Z-Image Base LoRA と Turbo の違い：使える LoRA をテストで検証

Z-Image Base LoRA では、Z-Image Base で学習された LoRA を使ってください。2026年10月5日のテストで、Z-Image Turbo 用に学習された LoRA を Base に読み込むと、画像がノイズと疑似テキストに崩れました。 Base はコミュニティが学習に使う、蒸留されていない低速なモデルで、36回の実行でテキストから画像の中央値は 32.8 秒でした。編集では既定の strength が 0.7 で、スタイル LoRA と組み合わせて 0.6 前後にすると、構図をそのまま保ったまま画面全体のスタイルが変わりました。

Z-Image Base LoRA は、Alibaba の Tongyi-MAI による Z-Image Base を動かします。60億パラメータのシングルストリーム拡散トランスフォーマーで、テキストから画像と画像から画像のどちらでも、自前の LoRA を最大3つまで読み込めます。モデルカードでは Base を Z-Image ファミリーの土台と位置づけ、開発向けで、コミュニティにとって理想的な出発点だとしています。蒸留されていないため LoRA の学習に対応しています。エンドポイントは規制なしで、プラットフォームはコンテンツフィルターを一切かけません。最初に正直な限界を一つ。ベースモデル単体では、最も親密なシーンの描写が苦手です。アダプター LoRA の出番はまさにそこです。このガイドのプロンプトはすべて、服を着た大人の日常的なシーンです。

ひと目でわかる要点

Z-Image Base LoRA、テキストから画像、2:3（832×1216）、seed 41、LoRA なし。プロンプトは次のセクションに掲載しています。

プロンプト：普通の文章で、よく従う

当社のテストでは、Base のプロンプトへの追従は強力でした。カメラマンに依頼を伝えるように書いてください。被写体、服、場所、光、粒状感です。上のロフトのポートレートは、次の1文から生まれました。

A photograph of a woman in her thirties with curly auburn hair, wearing a champagne satin slip dress, sitting on a windowsill in a sunlit loft, holding a coffee cup with both hands, golden hour light on her face, soft film grain.

被写体だけを入れ替えた同じ文の形で、古いジムのボクサーも描けました。

Z-Image Base LoRA、テキストから画像、3:4（896×1152）、seed 42、LoRA なし。

ネガティブプロンプト、guidance、ステップ数のフィールドはありません。提供元はモデル自体について guidance 3.0〜5.0、28〜50 ステップを推奨していますが、このエンドポイントはそのどれも公開していないため、トーンとスタイルはプロンプトと LoRA で決まります。

Base で使える LoRA はどれか

このファミリーが答えるべき問いはこれなので、4種類のファイルを試しました。

無音の失敗が2つ、派手に見える失敗が1つです。表記が誤っているファイルや別のベースモデル用のファイルは何も変えないため、プロンプトのせいだと思って1時間悩むことになりかねません。Base に Turbo のファイルを読み込むと画像がめちゃくちゃになりますが、少なくとも何かおかしいことは伝わります。アダプターを前提に何かを作る前に、同じ seed でファイルありとなしを1組ずつ実行してください。 一致したなら、そのファイルはここでは何もしていません。結果がノイズなら、Turbo 用に学習されたものです。

Hugging Face には、ベースモデルが Tongyi-MAI/Z-Image のアダプターが並んでいます。当社が取得したのはダウンロード数の上位40件だけで、実在の人物に似せる LoRA が大半で、スタイル LoRA も少し含まれていました。全件を数えたわけではないので、件数は示しません。

LoRA を選ぶ前のチェックリスト：

1. ベースモデル： カードに Z-Image Base または Tongyi-MAI/Z-Image と書かれていること。Turbo、Pony、FLUX ではないこと。
2. リンクできるファイル： リポジトリに .safetensors ファイルがあり、resolve/main/ のリンクを組み立てられること。
3. 公開アクセス： ゲート付きのファイルは HTTP 401 のメッセージで失敗します。
4. トリガーフレーズ： カードからそのままコピーしてください。
5. ライセンス： LoRA 自体のカードにあるものを確認してください。

mikkoani LoRA：1つのフレーズで見た目が変わる

mikkoani LoRA は、プロンプトの先頭に置いたフレーズ mature illustration with muted color and complex linework で有効になります。LoRA を強度 1 で使った舞踏室のシーンはこちらです。

