企业官网建设流程全解析

做图像生成时间长了，看到一个新模型刷屏，第一反应不是去看官方演示图，而是先问三个问题：多大参数、需要什么显卡、出图稳不稳。这次 Z-Image 出来，几个技术群里连续热闹了两天，我本来打算按惯例跳过，直到有人丢过来一个在线免费试用的入口，说不用装环境、打开网页就能出图。我想着反正不花成本，花一个下午把能跑的场景都跑了一遍：写实人像、中文海报、电商详情页那种塞满文字的图、以及几张带参考图的风格迁移。结论很直接——Z-Image 这套模型在文字渲染和出图速度上的表现，确实比我预期高一截，6B 的参数规模却做出了不少大模型才有的细节。这篇就把我这一下午的实测记录整理出来，包括在线入口怎么找、本地怎么部署、提示词怎么写才不浪费算力、以及几个让我卡了半天的坑。

1. 先给结论：这套模型值不值得你花时间

1.1 我判断一个图像模型好坏的三条土办法

行业内评测榜单很多，但我自己有一套很土的三条标准，用了几年一直没换。第一条是看它画手和画字。手部结构是图像生成最容易暴露问题的位置，文字则是对模型语义理解最严格的考验，这两项过关，说明模型的结构先验和文本对齐都做到了及格线以上。第二条是看它在同一提示词下换种子的一致性。有些模型换个随机种子，画风就飞到另一个世界，这种模型没法做生产，因为你没法跟需求方交代为什么这次出的图和上次不一样。第三条是看它的下限，而不是上限。演示图上那些惊艳的成品，靠的是精挑细选的提示词和几十次抽卡，真正决定你能不能用它干活的，是随便写一句大白话它能给你什么。

按这三条标准去测 Z-Image，结果比我预期好。手指畸变在中等复杂度的构图里基本可控，中文四到六个字的标题几乎没有出现缺笔画或者错字，同一提示词换八个种子，画面风格和光影逻辑保持在同一套审美体系内，不跳。至于下限，我随手写了句"一只橘猫趴在旧木窗台上晒太阳"，出来的图直接可以当社交平台配图用，没做任何二次修图。

1.2 它的技术取向：把参数花在刀刃上

Z-Image 走的是单流 DiT 架构，这条路线和几年前流行的双流结构不太一样。双流的做法是把文本 token 和图像 token 各自走一套注意力，再在中途做交叉融合，好处是两路特征互不干扰，坏处是参数量和显存占用都翻倍。单流的思路更直接——把文本和图像 token 拼成一条序列，丢进同一套注意力里算，让模型自己去学"哪段文字对应画面哪个位置"。这套做法在参数效率上优势明显，6B 的体量能达到的效果，双流架构往往要 10B 以上才追得平。

代价当然也有。单流对文本编码器的质量依赖更重，文本这一路如果编码得不好，后面再多的注意力层也救不回来。所以我看到它配了一个参数量不小的文本编码器时，就大致明白这套组合的意图了：用一个强的语言模型兜住语义，用相对轻的扩散主干扛住画质。这个取舍在工程上是很聪明的，因为文本编码器只需要跑一次，扩散主干要跑十几步，把算力压在"跑一次"的部分，比压在"跑十几次"的部分划算得多。

1.3 三类人现在就可以上手，两类人建议再等等

我梳理了一下身边的需求场景，发现它最适合三类人。第一类是内容运营和自媒体，每天要出封面图、配图、活动banner，以前要么买图库要么求设计师，现在自己写提示词就能出七八十分的东西，剩下的靠简单裁切调色补齐。第二类是做电商的中小商家，主图、详情页的场景图、模特换装这类需求量大、单张价值不高但积少成多，用这个模型批量跑能省下很可观的成本。第三类是开发者，想在自己的产品里嵌一个图像生成能力，6B 的体量意味着单卡就能部署，不用租八卡机器。

