BulkImagen logoBulkImagen
Tongyi-MAI · Apache 2.0
Modelo pequeño, lotes largos

Todos tus prompts, pasados por
Z-Image

Z-Image es el modelo de texto a imagen que el equipo Tongyi-MAI de Alibaba publicó como código abierto en noviembre de 2025: seis mil millones de parámetros, pesos con licencia Apache 2.0 y una versión Turbo destilada que llega a una imagen terminada en ocho pasos de muestreo. Ocupa el escalón más bajo de la lista de precios de BulkImagen, y por eso merece la pena montar un lote Z-Image realmente largo.

Uno por línea: cada línea es un prompt independiente.

0 prompts

Z-Image genera solo a partir de prompts de texto, así que no hay carga de imágenes de referencia.

QwenZ-Image
Imágenes por combinación
Se generarán 0 imágenes · 0 créditos

Por qué un modelo de seis mil millones de parámetros está en esta lista

Z-Image no es el modelo más grande que ofrece BulkImagen ni pretende serlo. Todo su argumento es la proporción: cuánto devuelve una red pequeña por el cómputo que pide. Es un argumento distinto al de la mayoría de los modelos de aquí.

Medido frente a pesos mucho mayores

Cuando apareció, Artificial Analysis colocó a Z-Image Turbo en lo más alto de su Image Arena entre los modelos de texto a imagen de pesos abiertos, por delante de FLUX.2 [dev] y Qwen-Image. El informe técnico de Z-Image defiende lo mismo desde el otro lado: un G+S Rate del 87,4 % con aproximadamente una quinta parte de los 32B parámetros de FLUX.2 dev.

Texto bilingüe, con números detrás

El texto es donde el artículo de Z-Image presenta sus resultados más afilados: 0,8671 de precisión por palabra en CVTG-2K, y 0,935 en inglés frente a 0,936 en chino en LongText-Bench, por delante de GPT-Image-1 y Qwen-Image según el informe. Si tu lote lleva rótulos en cualquiera de los dos idiomas, ese benchmark es la razón para mirar Z-Image.

Fotorrealismo en ocho pasos

La ficha del modelo Z-Image y el artículo ponen por delante el fotorrealismo, y los pesos Turbo destilados lo logran en ocho pasos de muestreo en lugar de las decenas habituales. La versión abierta cabe en una tarjeta de 16 GB, pero nada en esta página te pide tener una: el lote se ejecuta de nuestro lado.

Lo que Z-Image puede hacer aquí

Las relaciones de aspecto, el nivel de resolución, la longitud del prompt y la tarifa en créditos de Z-Image se toman de la configuración en producción en lugar de escribirse en un párrafo donde irían quedando obsoletas.

Qwen

Z-Image

Desarrollador
Alibaba
Créditos / imagen
1
Resoluciones
1K
Relaciones de aspecto
5
Imágenes de referencia
Solo texto
Límite del prompt
1000 caracteres

Z-Image no admite imágenes de referencia a propósito. La FAQ de abajo explica qué significa eso antes de que planees un lote en torno a él.

Tres pasos, y ninguna subida de referencias

Z-Image solo lee palabras, así que este flujo es más corto que el de las páginas de modelos guiados por referencia. Describir, encuadrar, recoger.

  1. 01

    Poner todo en palabras

    No hay entrada de imagen, así que cada detalle que quieras tiene que estar en el propio prompt. El artículo de Z-Image además admite sin rodeos que seis mil millones de parámetros dan un conocimiento del mundo limitado: describe un tema de nicho en lugar de dar por hecho que el modelo reconoce el nombre.

  2. 02

    Elegir el encuadre y el volumen

    La relación de aspecto y cuántas imágenes devuelve cada prompt: ese es todo el formulario, porque esta página está fijada a Z-Image y ofrece un único nivel de resolución. El total en créditos aparece en la pantalla de confirmación antes de que salga la primera llamada.

  3. 03

    Revisar, preseleccionar, exportar

    Los resultados llegan según terminan. La ficha de Z-Image Turbo califica de baja la diversidad de su salida, así que si las filas vuelven casi idénticas, lo probable es que los prompts estuvieran demasiado cerca: reescribe la redacción en lugar de relanzar la misma línea esperando algo distinto.