{
  "model": "alibaba/z-image-base-lora/text-to-image",
  "prompt": "mature illustration with muted color and complex linework. A woman in her thirties in a red evening dress and a man in his thirties in a dark suit dance close in an empty ballroom at night, moonlight through tall windows, long shadows on the parquet floor.",
  "aspect_ratio": "16:9",
  "seed": 43,
  "loras": [
    {
      "path": "https://huggingface.co/mikkoph/mikkoani-z-image/resolve/main/z-image-mikkoani-v2.safetensors",
      "scale": 1
    }
  ]
}

Z-Image Base LoRA、テキストから画像、16:9（1344×768）、seed 43、mikkoani LoRA を強度 1 で使用。

もう一つ知っておきたい発見があります。LoRA なしでフレーズだけでも、写真のプロンプトがイラスト寄りになりました。 Base は言葉に強く従うため、ファイルの読み込みに失敗してもトリガーフレーズがスタイルの一部を担うことがあります。そのせいで、ありとなしの比較は少しわかりにくくなります。ジャンルだけでなく、線の質とパレットを比べてください。

編集の strength：段階表

編集エンドポイントは、元画像1枚、0〜1 の strength、そして同じ loras フィールドを受け取ります。当社の公開既定値は 0.7 で、上流の既定値は 0.6 です。LoRA なしで写真に対して段階を試しました。

スタイル LoRA を使うと絵が変わります。0.6 では構図をそのまま保ったまま、画面全体のスタイルが変わりました。写真をイラストに変えるにはここが最適な設定です。

左：当社で生成した元写真。右：Z-Image Base LoRA、画像から画像、1k、seed 51、mikkoani LoRA を強度 1、strength 0.6 で使用。

編集のプロンプトには、変更点だけでなく、欲しい絵全体を書きます。

mature illustration with muted color and complex linework. A woman with wavy dark hair in a green velvet dress sings into a vintage microphone on a dark stage, warm spotlight from above.

2つ目の元画像は、夕暮れの屋上で白いリネンシャツの前を開けた男性で、同じ strength です。

左：当社で生成した元写真。右：Z-Image Base LoRA、画像から画像、1k、seed 54、mikkoani LoRA を強度 1、strength 0.6 で使用。

そして、横長の元画像を 1.5k、strength 0.65 で試したものです。

左：当社で生成した元写真。右：Z-Image Base LoRA、画像から画像、1.5k、seed 55、mikkoani LoRA を強度 1、strength 0.65 で使用。

スタイルを変えるもので、指示には従わない

LoRA なしでは、「白黒にして」は strength 0.65 と 0.8 でもカラーのままで、「タキシードを着せて」も 0.7 と 0.8 ではほとんど変わりませんでした。モデルは、あなたの説明をもとにフレームを描き直します。媒体を変えたいならスタイル LoRA を使い、別のシーンにしたいなら十分に説明して strength を上げてください。詳細は編集ページにあります。

サイズ

テキストから画像は SDXL ネイティブサイズの9種類のアスペクト比を提供し、9つすべてが要求どおりのサイズで完了しました。

上流は1辺 256〜1536 を受け付けます。1536×1536 と 256×256 は完了し、1600×896、2048×2048、200×200 はサイズ制約のエラーで失敗しました。編集では、resolution が決めるのは長辺だけで、元画像の比率は保たれます。2:3 の写真を 1k にすると 680×1024、16:9 の写真を 1.5k にすると 1536×856 で返ってきました。