至于建议再等等的，一类是对画面精度要求到像素级的商用项目，比如需要严格符合品牌 VI 的主视觉，目前任何开源模型都还做不到一次成型。另一类是需要极强可控性的场景，比如精确控制人物姿态、精确还原某件真实商品的外观，这类需求还是得靠专门的 ControlNet 或者干脆走拍摄。

2. 架构与性能账：6B 为什么能跑出这个速度

2.1 单流结构到底省在哪，我用一个类比说清楚

很多人看架构图看不出门道，我换个说法。假设你要办一场双语会议，双流架构相当于给中文和英文各配一套同传设备，两套设备各自工作，中间靠一个联络员传递信息。单流架构则是所有参会者坐在同一个大厅里，中英文混着说，靠每个人的理解能力自行对齐。显然后者省设备、省人力，但对"每个人"的理解能力要求更高。

落到计算上，单流结构省掉的是两套独立的注意力层参数，以及双流之间反复交叉融合带来的额外计算。在 1024×1024 分辨率下，图像 token 数量是固定的，文本 token 通常只有几十到两百个，把它们拼在一起，序列长度增加得很有限，但省下来的参数可以用在更深的层数上。这就是为什么 6B 的单流模型，画质能逼近参数更大的双流模型。

2.2 步数、CFG 和显存之间的三角账

这三个参数是新手最容易搞混的，我用实测数据捋一遍。

这里有个很多人不知道的细节：CFG 大于 1 的时候，模型实际上要跑两遍前向——一遍带提示词条件，一遍不带，然后做差值。所以 CFG 从 1.0 调到 4.0，耗时差不多涨一倍。加速版模型之所以快，很大一部分原因就是它把 CFG 锁死在 1.0，省掉了这次双跑。理解了这一层，你就明白为什么有些人调 CFG 调到 8 以上，出图又慢又难看——那是在用两倍算力换一个过饱和的画面。

显存这块我算过一笔账。6B 参数在 bf16 下占 12GB 左右，fp8 大约 6GB，再加上文本编码器（跑完可以卸载）和 VAE 解码的峰值占用。1024×1024 的 latent 是 128×128×16，注意力矩阵本身不大，真正的显存峰值出现在 VAE 解码阶段。所以 16GB 卡用 bf16 是能跑的，8GB 卡就得走 fp8 或者分段解码。这个结论我在两张卡上都验证过：16GB 的卡跑 bf16 加标准 25 步，稳定；8GB 的卡跑 fp8 加 8 步加速版，也能稳定出图，只是细节层次会薄一些，尤其是皮肤质感和布料纹理。

2.3 我实测下来的速度参照

我不喜欢给绝对数字，因为不同卡、不同驱动、不同后端差得太多，但给个区间还是有参考价值的。在 1024×1024 分辨率、加速版 8 步的配置下，中高端消费级显卡普遍落在 3 到 8 秒一张，中端卡在 10 到 20 秒。这个速度意味着什么？意味着你调提示词的时候不用等太久，一次改一个变量、连着试二十次的迭代节奏是能保持的。以前用大模型的时候，一张图半分钟，试十次就烦了，很多时候不是提示词写不好，而是懒得试。

批量生成的场景就更明显。我拿一组电商场景图做测试，同一个提示词模板换二十个商品描述，一次排队跑完，喝杯咖啡的工夫就出结果。这种吞吐能力是它相对大模型最实在的优势，画质差 5% 但速度快三倍，在批量场景下就是碾压。

3. 在线免费入口：不装环境先把模型摸清楚

3.1 入口一般藏在哪，以及它的能力边界

在线入口这事我说得具体一点，但不给具体网址，因为这类页面经常变，给了也容易失效。常见的三个位置：国内主流模型社区的模型详情页，通常模型主页上会有一个"在线体验"或者"立即推理"的按钮，点进去就是一个简易的 Web 界面，左边写提示词右边出图；云厂商的模型广场，注册账号后一般会送一些免费额度，够你试几十次；一些第三方聚合站点，把多个开源模型放在一起做对比试用，这类站点适合横向比较不同模型的风格差异。

