Z-Image Turbo LoRA训练魔法：如何保持加速生图能力

01
引言

相信尝试过训练Z-Image LoRA的开发者会发现，直接基于 Z-Image Turbo 训练出的 LoRA 会失去加速能力，在加速配置（steps=8，cfg=1）下生成的图像变得模糊，在非加速配置（steps=30，cfg=2）下生成的图像正常。

为能够在 LoRA 中保留"Turbo"加速能力，ModelScope DiffSynth团队提出一种训练 Z-Image-Turbo LoRA的增强训练解决方案， 并开源了Z-Image Turbo 加速能力修复 LoRA的权重——Z-Image-Turbo-DistillPatch！

开源地址：

https://modelscope.cn/models/DiffSynth-Studio/Z-Image-Turbo-DistillPatch

另外，魔搭AIGC专区的 Z-Image 免费训练马上上线，敬请期待！

02
模型介绍

Tongyi-MAI/Z-Image-Turbo 已登顶多个主流开源模型社区（包括 Hugging Face 和 ModelScope）的热门模型榜单。该模型最受社区称赞的特性之一是，作为一个蒸馏版本，它能够在少量步数内生成高质量图像。然而，这也意味着该模型的训练较为复杂，特别是当我们希望在 LoRA 中保留"Turbo"能力以实现快速图像生成时。

为促进 Z-Image-Turbo 正确进行 LoRA 训练，我们探索和比较了不同的训练方案，并提出了一种增强训练解决方案，使我们能够依赖即插即用的标准化 SFT 流程，同时不影响推理时的 Turbo 加速能力。

03
训练方案

Tongyi-MAI/Z-Image-Turbo 是一个基于蒸馏技术的加速生成模型，其核心优势是支持低步数推理。

训练注意事项：直接更新模型权重（如完全微调或标准 LoRA）往往会破坏模型的预训练加速轨迹，导致以下现象：

• 使用默认"加速配置"（num_inference_steps=8, cfg_scale=1）推理时，生成质量显著下降。
• 使用"非加速配置"（num_inference_steps=30, cfg_scale=2）推理时，生成质量实际上有所提升，表明模型已退化为非 Turbo 版本。
  
  

为解决这一问题，DiffSynth-Studio 提供了四种训练和推理组合策略。您可以根据对推理速度和训练成本的需求选择最合适的方案。

通用实验设置：

• 数据集：
  
  

• 训练步数：5 个 epoch * 50 次重复 = 250 步
• 验证提示词："a dog"
  
  

方案1：标准 SFT 训练 + 非加速配置推理

这是最通用的微调方法。如果您不依赖 Turbo 模型的快速推理能力，仅关注微调后的生成质量，可以直接使用标准 SFT 脚本进行训练。

• 适用场景：对推理速度不敏感；寻求简单的训练工作流。
• 训练方法：使用标准 SFT 训练。
  
  

• 
  

accelerate launch examples/z_image/model_training/train.py   --dataset_base_path data/example_image_dataset   --dataset_metadata_path data/example_image_dataset/metadata.csv   --max_pixels 1048576   --dataset_repeat 50   --model_id_with_origin_paths "Tongyi-MAI/Z-Image-Turbo:transformer/*.safetensors,Tongyi-MAI/Z-Image-Turbo:text_encoder/*.safetensors,Tongyi-MAI/Z-Image-Turbo:vae/diffusion_pytorch_model.safetensors"   --learning_rate 1e-4   --num_epochs 5   --remove_prefix_in_ckpt "pipe.dit."   --output_path "./models/train/Z-Image-Turbo_lora"   --lora_base_model "dit"   --lora_target_modules "to_q,to_k,to_v,to_out.0,w1,w2,w3"   --lora_rank 32   --use_gradient_checkpointing   --dataset_num_workers 8

• 推理配置：必须放弃加速配置。请调整为 num_inference_steps=30 和 cfg_scale=2。
  
  