Z-Image Base LoRA、テキストから画像、21:9（1536×640）、seed 45、LoRA なし。

同じ横長の形は、街のシーンにも向いています。

Z-Image Base LoRA、テキストから画像、21:9、LoRA なし。

和らげられるもの

モデルの手前にコンテンツフィルターはありません。当社の段階テストでは、すべてのプロンプトで大人であることを明記したうえで、テキストから画像は L1 ほのめかし（下着、ずり落ちる肩紐）、L2 成熟したテーマ、L3 強め、L5 極限（成人同士の同意に基づく拘束、または映画的なゴア表現）、そして L3 の男性版を書いたとおりに返しました。L4 高強度（成人同士の親密なシーン）は和らげられて返ってきました。 3回試して、seed によっては人物と多少の接触は出ましたが、まとまったシーンにはなりませんでした。服を着た元画像での画像から画像も同様で、低い段階は返り、L3 は strength 0.8 以上から（0.7 は部分的）、L4 は和らげられました。

正直にまとめると、Base 単体ではその最上位の段階を苦手としています。それ用に学習された LoRA が想定された道筋で、守るべき条件は上と同じ、Base 用に限る、です。3つの LoRA を使った画像から画像と、Civitai のリンクの LoRA はテストしていません。

Z-Image Base LoRA か Z-Image Turbo LoRA か

提供元自身による2つのモデルの比較です。

Z-Image Turbo LoRA は、蒸留された8ステップのモデルで、Turbo 用に学習された LoRA を最大3つまで使え、約1メガピクセル、9種類の比率に対応し、画像から画像の既定 strength は 0.8 です。Turbo のアダプターがどう振る舞うかは、同一 seed での Turbo LoRA テストをご覧ください。2つのファミリーで LoRA は共有できません。 Base に Turbo のファイルを読み込むと、当社のテストでは画像が崩れました。逆はテストしていないため、Base のファイルが Turbo で安全だとは考えないでください。

Z-Image Base LoRA、テキストから画像、LoRA なし。当社のカバー用セットからの、映画的なポートレートのプロンプト。

FAQ

Z-Image Turbo の LoRA を Base で使えますか？

いいえ。当社のテストでは、Turbo で学習された LoRA は Base にエラーなしで読み込まれ、画像をノイズと疑似テキストに崩しました。Z-Image Base で学習されたファイルを使ってください。

Z-Image の LoRA を読み込んだのに何も変わらなかったのはなぜですか？

おそらく別のキー形式で保存されているか、別のモデル向けに学習されたものです。Z-Image 向けと表記されながら異なる形式で保存されたファイルと Pony の LoRA は、どちらも読み込まれ、ピクセル単位で同一の出力になりました。ありとなしを1組実行してみてください。

編集の strength はいくつにすべきですか？

既定の 0.7 から始めるか、構図を保ちたいスタイル LoRA では 0.6 前後にします。当社の段階テストでは、0.3 と 0.5 は写真をほとんど変えず、0.75 はシーンを組み直し、0.85 は別の絵になりました。

「白黒にして」のような指示に従えますか？

いいえ。LoRA なしでは、白黒は 0.65 と 0.8 でもカラーのままで、タキシードの依頼もほとんど変化しませんでした。説明から描き直すので、見た目の指定にはスタイル LoRA を使ってください。

どのサイズが使えますか？

テキストから画像は9種類のアスペクト比で、1辺は最大 1536 です。編集は長辺に 1k または 1.5k を指定します。200×200 や 2048×2048 のリクエストは、当社のテストで失敗しました。

Base はどれくらい遅いですか？

テキストから画像は 9.8〜56.7 秒、36回の実行で中央値は 32.8 秒でした。編集は 4.9〜41.7 秒、28回の実行で中央値は 16.8 秒でした。

Base は最も親密なシーンを描けますか？

単体では説得力のある描写になりません。3回の試行でその段階は和らげられて返り、それより下の段階は書いたとおりにレンダリングされました。さらに先へ進むには、それ用に学習された LoRA が手段です。

ステップ数、guidance、ネガティブプロンプトは指定できますか？

できません。提供元はモデル自体について 28〜50 ステップを推奨していますが、このエンドポイントにそのようなフィールドはありません。