Tongyi Lab ของ Alibaba ท้าทายความคลั่งไคล้ในการนับพารามิเตอร์มหาศาลของอุตสาหกรรมโดยได้เปิดตัว Z-Image-Turbo ซึ่งเป็นโมเดลการสร้างรูปภาพ AI น้ำหนักเบาที่ออกแบบมาเพื่อทำงานบนฮาร์ดแวร์สำหรับผู้บริโภค
ระบบ 6 พันล้านพารามิเตอร์อ้างว่าสามารถจับคู่คุณภาพเชิงพาณิชย์ได้โดยใช้ขั้นตอนการอนุมานเพียง 8 ขั้นตอน
โมเดลนี้รวมการประมวลผลข้อความและรูปภาพเข้าด้วยกันโดยใช้สถาปัตยกรรม Single-Stream Diffusion Transformer (S3-DiT) แบบใหม่เพื่อเพิ่มประสิทธิภาพสูงสุด วิธีการนี้ช่วยให้สามารถสร้างภาพเสมือนจริงบนกราฟิกการ์ดเกมมาตรฐานที่มี Video Random Access Memory (VRAM) น้อยกว่า 16GB ซึ่งทำให้เข้าถึง AI ท้องถิ่นที่มีความแม่นยำสูงได้อย่างเท่าเทียมกัน
จุดเปลี่ยนด้านประสิทธิภาพ: 6B เทียบกับโลก
การแตกสลายจากเทรนด์อุตสาหกรรมของโมเดลขนาดใหญ่ การเปิดตัวของ Alibaba ถือเป็นจุดเปลี่ยนเชิงกลยุทธ์ที่ชัดเจน ห่างจากความเชื่อที่ว่า”ใหญ่กว่าดีกว่า”ซึ่งครอบงำในปี 2568
ในขณะที่ Black Forest Labs เพิ่งผลักดันขอบเขตของฮาร์ดแวร์ด้วยการเปิดตัว FLUX.2 ซึ่งเป็นโมเดลพารามิเตอร์ 32 พันล้านที่ต้องการพื้นที่ 90GB VRAM, Z-Image-Turbo กำหนดเป้าหมายไปที่ฝั่งตรงข้ามของสเปกตรัม
โมเดลนี้ได้รับการออกแบบมาโดยเฉพาะสำหรับฮาร์ดแวร์ระดับผู้บริโภคโดยใช้สถาปัตยกรรมพารามิเตอร์แบบลีนที่มีมูลค่า 6 พันล้าน ข้อกำหนดด้านฮาร์ดแวร์ลดลงอย่างเห็นได้ชัด โดยใช้งานได้อย่างสะดวกสบายบนการ์ดที่มี VRAM น้อยกว่า 16GB
ความเร็วในการอนุมานเป็นจุดขายหลัก โดยโมเดลดังกล่าวต้องการการประเมินจำนวนฟังก์ชัน (NFE) หรือขั้นตอนเพียง 8 รายการเท่านั้น
Tongyi Lab เน้นย้ำเมตริกประสิทธิภาพว่า”Z-Image-Turbo จับคู่หรือเหนือกว่าคู่แข่งชั้นนำด้วย NFE เพียง 8 ตัว (จำนวนการประเมินฟังก์ชัน) โดยให้การอนุมานในเสี้ยววินาที เวลาแฝงบน GPU H800 ระดับองค์กร และลงตัวกับความสะดวกสบายภายในอุปกรณ์ 16G VRAM ของผู้บริโภค”
ในเชิงกลยุทธ์ การเปิดตัวครั้งนี้ท้าทายสมมติฐานที่ว่าขนาดโมเดลเป็นหนทางเดียวสู่คุณภาพภาพถ่ายที่สมจริง
ภายใต้ฝากระโปรง: S3-DiT และ Decoupled-DMD
ต่างจากแนวทางดูอัลสตรีมแบบดั้งเดิมที่ประมวลผลรูปแบบแยกกัน ทีมงานละทิ้ง Multimodal Diffusion Transformer แบบดั้งเดิม (MMDiT) ที่ใช้ในรุ่น Qwen-Image ก่อนหน้านี้เพื่อให้ได้ประสิทธิภาพนี้ที่พารามิเตอร์ 6B
ในทางสถาปัตยกรรม ระบบใช้ Single-Stream Diffusion Transformer (S3-DiT) ตามข้อมูลของ พื้นที่เก็บข้อมูล Z-Image:
“โมเดล Z-Image ใช้สถาปัตยกรรม Single-Stream Diffusion Transformer การออกแบบนี้รวมการประมวลผลของอินพุตตามเงื่อนไขต่างๆ (เช่น การฝังข้อความและรูปภาพ) เข้ากับค่าแฝงของรูปภาพที่มีสัญญาณรบกวนเป็นลำดับเดียว ซึ่งจากนั้นจะถูกป้อนเข้าสู่แกนหลักของ Transformer”
“ในการตั้งค่านี้ ข้อความ โทเค็นความหมายเชิงภาพ และโทเค็น VAE รูปภาพจะเชื่อมต่อกันที่ระดับลำดับเพื่อทำหน้าที่เป็นสตรีมอินพุตแบบรวม ซึ่งจะเพิ่มประสิทธิภาพพารามิเตอร์ให้สูงสุดเมื่อเปรียบเทียบกับวิธีสตรีมแบบคู่”
ด้วยการรวมข้อความ โทเค็นความหมายแบบภาพ และโทเค็น VAE รูปภาพเป็นลำดับเดียว โมเดลนี้จะเพิ่มประสิทธิภาพพารามิเตอร์ให้สูงสุด
กำจัดความซ้ำซ้อนที่พบในแนวทางแบบสตรีมคู่โดยที่ ข้อความและรูปภาพจะได้รับการประมวลผลแยกกันก่อนฟิวชั่น การออกแบบนี้ทำให้การคำนวณคล่องตัวขึ้น ความเร็วได้รับการปรับปรุงเพิ่มเติมด้วยเทคนิคการกลั่นแบบใหม่ที่เรียกว่า”Decoupled-DMD”
ด้วยการแยกส่วนเสริมคำแนะนำออกจากการจับคู่การกระจาย อัลกอริธึมจะแยกการเพิ่ม Classifier-Free Guidance (CFG) ออกจากกระบวนการจับคู่การกระจาย
การแยกส่วนประกอบเหล่านี้ช่วยให้แบบจำลองสามารถรักษาความยึดเกาะในระดับสูงเพื่อแจ้งเตือนแม้ในจำนวนขั้นตอนที่ต่ำ เพื่อป้องกันไม่ให้”พังทลาย”ที่มักพบเห็นในแบบจำลองที่กลั่น
การเพิ่มประสิทธิภาพหลังการฝึกอบรมเกี่ยวข้องกับความซับซ้อนชั้นที่สาม: การเรียนรู้แบบเสริมกำลัง ห้องแล็บอธิบายถึงการทำงานร่วมกันระหว่างเทคนิคต่างๆ โดยตั้งข้อสังเกตว่า”ข้อมูลเชิงลึกหลักของเราเบื้องหลัง DMDR คือการเรียนรู้แบบเสริมแรง (RL) และการกลั่นแบบจับคู่การกระจาย (DMD) สามารถบูรณาการร่วมกันได้ในระหว่างการฝึกอบรมหลังการฝึกอบรมโมเดลไม่กี่ขั้นตอน”
การใช้ RL กับการกลั่น วิธีการ”DMDR”จะปรับแต่งผลลัพธ์ที่สวยงามของโมเดลหลังจากการฝึกอบรมครั้งแรก
ภาษาและข้อความสองภาษา ข้อได้เปรียบ
ในขณะที่คู่แข่งชาวตะวันตกมักจะประสบปัญหากับการพิมพ์ที่ไม่ใช่ภาษาละติน Z-Image-Turbo ได้รับการปรับให้เหมาะสมสำหรับการแสดงข้อความสองภาษา โดยจัดการทั้งตัวอักษรจีนและอังกฤษภายในภาพเดียวกัน
ใช่! Z-Image ไม่จำเป็นต้องมีหนังสือเดินทาง ✈️
ได้รับการฝึกอบรมเกี่ยวกับข้อมูลสองภาษาเป็นหลัก แต่ที่นี่เน้นความคล่องแคล่วในภาษาที่เราไม่ได้สอนด้วยซ้ำ ใช่แล้ว มันสะกดเครื่องหมายถูกต้อง (ไม่มี AI เขียน!)