重点说边界。在线入口的配置通常是经过削减的：分辨率可能被限制在 1024 以内，步数可能被锁在加速版的 8 步，CFG 不开放调整，参考图上传功能可能没有，批量生成更别想。所以它在定位上不是"生产工具"，而是"验货工具"。你用它来判断这个模型的审美倾向适不适合你的业务、提示词理解力到什么水平、中文文字渲染靠不靠谱。这三点判断清楚了，再决定要不要投入时间做本地部署，能省掉很多无用功。

3.2 第一张图别写诗，写清楚就行

新手最容易犯的错误是把提示词当诗歌写。我见过有人写"月光如水，岁月静好，一位少女在时光的缝隙里回望"，然后抱怨模型出图不行。这不是模型的问题，是提示词的问题——它没有告诉模型任何可视化的信息：少女多大年纪、穿什么、在室内还是室外、镜头多远、什么光线。

我给个能直接抄的模板，五段结构：主体 + 动作 + 环境 + 光线 + 镜头与质感。举个我实际跑过的例子：

一位二十八岁左右的女性，短发，穿米色高领针织衫，坐在靠窗的木质书桌前，左手翻一本摊开的书，侧脸看向窗外，窗外是模糊的梧桐树影，午后侧逆光，光线在发梢形成轮廓光，桌面有窗格的投影，35mm 定焦镜头，浅景深，胶片颗粒感，暖色调

这段话里每一句都在给模型提供可执行的约束。年龄限定人脸特征，服装限定材质和颜色，动作限定了手的姿态（避免手指乱长），光线和镜头限定了画面的空间关系。你按这个结构写，出图合格率能从三四成提到七八成。

3.3 免费额度怎么花才不浪费

大部分在线入口给的免费次数是有限的，几十次到一两百次不等。我的建议是把额度当成 A/B 测试预算来用，而不是随便玩。具体做法：选定一个你真实的业务场景，写一版基础提示词，跑四张；然后只改一个变量（比如把"侧光"改成"顶光"），再跑四张；再改下一个变量。这样跑下来，你能摸清楚这个模型对光线、镜头、材质这几类词的敏感度，形成自己的"参数手感"。

还有一个很少有人用的技巧：在在线入口用低分辨率快速试构图，把满意的提示词和种子记下来，再搬到本地用高分辨率重跑。构图这件事在低分辨率下判断起来一样准，能省掉大量算力。我自己的习惯是建一个表格，记下提示词、种子、分辨率、以及一句主观评价，跑够三十条之后，规律自己就浮出来了。

4. 本地部署：一套我验证过的完整流程

4.1 环境准备，版本别乱升

环境这块的坑我都踩过一遍，说几个关键点。Python 用 3.10 或 3.11，3.12 在部分依赖上还会有兼容问题。PyTorch 用 2.x 系列，CUDA 版本跟你的驱动对齐，别盲目追新。依赖主要是这几个：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install diffusers transformers accelerate safetensors sentencepiece protobuf pip install pillow numpy

accelerate这个包别省，它负责把模型分层加载到显存，是低显存环境下能不能跑起来的关键。如果显卡支持，可以再装xformers或者flash-attn加速注意力计算，但这两个包的编译经常出问题，装不上也不影响主流程，先跑通再优化。

提示：安装顺序很重要，先装 PyTorch 再装 diffusers，反过来容易触发依赖降级，把 CUDA 版本搞乱。装完之后跑一句python -c "import torch; print(torch.cuda.is_available())"确认返回 True，不然后面全是白忙。

4.2 权重文件与目录结构

下载权重的时候注意看清楚，一个完整的模型通常拆成几个部分：扩散主干（transformer）、变分自编码器（vae）、文本编码器（text_encoder），外加一个model_index.json做索引。缺一个都跑不起来，报错信息还经常语焉不详，让人误以为是代码问题。