每个 epoch 后的结果（8步，cfg=1）：

最终结果（30步，cfg=2）：

方案2：差分 LoRA 训练 + 加速配置推理

如果您希望微调后的模型保留 8 步生成加速能力，推荐使用差分 LoRA 训练。该方法通过引入预设 LoRA 来锁定加速轨迹。

• 适用场景：需要保持 8 步快速推理且显存占用低。
• 训练方法：通过加载预设 LoRA（例如 ostris/zimage_turbo_training_adapter）执行差分 LoRA 训练。
  
  

• 推理配置：保持加速配置，即 num_inference_steps=8 和 cfg_scale=1。
  
  

最终结果（8步，cfg=1）：

方案3：标准 SFT 训练 + 轨迹模仿蒸馏训练 + 加速配置推理

这是一种两阶段"先微调、后加速"的训练方案，旨在让模型先学习内容，然后恢复速度。

• 适用场景：需要标准 SFT 训练并恢复加速能力。
• 训练方法：首先，执行方案1的标准 SFT 训练（此时加速能力将丢失）；随后，基于 SFT 模型执行轨迹模仿蒸馏训练。
• 推理配置：恢复加速配置，即 num_inference_steps=8 和 cfg_scale=1。
  
  

最终结果（8步，cfg=1）：

方案4：标准 SFT 训练 + 推理时加载蒸馏加速 LoRA + 加速配置推理

该方案使用标准 SFT 进行训练，并在推理时使用外部模块（https://www.modelscope.cn/models ... -Turbo-DistillPatch）来恢复加速能力。

• 适用场景：希望使用标准 SFT 工作流，或已拥有训练好的 SFT 模型并希望在不重新训练的情况下恢复其加速特性。
• 训练方法：执行方案1的标准 SFT 训练。
• 推理方法：额外加载蒸馏加速 LoRA，并使用 num_inference_steps=8 和 cfg_scale=1 的加速配置。
  
  

最终结果（8步，cfg=1）：

04
结论：推荐使用方案4

方案4 提供了最佳权衡：您可以保持标准 SFT 的简洁性和强大功能，同时通过在推理时加载官方 Z-Image-Turbo-DistillPatch LoRA 轻松恢复 Turbo 加速。这种即插即用的方法无需重新训练，支持现有模型，并能提供高质量的 8 步生成，使其成为最实用且可扩展的选择。

05
模型推理

环境安装

• 
  

git clone https://github.com/modelscope/DiffSynth-Studio.gitcd DiffSynth-Studiopip install -e .

推理脚本

FP8 精度量化会导致明显的图像质量劣化，因此不建议在 Z-Image Turbo 模型上开启任何量化，仅建议开启 CPU Offload，最低 8G 显存即可运行。

• 
  

from diffsynth.pipelines.z_image import ZImagePipeline, ModelConfigimport torchpipe = ZImagePipeline.from_pretrained(    torch_dtype=torch.bfloat16,    device="cuda",    model_configs=[        ModelConfig(model_id="Tongyi-MAI/Z-Image-Turbo", origin_file_pattern="transformer/*.safetensors"),        ModelConfig(model_id="Tongyi-MAI/Z-Image-Turbo", origin_file_pattern="text_encoder/*.safetensors"),        ModelConfig(model_id="Tongyi-MAI/Z-Image-Turbo", origin_file_pattern="vae/diffusion_pytorch_model.safetensors"),    ],    tokenizer_config=ModelConfig(model_id="Tongyi-MAI/Z-Image-Turbo", origin_file_pattern="tokenizer/"),)pipe.load_lora(pipe.dit, "path/to/your/lora.safetensors")pipe.load_lora(pipe.dit, ModelConfig(model_id="DiffSynth-Studio/Z-Image-Turbo-DistillPatch", origin_file_pattern="model.safetensors"))image = pipe(prompt="a dog", seed=42, rand_device="cuda")image.save("image.jpg")
点击阅读原文， 即可跳转模型链接~

---

👇点击关注ModelScope公众号获取更多技术信息~