MOSS-Image と Z-Image の比較:どちらの Apache 2.0 画像モデルを使う?

MOSS-Image は長い中国語・英語のテキストを描け、JSON レイアウトに従います。Z-Image Turbo は 16 GB GPU で 8 ステップで写実的な画像を生成します。どちらも Apache 2.0 です。

  • 更新日

結論. 選ぶ基準は、画像に何が含まれているべきかです。MOSS-Image(50.8 億パラメータのジェネレーター、Qwen3.5-9B テキストエンコーダを含めて 27.2 GB)は、文字が密集した読みやすいテキストと制御可能なレイアウトのために作られています。技術報告では長文の中英語ベンチマークで 96.3 を記録し、各テキストブロックの位置を固定する JSON レイアウトに従えます。ただしテキストから画像の生成のみで、デフォルトは 50 ステップです。Z-Image(61.5 億パラメータ)は速度と写実性が持ち味で、Turbo は 8 ステップで画像を作り 16 GB GPU に収まり、ベースモデルはファインチューニングの定番の出発点です。ただし編集モデルとオムニチェックポイントは未公開です。両方ともプレーンな Apache 2.0 です。MOSS-Image の報告は Z-Image をテストしていないため、テキストやレイアウトに関する公開された直接比較はなく、自分のプロンプトで試すのが一番です。

仕様

仕様 MOSS-ImageZ-Image
開発元OpenMOSSTongyi MAI
リリース日2026年10月16日2025年11月26日
総パラメータ数5.08B (MOSS-Image-SFT (BF16))6.15B (Z-Image-Turbo)
アクティブパラメータ数すべてすべて
アーキテクチャ拡散モデル拡散モデル
コンテキストウィンドウ––
入力テキストテキスト
ライセンス Apache 2.0 (パーミッシブ) Apache 2.0 (パーミッシブ)
最小バリエーションの必要メモリ(4ビット)4.2 GB (MOSS-Image-SFT (BF16))16 GB (Z-Image-Turbo)

性能に関する主張は開発元によるもので、独自検証は行っていません。

MOSS-Image を選ぶべきケース

  • 長い中国語や英語の文章が正しく綴られていなければならないポスター、インフォグラフィック、ノートを作る場合。
  • JSON レイアウトで各テキストや各オブジェクトの位置を固定したい場合。
  • GPU は小さいがシステムメモリと高速 SSD は十分にある場合:低メモリ構成では GPU メモリのピークが約 4 GB、RAM は約 14 GiB です。
  • ファインチューニング用の Base と SFT チェックポイントが欲しい場合。アダプタ学習は VRAM 6 GB からと謳うコミュニティ製トレーナーもあります。

Z-Image を選ぶべきケース

  • 最速の生成が欲しい場合:Turbo は 8 ステップでガイダンス不要、16 GB GPU に収まります。
  • 主に写実的な画像を作る場合。Tongyi によれば Turbo が最も強い分野です。
  • コミュニティの大きいモデルが欲しい場合:2026 年 11 月 11 日までの 30 日間で、Hugging Face の Z-Image-Turbo は約 74.3 万ダウンロード、MOSS-Image-SFT は約 2.2 万でした。
  • Tongyi の編集モデルとオムニチェックポイントを待てる場合。GitHub ページでは公開予定とされています。

MOSS-Image · Z-Image