目录结构我整理成下面这样，清晰好维护：

models/ └── Z-Image/ ├── model_index.json ├── scheduler/ ├── text_encoder/ │ ├── config.json │ └── model.safetensors ├── tokenizer/ ├── transformer/ │ ├── config.json │ └── diffusion_pytorch_model.safetensors └── vae/ ├── config.json └── diffusion_pytorch_model.safetensors

如果你拿到的是单文件格式，需要先用转换脚本拆成 diffusers 目录结构；如果你拿到的是已经拆好的，直接按上面的层级摆好就行。文件大小可以做个自检：transformer 那个文件如果是 bf16 的话应该在 12GB 上下，明显偏小说明下的是量化版或者下到一半断了。

4.3 推理脚本，参数怎么填

下面这段是我实际在用的最小可运行脚本，注释写清楚了每个参数的作用：

import torch from diffusers import DiffusionPipeline model_path = "./models/Z-Image" pipe = DiffusionPipeline.from_pretrained( model_path, torch_dtype=torch.bfloat16, # 显存吃紧改 torch.float8_e4m3fn local_files_only=True, ) pipe.to("cuda") pipe.enable_attention_slicing() # 低显存必备，显存够可注释掉 pipe.enable_vae_tiling() # 高分辨率解码防爆显存 prompt = "一位二十八岁左右的女性，短发，米色高领针织衫，坐在窗边木质书桌前，午后侧逆光，35mm 镜头，浅景深，胶片颗粒感" negative = "低分辨率，模糊，畸变的手指，多余的手指，水印，文字，过曝" image = pipe( prompt=prompt, negative_prompt=negative, width=1024, height=1024, num_inference_steps=8, # 加速版 8 步，标准版改 25 guidance_scale=1.0, # 加速版锁 1.0，标准版 3.5-5.0 generator=torch.Generator("cuda").manual_seed(42), ).images[0] image.save("output.png")

参数怎么选我总结成一句话：先按加速版的 8 步和 1.0 跑通，确认流程没问题，再调成标准版的 25 步和 4.0 看画质上限。别一开始就上标准版，20 多步跑起来慢，报错了排查起来也痛苦。种子这件事也别忽略，固定种子之后你每次改提示词看到的差异才是提示词带来的，不然全是随机的。

4.4 接到 ComfyUI 里，工作流的几个关键节点

命令行跑通之后，大多数人会想接图形化界面，ComfyUI 是目前最实用的选择。接法不复杂，把三个模型文件分别放到对应的目录下——扩散主干放models/diffusion_models/，VAE 放models/vae/，文本编码器放models/text_encoders/，然后加载对应的加载器节点，串上采样器和 VAE 解码就行。

工作流里有两个设置容易被忽略，但影响很大。一个是采样器选型，加速版模型配euler或者dpmpp_2m这类简单采样器更合适，配dpmpp_3m_sde这种带随机性的反而容易出噪点。另一个是潜在空间放大，想要 2K 出图不要直接改分辨率，用潜空间放大节点分两段跑，第一段 1024 定构图，第二段放大 1.5 倍补细节，效果比一次性出 2K 稳定得多，显存压力也小。

5. 中文文字渲染：这才是它最值得说的能力

5.1 中文为什么比英文难画那么多

很多人不理解为什么模型画英文单词还行，一碰中文就崩。原因在于文字渲染的本质是在像素空间里重建一套结构化的笔画序列，英文字母只有 26 个，字形简单、笔画少、结构重复度高，模型很容易学到统计规律。汉字是另一回事，常用字三四千，每个字的笔画数从一到二十几不等，结构上有左右、上下、包围、嵌套各种组合，而且大量形近字只差一两笔。模型在 1024×1024 的画布上，留给五个字的宽度可能只有 400 像素，每个字 80 像素，在这个尺度下要把"提""揭""堤"三个字区分开，对特征精度的要求是极高的。