Lotes que encajan con este modelo en concreto

Un modelo pequeño, rápido y fuerte en texto tiene una forma propia, y Z-Image no es la excepción. Estos son los trabajos que encajan con esa forma en lugar de pelearse con ella.

Pósteres y maquetas de interfaz con texto real

Los diseños con rótulos en inglés o chino son el caso alrededor del cual se construyeron los benchmarks de Z-Image. Genera un conjunto entero de pantallas o variantes de póster de una vez y lee el texto de cada una antes de quedarte con ninguna.

Personas y lugares fotorrealistas en volumen

El fotorrealismo es lo que Tongyi-MAI destaca de Z-Image, y la cantidad es lo que añade esta página. Escenas de estilo de vida, imágenes al estilo de banco de fotos y fondos llegan como un conjunto que puedes cribar, no como un único render meditado cada vez.

Equipos que ya usan los pesos abiertos

Si tienes Z-Image descargado en local, la misma familia está disponible aquí sin una cola de GPU por delante. Redacta y ordena un conjunto de prompts con la versión Turbo alojada y lleva después la preselección a tu propio entorno.

Preguntas sobre Z-Image

¿Algo más? Escribe a support@bulkimagen.com

  • Tongyi-MAI, un equipo dentro de Alibaba que va aparte tanto del grupo Qwen como del grupo Wan. Z-Image Turbo se publicó como código abierto el 26 de noviembre de 2025, y el informe técnico subió a arXiv al mes siguiente.
  • Sí. Los pesos de Z-Image están publicados bajo Apache 2.0 en HuggingFace, ModelScope y GitHub, una licencia permisiva para un modelo de esta calidad. Usarlo desde esta página solo te ahorra alojarlo.
  • La versión Turbo destilada. La destilación es lo que baja Z-Image a ocho pasos de muestreo; las contrapartidas, ambas indicadas en la ficha del modelo, son que Turbo no tiene ajuste de guidance y no está pensado para el fine-tuning.
  • No, y el intento se rechaza antes de que se te cobre, no después. El pipeline publicado de Z-Image acepta un prompt, un tamaño, un número de pasos y una semilla: no tiene entrada de imagen en absoluto. Z-Image-Edit, el modelo entrenado aparte que la añade, seguía marcado como «próximamente» en agosto de 2026.
  • Bien para su tamaño, según los benchmarks de su artículo: 0,8671 de precisión por palabra en CVTG-2K, además de 0,935 y 0,936 en las mitades de inglés y chino de LongText-Bench. Son cifras que reporta el artículo, así que un lote pequeño con tus propios textos sigue siendo la prueba que cuenta.
  • Z-Image se entrenó de forma bilingüe y su puntuación en chino en LongText-Bench iguala a la de inglés, así que los prompts en chino son una entrada de primera clase y no un ejercicio de traducción añadido a un modelo en inglés.
  • Su propio artículo nombra el límite con claridad: un modelo de 6B compra eficiencia a costa del conocimiento del mundo, así que las personas, lugares y detalles de marca poco conocidos son inestables. La ficha de Turbo califica además de baja la diversidad de salida, algo que se nota como parecido entre prompts redactados de forma muy cercana.
  • Los insignia cerrados como Nano Banana Pro y Flux 2 Pro llegan más lejos en techos de resolución, detalle fino y coherencia guiada por referencia. Z-Image renuncia a eso a cambio del coste por render, y por eso es el que conviene cuando la lista es larga.
  • Porque un modelo pequeño y destilado es el que menos cuesta servir, y eso coloca a Z-Image al fondo de la tabla de créditos de arriba. Una tanda que en un modelo insignia exigiría hablar de presupuesto es aquí, simplemente, una tanda.
  • Sirven tanto un CSV como una hoja de Excel; la columna de prompts se convierte en las filas del lote Z-Image. Útil cuando la lista ya existe en una hoja de cálculo y volver a teclearla sería la parte más lenta del trabajo.
  • Marca los renders que quieras conservar en la vista del lote Z-Image y descarga esa selección como un único ZIP. Lo que omitas se queda donde está, y cualquier prompt que fallara se puede reenviar por separado.

Manda una lista larga a Z-Image

El hueco más económico de la plataforma, una versión de Z-Image con puntuaciones de texto bilingüe publicadas y ninguna referencia que preparar antes. Pega los prompts, lánzalos como un solo lote y llévate el ZIP.