Z-Image 2-Step Generation

此工作流是一个使用TwinFlow的两步Z-Image生成设置。它加载一个轻量级文本编码器（CLIPLoader: qwen_3_4b.safetensors）和一个兼容TwinFlow的Z-Image turbo模型（TwinFlow_SM_Model），然后通过CLIPTextEncode对您的提示进行编码，并将其送入TwinFlow_SM_KSampler，设置steps = 2。采样器输出目标尺寸的潜在向量（此处设为2048×2048），并使用随机种子模式实现快速的“近实时”迭代。

采样完成后，流程非常直接：VAELoader (ae.safetensors) + VAEDecode 将潜在向量转换为图像，随后预览并保存。关键特性在于TwinFlow被设计为“激进”模式：通过将扩散过程压缩至2步来换取速度，因此最适合快速构思和布局测试，但精细细节和提示忠实度可能不如传统慢速采样。

🎥 YouTube 视频教程

想了解这个工作流到底是什么，以及如何快速启动？

本视频将介绍该工具的定位、如何立即启动工作流，以及我的核心设计思路——无需本地部署，无需复杂环境。

所有内容直接在RunningHub上演示，让您第一时间体验实际效果。

👉 YouTube 教程： https://youtu.be/CTIWLigZL1E

开始前建议完整观看视频——掌握整体背景有助于更快上手，避免常见误区。

⚙️ RunningHub 工作流

现在即可在线体验，无需安装。

👉 工作流： https://www.runninghub.ai/post/2006767553821020161/?inviteCode=rh-v1111

若结果符合预期，您后续可部署到本地进行自定义。

🎁 粉丝福利： 注册即送1000积分，每日登录再得100积分，畅享4090性能与48GB超算力！

📺 Bilibili 更新（中国大陆及亚太地区）

如果您位于亚太地区，可通过下方视频查看该工作流的实测演示与创意解析。

📺 B站视频： https://www.bilibili.com/video/BV1s5iqBNE6F/

我会在夸克网盘持续更新模型资源：👉 https://pan.quark.cn/s/20c6f6f8d87b 这些资源主要面向本地用户，便于创作与学习。

---

☕ 在Ko-fi支持我

如果您觉得我的内容有帮助，并希望支持未来创作，欢迎请我喝杯咖啡 ☕。

每一份支持都助我持续创造——正如一粒火花，终可点燃熊熊烈焰。

👉 Ko-fi： https://ko-fi.com/aiksk

💼 商务合作

如需合作或咨询，请添加微信：aiksk95