所以中文渲染做得好不好，反映的其实是模型在细粒度空间建模上的能力。这也是我测 Z-Image 时最看重的一项。实测下来，四个字以内的标题、六个字以内的副标题，基本能一次成型，笔画完整、结构正确、字重统一。上到八个字以上就开始掉，会出现笔画粘连、字间距不均、个别字结构简化的问题。这不是它一家的问题，是当前所有开源模型的共性瓶颈。

5.2 提示词里写文字的四个实操技巧

第一个技巧是给文字加引号并明确说明用途。不要只写"海报上有奋斗两个字"，要写成"画面中央是一张竖版海报，海报上方用粗黑体印着「向新而行」四个字，字色为深墨绿，下方留白"。引号在多数模型的训练数据里是一个强信号，能明显提升文字被正确渲染的概率。

第二个技巧是控制字数，宁可拆成两张图。八个字的标题，一张图渲不好，就拆成主标题四个字加副标题四个字，或者干脆做两张图后期拼。与其花二十次抽卡赌一次正确，不如把复杂度降下来，这个账很好算。

第三个技巧是指定字体风格而不是字体名。写"思源黑体"这类具体字体名，模型大概率不认识，写"粗黑体、字形方正、笔画厚重"反而更容易命中。描述字重、字形的松紧、笔画的粗细和收笔方式，比给名字有效。

第四个技巧是用负面提示词压制常见错误。把"错别字、笔画缺失、文字重叠、文字变形、水印、多余符号"这几项加进负面提示词，能减少一部分废图。这一招不是万能的，但成本极低，加上总没坏处。

5.3 三类场景的实际做法

活动海报是我跑得最多的。流程是先定版面，让模型生成一个带大片留白的构图，文字区集中在画面上三分之一，然后提示词里把主标题、副标题、时间地点三组文字分别描述清楚——主标题最大、副标题次之、时间地点最小且用细体。出图之后，即便文字有小瑕疵，也可以用图像编辑工具局部重绘那一块，或者干脆后期用设计软件覆盖上去。说实话，如果对文字精确度要求高，让模型生成画面、后期自己打字是最稳的路线，模型的文字能力用来做"看起来像那么回事"的背景排版是够的。

电商主图的逻辑不一样，文字通常少而大，比如"限时五折"四个字压在画面角落。这种场景模型表现很稳，因为字数少、字重统一、位置明确。真正的难点在商品本身的还原，这就要靠参考图功能了，单靠提示词描述商品外观，出来的东西往往似是而非。

自媒体封面是我觉得性价比最高的场景。尺寸固定、文字少、风格可以放松，一次跑四张挑一张，加上简单裁切就能用。我给一个实测有效的提示词片段：横版封面，左侧大面积纯色色块，右侧是人物半身，色块上用白色粗体写着标题，整体风格扁平化，高对比度。这套组合出来的图，直接能当封面。

6. 提示词体系：把它当编译器，别当许愿池

6.1 六段式结构，我用了三年没换过

写提示词这件事，我越来越觉得它像写代码——你给的是指令，不是愿望。模型不会"理解"你想要的氛围，它只会把你给的词映射到训练数据里对应的视觉特征上。所以结构化的写法比华丽的形容词有效得多。我的六段式是这样的：

• 主体：谁或什么，年龄、性别、外貌关键特征、穿戴
• 动作：在做什么，手部姿态要单独说明
• 环境：在哪，前景有什么、背景有什么、空间的纵深关系
• 光线：光源方向、软硬、色温、有没有特殊光效
• 镜头：焦段、视角、景深、构图方式（三分法、对称、俯拍）
• 质感：介质（胶片、数码、油画、3D渲染）、颗粒、色调倾向

