Z-ImageTurbo ❌ VISIONARY bf16/fp16/fp8

发布 – 版本 0.2（不确定你的显卡该用哪个模型？请参见下方经验法则。）
更新内容？
由于本模型旨在发展为半写实风格，我进一步朝这个方向推进，并增加了更多细节。我还特意切换到新的展示采样器，因为此版本中不同的随机种子效果更好。部分示例图片也已更新。
（非常欢迎反馈！）

节点提示：
由于这是检查点/LoRA 合并模型（我仅使用自己训练的 LoRA），若你额外使用高训练轮次（epoch）的 LoRA，可能会出现问题。建议从 0.3 左右的 LoRA 强度开始，再逐步增加。

高级技巧：
在 ModelSamplingAuraFlow 节点中，可将数值调整在 3.00 至 3.10 之间。若生成图像出现奇怪的手部或重复视觉错误，此调整可能有所帮助。

• bf16 扩散模型（fp8/fp16 即将推出，如急需请私信我 ^^）
• 不包含 CLIP 和 VAE（如需帮助请询问）
• 推荐设置：CFG 1，8 步（最多 15 步）
• 采样器：Euler A，调度器：Simple 或 Beta（强烈推荐 Beta）
• 示例图像未进行超分辨率放大，也未使用高分辨率修复（Hi-Res Fix）

原始 ComfyUI 模型：链接（此处可找到 CLIP 和 VAE）

---

首次发布 – 版本 0.1
这是我的首个 Z-ImageTurbo（即检查点与 LoRA 合并）发布版，因此仍属早期版本（V0.1）。

• bf16/fp8/fp16 扩散模型
• 不包含 CLIP 和 VAE（如需帮助请询问）
• 推荐设置：CFG 1，8 步（最多 15 步）
• 采样器：Euler A，调度器：Simple 或 Beta（强烈推荐 Beta）
• 示例图像未进行超分辨率放大，也未使用高分辨率修复（Hi-Res Fix）

原始 ComfyUI 模型：链接（此处可找到 CLIP 和 VAE）

我仍在持续学习与改进，未来将推出更多更新。非常欢迎反馈！

经验法则

• NVIDIA Turing（RTX 20 系列）
  → ❌ 无真正的 bf16 支持，fp16 是实用选择
  → 画质：通常尚可，但比新格式稍脆弱

• NVIDIA Ampere（RTX 30 系列）
  → ✅ bf16 表现良好（若出问题？尝试更新 PyTorch/CUDA 或改用 fp16）
  → 画质：通常非常接近 fp32，几乎无明显损失

• NVIDIA Ada Lovelace（RTX 40 系列）
  → ✅ bf16 稳定，fp8 可通过软件部分支持
  → 画质：bf16 ≈ fp32；fp8 可能因负载不同出现明显画质下降

• NVIDIA Blackwell（RTX 50 系列，例如 5090）
  → ✅ bf16 非常稳定，fp8 支持更好但非魔法
  → 画质：fp8 可用，但多数情况下仍存在一定画质损失……不严重，但真实存在

• fp32：仍待 Z-Image 发布

注意：你几乎可在任何显卡上加载 fp8，以在加载时节省显存，但若硬件不支持原生 fp8，计算时会自动转为 fp16 或 fp32。由于原始数据已量化为 fp8，这种转换可能引入画质损失，且无真正的 fp8 计算加速，仅带来内存和数据传输的收益。