝叶子，基本是同一张图挪了挪。

官方 GitHub 的模型对比表里，Turbo 那一栏的多样性写的是“低”。

所以字写错了想靠多抽几次碰运气，排版大概率还是那个排版，换的只是错哪个字。

为什么它中文字写得好

这部分主要来自通义团队的技术报告（arXiv 2511.22699），加上英文圈的几篇评测。

文本编码器换成了 Qwen3-4B。

画图模型先得“读懂”提示词，读的那部分叫文本编码器。

FLUX.1 这一代用的是 T5 和 CLIP，英文为主。

Z-Image 直接用了通义自家的 Qwen3-4B 语言模型，报告里给的理由就是它中英双语都强。

训练数据的说明文字先做 OCR。

他们训了一个叫 Z-Captioner 的打标模型，看到一张图先把图里的字认出来，再写描述，而且字保持原文，不翻译。

模型因此学到的是“图里这块写的就是这几个汉字”，这几个汉字没有被翻成英文意思。

报告还提到，中文字的能力主要是在 256×256 低分辨率预训练阶段就学会的，后面又用合成的文字海报数据、针对文字渲染的偏好训练再磨了一遍。

分数确实高。

在多区域文字的 CVTG-2K 测试上，Z-Image-Turbo 的单词准确率 0.8585，GPT Image 1 高质量档 0.8569，Qwen-Image 0.8288，FLUX.1 dev 只有 0.4965。