这六段不是必须全写，但写全的时候出图可控性最高。我做过对比，同一句话用散文式写法和六段式写法，后者一次成型的概率大概是前者的两倍多。原因很简单，六段式覆盖了画面的六个独立维度，每个维度都有明确的约束，模型在生成时不会在某个维度上自由发挥跑到别的地方去。

6.2 负面提示词别堆词，要针对性下药

负面提示词最常见的错误是把网上抄来的一长串全塞进去，什么"低质量、最差质量、模糊、变形、多余肢体、水印、签名、文字、logo、裁剪、出框"一口气二十个。这样做有两个问题：一是不相关的负面词会干扰生成，比如你在做海报却压了"文字"这个负面词，模型就会把该有的字也一起抹掉；二是负面词之间可能互相冲突，导致画面整体发灰。

正确的做法是按场景配一组基础负面词，再按当前问题加一两项。基础组我会常备"低分辨率、模糊、过曝、噪点、畸变的手指、多余的手指"这几项，剩下的看情况加。出图人物脸崩了就加"面部扭曲、五官不对称"，出图构图散了就加"杂物、杂乱背景"。一次加一两项，改完看效果，这样你才知道是哪一项起了作用。

6.3 种子管理和迭代节奏

固定种子是提升效率最直接的手段，但很多人用错了。固定种子之后，你改提示词看到的差异确实是提示词带来的，但同时也意味着你会被这个种子的构图习惯绑住，容易错过其他可能性。我的做法是两阶段：探索阶段不固定种子，同一个提示词跑八张，看看模型对这句话的整体理解范围，从中挑出构图最好的那一张，记下它的种子；收敛阶段锁定这个种子，微调提示词和参数，把这个构图打磨到位。

迭代节奏上，我建议一次只改一个变量。同时改光线和镜头，出图变好了你也不知道是哪一项的功劳，下次还是瞎猜。这个道理跟调参一样，控制变量是基本功。我见过有人一次改五个词，跑了两百次还在原地打转，问题就出在这。

7. 常见问题与排查实录

7.1 画面崩坏类问题怎么定位

手部畸变是最常见的。判断方法很简单，看手在画面里占多大面积。如果手只是画面一角的小元素，畸变基本可以忽略；如果手是视觉焦点，那就要靠提示词明确描述手部状态，比如"双手交叠放在膝盖上""右手握着一只白色马克杯，手指自然弯曲"。给手一个明确的动作，比让它自由发挥成功率高得多。

画面发灰、对比度低，八成是 CFG 调太高或者负面词堆太多。先把 CFG 降到 4 左右试试，如果还灰，把负面词精简到五项以内。

人脸崩坏，尤其是远景小人脸。这是分辨率分配的物理限制，1024 的画布上人脸可能只有 60 像素宽，信息量根本不够。解法是分成两步：先出全身构图，再用局部重绘把人脸区域放大重画。别指望一步到位。

画面出现奇怪的文字或水印，多半是训练数据里的残留，在负面词里加"文字、水印、签名、标志"就能压下去，但如果你的需求本身要出文字，就别加这几项。

7.2 性能类问题怎么排查

显存溢出报 CUDA out of memory，按这个顺序试：先把精度降到 fp8；再开注意力切片；再开 VAE 分段解码；还不行就降分辨率到 768 出图再放大。这四步走完，8GB 卡基本都能跑起来。

生成速度异常慢，先看是不是开了 CPU 卸载。有些配置为了省显存会把部分层放到内存里，每次前向都要来回搬数据，速度能慢十倍。如果你的显存够，一定要关掉这个选项。其次看 CFG，大于 1 就是双跑，这是设计如此，不是 bug。

出图全黑或者全噪点，先检查权重文件是不是下全了，尤其是 VAE，VAE 缺了或者版本不匹配，解码出来就是一团噪点。其次检查数据类型，bf16 的模型用 fp16 加载也会出问题。

