Z-Image-Turbo

最近はFlux.2 kleinからZ-Image-Turboをメインにしてstable-diffusion.cppを実行しています。

Qwen Imageも悪くないんですが、1024x1024サイズが量子化Q2でもメモリー不足で実行が絶望的な状況なので…

現状のSYCL環境だとvaeを実行すると使用メモリーが爆発的に消費してしまうため1024x1024の実行はcpuで行う必要があるわけですが、Z-Image-Turboだと解像度の比率は範囲内であれば自由に決められるので512x512以外の大きさにして試したところ、出力が真っ白にｗ

画素数があまり変わらないようにH640 W408として出力したのですが…思い当たる節はim2colですかね(笑)

さくっと本物に入れ替えて実行したところ、ちゃんと出力されるのでソースを見直すことに…

としたら、どうも最大値を512に制限してしまっていたようで…深い理由はないはずなので制限を緩和させて実行。ちゃんと出力されました。

が、im2col…今見るとなんかよく分からん感じになっていいるのがすごい引っかかっています。内部では画像サイズをか色々見ていますけど、そんなに見なくていいような気がするんですよね…あと3Dとか分かれているけども、そもそも分ける必要もあまり感じませんし…今のところ2Dロジックにしか処理が流れてきてないので、触るのは危険なので触れません(笑)

結構悪くないZ-Image-Turboなのですが、最大の問題点は多様性がほとんどないというところでしょうか。最初はあまり気にならなかったのですが、SEED値を変えてもほぼ同じ顔付きに…ｗ まだそこまでいろいろなパターンは試していませんが、少なくても日本人と限定するとほぼほぼ同じ顔。年齢層を変えるとそれなりに変わる感じですが。モデルが局所的になっているためなのか、蒸留で限定させているか…どちらでしょうかね？

そんな違和感があったので、すこしTurboじゃない方も実行してみたのですが、こちらは実行時に結構なStepsを踏まないといけないので出力に時間が…ｗ

プロンプトはシンプルにしているのですが、無印の方は蒸留時の指定がほとんどない状態なのか、出力された画像はものすごいキメラ状態でした…怖いのでそれ以降実行する気が起きないわけですが…

で、Z-Image-Turboでも1024x1024の出力を試してみました。textもvaeもcpu動作にしないと動かないので実行時間はそれなりですが、やはり1時間コースです…。1024x512だと30分弱…512x512はすべてSYCLで動作するので10分程度となります。

生成時間だけ見るとFlux2. kleinがダントツになりますかね。

Edit系も試してみたいとは思っているんですけど、まだまだそこまでいかない…先は長い…