คำทักทายใดที่คุณชอบที่สุด pic.twitter.com/fGQndYDQXv— ตงยี่แล็บ (@Ali_TongyiLab) 27 พฤศจิกายน 2025
ด้วยการกำหนดเป้าหมายไปที่ตลาดอีคอมเมิร์ซและการโฆษณาทั่วโลก ความสามารถนี้ช่วยแก้ไขช่องว่างสำคัญที่เนื้อหาภาษาผสมถือเป็นมาตรฐาน
โมเดลนี้สร้างขึ้นบนรากฐานที่วางโดยโมเดลรากฐานของ Qwen-Image ซึ่งเปิดตัวในเดือนสิงหาคม ซึ่งเป็นผู้บุกเบิกการเรียนรู้หลักสูตรสำหรับการพิมพ์ โมเดลนี้จึงมีความเป็นเลิศในรูปแบบที่ซับซ้อน
นักวิจัยอ้างว่า”ด้วยการเพิ่มประสิทธิภาพอย่างเป็นระบบ ผ่านการเพิ่มประสิทธิภาพอย่างเป็นระบบ พิสูจน์ได้ว่าประสิทธิภาพระดับสูงสุดสามารถทำได้โดยไม่ต้องอาศัยขนาดโมเดลที่ใหญ่โต ให้ผลลัพธ์ที่ยอดเยี่ยมในการสร้างภาพเสมือนจริงและการแสดงข้อความสองภาษาที่เทียบเคียงได้กับโมเดลเชิงพาณิชย์ชั้นนำ”
กรณีการใช้งาน รวมถึงการออกแบบโปสเตอร์ที่ซับซ้อน การสร้างโลโก้ และสื่อทางการตลาดที่ต้องมีการวางซ้อนข้อความที่อ่านง่าย สิ่งที่สนับสนุนการอ้างสิทธิ์”การสร้างภาพเสมือนจริง”คือความสามารถในการแสดงข้อความตามแสงและพื้นผิวของฉาก
ตามการประเมินความชอบของมนุษย์ตาม Elo (บน Alibaba AI Arena) Z-Image-Turbo แสดงให้เห็นประสิทธิภาพการแข่งขันสูงเมื่อเทียบกับรุ่นชั้นนำอื่นๆ ในขณะที่บรรลุเป้าหมาย ผลลัพธ์ที่ล้ำสมัยในบรรดาโมเดลโอเพ่นซอร์ส
5/10 คุณภาพภาพเสมือนจริงที่มีประสิทธิภาพ: Z-Image-Turbo เป็นเลิศในการสร้างภาพที่มีความสมจริงในระดับการถ่ายภาพ ซึ่งแสดงให้เห็นถึงการควบคุมรายละเอียด แสง และพื้นผิวอย่างละเอียด มันรักษาสมดุลระหว่างความเที่ยงตรงสูงกับคุณภาพสุนทรียศาสตร์ที่แข็งแกร่งในองค์ประกอบและอารมณ์โดยรวม ที่สร้างขึ้น… pic.twitter.com/5sKZ1g0G0U
— Tongyi Lab (@Ali_TongyiLab) 27 พฤศจิกายน 2025
บริบทของตลาด: The Open Source Arms Race
การกำหนดเวลา การเปิดตัวจะวางตำแหน่ง Alibaba ไว้โดยตรง การเผชิญหน้ากับคู่แข่งในระบบนิเวศทั้งแบบเปิดและแบบปิด Gemini 3 Pro Image เพิ่งเปิดตัวในฐานะเครื่องมือแบบปิดที่มุ่งเน้นองค์กรโดยมีเหตุผล”Deep Think”
ในทางตรงกันข้าม Alibaba ได้เปิดตัว Z-Image-Turbo ภายใต้ใบอนุญาต Apache 2.0 ที่อนุญาต เพื่อให้สามารถนำไปใช้ในเชิงพาณิชย์และแก้ไขได้
กลยุทธ์”open Weights”ได้รับการออกแบบมาเพื่อตัดราคา API ที่เป็นกรรมสิทธิ์ ช่วยให้นักพัฒนาสามารถโฮสต์โมเดลด้วยตนเองได้ Turbo เป็นเพียงรุ่นแรกในตระกูลที่วางแผนไว้
ตัวแปรในอนาคต ได้แก่”Z-Image-Base”สำหรับการปรับแต่งอย่างละเอียด และ Qwen-Image-Edit สำหรับการปรับเปลี่ยนตามคำสั่ง
ในท้ายที่สุด การเปิดตัวครั้งนี้เน้นย้ำถึงการแข่งขัน AI ที่เข้มข้นขึ้นระหว่างยักษ์ใหญ่ด้านเทคโนโลยีของสหรัฐฯ และจีน โดยประสิทธิภาพกลายเป็นสมรภูมิใหม่เหนือระดับดิบ