长文字的 LongText-Bench 中文项，Turbo 0.926，Qwen-Image 0.946，GPT Image 1 只有 0.619。

另一篇今年 5 月的论文（TextAlign）用同一个测试复测，FLUX 的中文分是 0.022，基本等于不会写中文。

多区域文字它排第一，长段中文还是 Qwen-Image 高一点。

这个分和我们的长句翻车对得上。

0.926 是按字算的平均正确率，我们那张长句 22 个字对了 20 个，大约 0.91，跟论文差不多。

可每个字都有 7% 的机会出错，粗算一下，22 个字全对的概率只有两成左右。

所以“中文字很强”这句宣传对短标题是真的，对整段文案就得打个折，论文分数和你能不能直接发图是两回事。

另外 Qwen-Image 在长文本上还是比它高一截，DEV 社区上 Garyvov 拿两家同种子对比，也说 Qwen-Image-2512 拼写更准。

为什么 6B 这么小还能打

报告里点名的同行，Qwen-Image 20B，FLUX.2 32B，混元图像 3.0 80B。

Z-Image 是 6.15B。

一条流水线处理文字和图。

FLUX、SD3、Qwen-Image 这类“双流”结构，文字和图像各走一套参数，中间再交互。

Z-Image 的 S3-DiT 把文字、图像语义、图像像素三种 token 拼成一串，30 层全部共用一套参数。

团队的说法是每一层都在做跨模态交互，参数利用率更高。

官方架构图：文字、语义、像素三路 token 拼成一串，进同一组单流模块。

蒸馏到 8 步，还省掉了一半计算。

完整版 Z-Image 要大约 100 次前向计算，Turbo 只要 8 次。

用的方法叫 Decoupled DMD，论文标题就很直白：“CFG 增强是矛，分布匹配是盾”。

意思是让少步数出好图的主力其实是 CFG 增强这一项，分布匹配负责防止画崩。

蒸馏完的 Turbo 不再需要 CFG，guidance 设成 0，每一步只算一次，这也是它在消费级显卡上快的原因之一。

训练花了 314K 个 H800 GPU 小时。

报告按每小时约 2 美元算，总共约 62.8 万美元。

这个数是按租卡价折算的，不是审计过的账，但量级上比动辄几百亿参数的模型小得多。

代价报告里也写了。

原话大意是：受限于 6B 的模型规模，世界知识、意图理解、复杂推理都有局限。

他们的补救是在前面加一个带推理链的提示词扩写器，本地 mflux 跑的时候没有这一层。

4-bit 量化、在 Mac 上跑，丢了什么

体积。

mflux 的说明里写，Z-Image 原始权重大约 31GB。

我们用的 4-bit 版下到本地是 5.5GB：图像主干 3.2G，文本编码器 2.1G，VAE 157M。

注意文本编码器也被压了，偏偏就是负责“读懂”中文的那一块。

量化对写字准确率影响多大，量化作者在魔搭上没写说明，我们也没做对照，算未知。

内存。

模型文件 5.5G，跑起来 mflux 自己报的 MLX 峰值 7.8–8.9GB，系统记的整个进程峰值 12.4–12.7GB。

16G 的机器剩下不到 4G，开着浏览器一堆标签页会明显卡。

8G 的 Mac 我们没试，按这个数基本没戏。

速度，差得最多。

官方说在 H800 上不到 1 秒一张，前提是开了 FlashAttention-3 和 torch.compile。

Decrypt 在 6G 显存的 RTX 2060 笔记本上是 34 秒一张。

我们 M2 Pro 补测 10 张平均 130 秒，每一步 12 到 15 秒。

一篇 Apple Silicon 教程在 M1 Max 上用 ComfyUI 跑 1024×1024，也是 160 秒左右，量级一致。

同一个模型，在 Mac 上比数据中心显卡慢一百多倍。

还有 Turbo 本身的限制，跟 Mac 无关。

不吃负面提示词，多样性低，官方表格写明不适合拿来微调。

想训 LoRA 的，要用今年 1 月放出的 Z-Image 完整版。

算账：本地跑到底省多少

先把本机的数摆出来。

出图时整机功耗约 55W，一张 130 秒，折合每张约 0.002 度电。

北京居民第一档电价 0.4883 元/度，一张图电费约 0.001 元。

同一个模型在阿里云百炼上调用，北京地域 0.1 元一张。

Artificial Analysis 上列的第三方 API 价格是 1000 张 5 美元，一张合人民币三四分钱。

Midjourney 最便宜的 Basic 档 10 美元一个月，快速出图时长大约够 200 张左右。

按每月出图量摊一下：

每月张数	本机电费	本机占机时间	百炼 API
30（每天一张封面）	约 0.03 元	约 1 小时	3 元
300	约 0.3 元	约 11 小时	30 元
3000	约 3 元	约 108 小时	300 元

钱上本地几乎为零，真正的成本是机器被占满的时间。

这还没算重抽。

我们 12 张带字的图 5 张全对，真要出一张能发的，平均得抽两三次，本机时间还要再乘一下。

换个算法更直观：本地每张省下约 0.1 元，代价是 2 分多钟机器被占满。

折下来，相当于把这台 Mac 和你的等待按每小时不到 3 块钱卖掉了。

单论钱，本地跑划不来；它真正值钱的地方是图不出本机、不用排队、没有内容审核卡你，想要这几样的人才值得折腾。

每月 3000 张那档，本地要连续满载 4 天半，笔记本基本扛不住，这个量就该上 API 或者租卡。

它在开源圈的位置

去年 11 月 26 日放出来的时候，它是真火过一阵。

12 月 8 日在 Artificial Analysis 文生图榜上排总榜第 8，开源第一。

Decrypt 当时的标题直接写它把 FLUX 拉下了王座，文里说 Civitai 上它收到 1200 多条好评，FLUX.2 是 157 条。

阿里自家的 AI Arena 上它也是开源第一，不过那个榜是阿里自己办的，得打个问号。

十个多月过去，Artificial Analysis 今天的榜上它 Elo 936，排 70 到 76 名。

开源这边，Qwen-Image-2.1、FLUX 3 Image Klein 都到了 1040 上下，FLUX.2 dev 也在 1000。

Elo 是相对分，新模型一多，老模型分数会往下掉，排名掉得这么狠，一部分是这个原因。

但它手里还有两张牌。

一是 Apache 2.0，商用不用另外谈授权，FLUX.1 dev 那种非商用协议做不到这点。

二是小，16G 的 Mac、6G 显存的老 N 卡都能跑，这个门槛至今没几个开源模型比它低。

如果你的需求就是本地、免费、能写中文短标题，它到今天还是最省事的那个；要画质天花板或者长文案，开源里已经有更好的选择，只是你的电脑大概率跑不动。

怎么装

1. 装 mflux：uv tool install --python 3.13 mflux==0.23.0 --with pillow==12.3.0（Pillow 13 跟它不兼容）
2. 从魔搭下载 4-bit 量化模型：Jiangdi/Z-Image-Turbo-mflux-4bit
3. 出图：mflux-generate-z-image-turbo --model <模型目录> --base-model z-image-turbo --steps 9 --width 768 --height 1024 --seed 1 --prompt "<你要的画面>"

提示词里要写的字用「」括起来；常用字、一行十个字以内的标题，我们这次都是一次写对。

14 张图和耗时、内存、功耗记录均为本站 2026-10-27 实测。