7.3 常见问题速查表

8. 我的踩坑清单和几条不太中听的经验

8.1 三条我认为最该刻在脑子里的规则

第一，别用提示词去修 bug。出图有问题，先判断是提示词的问题还是参数的问题。手崩了是提示词没说清楚姿态，画面糊了是步数或 CFG 的问题，分清楚再动手，不然你会陷入无止境地往提示词里加词，越加越乱。我看到太多人一个提示词写到三百字，什么"8K、超高清、大师作品、最佳质量"全堆上去，实际效果还不如一句干净的结构化描述。

第二，先降复杂度，再谈优化。一张图里塞三个人、五种道具、两种光源、三段文字，模型不可能全部照顾好。正确的做法是先跑最简单的一版——一个人、一个场景、一种光——把基础打对，再逐步往上加元素，每加一项看一次效果。这个思路跟搭积木一样，地基歪了往上堆都是白搭。

第三，建立自己的素材库。每次跑出满意的图，把提示词、种子、参数、分辨率全记下来，存成一个表格。跑够一百条之后，你手上就有了一套针对自己业务的提示词模板库，新需求来了改两个词就能出图。这件事的复利效应非常大，但绝大多数人懒得做。

8.2 哪些场景我劝你别用它

需要严格品牌一致性的主视觉，别用。模型每次出的东西都有细微差异，你的品牌色是特定色值，模型给不了精确的色号，后期调色能救一部分，但图形元素的一致性救不回来。

真实商品的展示图，别用。模型生成的商品外观跟实物差得远，客户收到货发现不一样，这是要出事的。商品图还是老老实实拍摄或者在实拍基础上做合成。

需要精确文字排版的正式物料，别用模型直接出。让模型出画面，文字后期加，这是目前唯一稳妥的做法。模型的中文渲染能力用来做"氛围感排版"是够的，用来做"能直接印刷的成品"还差一截。

需要多轮修改的甲乙方项目，慎重。模型的随机性决定了你很难精确复现上一版并只改一个细节，客户说"把左边那个人往右挪一点"，你只能重跑然后祈祷它别把别的地方也改了。这类项目还是用传统设计流程更可控。

9. 最后说几个我觉得值得分享的实操细节

有一个细节我琢磨了挺久：提示词的词序会影响出图权重。放在前面的词，模型给的注意力更重。所以主体描述永远放最前面，环境、光线、质感依次往后排。如果你发现某个元素总是不够突出，把它往前挪，比加感叹号有效得多。

另一个是分辨率比例的选择。很多人默认 1024×1024 正方形，但实际业务里竖版和横版需求更多。Z-Image 支持多种比例，竖版常用的有 832×1216 和 768×1344，横版有 1216×832。这里有个经验：总像素量保持接近，比例变化对画质影响不大；但如果总像素量翻倍，画质不一定提升，反而容易出结构错误。想上 2K，走潜空间放大，别直接改分辨率。

还有一个关于参考图的心得。参考图起作用的核心是风格迁移和构图借鉴，不是精确复刻。你给一张参考图，模型学到的是色调、光影逻辑、构图方式这些抽象特征，具体内容还是会按提示词重新生成。所以别指望给一张产品图它就原样画出来，那需要的是专门的图像编辑模型，不是文生图模型。

至于后续还能怎么扩展，我个人的路线是把它接进一套自动化流程——前面用脚本批量生成提示词变体，中间调模型批量出图，后面接一个自动筛选（用图像质量评估模型打分，把明显崩坏的过滤掉），人只看通过筛选的那一批。这套流水线跑起来之后，产能大概是纯手工的十倍以上。当然这是另一个话题了，等我把这套流程跑顺了再单独写一篇。

用下来的整体感受是，Z-Image 这类中等参数、高效率的模型，正在把图像生成从"少数人的玩具"变成"多数人的工具"。它给不了你完美，但给的够用，速度还快，这个组合在实际工作里的价值，往往比那些参数翻倍但跑一张要半分钟的模型更大。