我认为对于这样一个概念，使用 Z-Image 已经达到了最佳效果。
训练备注：32/32，150 张图像，qwenvl3 非常详细的描述，0.0002
起始强度设为 0.8 左右，如果未看到正确细节则调高，如果出现“问题”则调低。
