Innhold Vis
Z-Image 6B er Tencents nye open source bildegenerator som kaster VAE ut av ligningen og genererer direkte i pikselrom. Det høres kanskje ut som en teknisk detalj, men konsekvensene er ganske store – spesielt for deg som vil kjøre lokalt på 16 GB VRAM og pushe oppløsningen til 4K og oppover.
Modellen er utviklet av Tencent Youtu Lab i samarbeid med Nanjing University, og ble sluppet i mai 2026 med tilhørende paper på arXiv (arXiv:2605.12013). Koden og vektene ligger åpent på GitHub under TencentYoutuResearch.
Men hva vil det egentlig si å generere i pikselrom – og hvorfor fjerner de VAE? La meg gå gjennom det.
Hva er pixel space generation og hvorfor droppe VAE?
De aller fleste bildegeneratorer i dag – FLUX, Stable Diffusion, HiDream – bruker noe som heter en Variational Autoencoder (VAE). VAE-en komprimerer bildet til et lite latent rom der diffusjonsprosessen skjer, og ekspanderer det tilbake til piksler etterpå. Det gjør prosessen raskere og billigere, men introduserer et flaskehals: VAE-en legger til treningskompleksitet, kan introdusere artefakter, og blir fort minnekrevende ved høye oppløsninger.
Pixel space generation betyr at modellen jobber direkte med pikslene – ingen komprimering, ingen ekspandering. Det er matematisk renere, men historisk mye tregere og mer krevende. Z-Image 6B løser dette med en metode kalt L2P (Latent-to-Pixel).
Hva er L2P-metoden og hvordan fungerer den?
L2P er en overføringsparadigme som tar en ferdig trent latent diffusjonsmodell (LDM) og konverterer den til en pikselrommodell – uten å trene fra bunnen av. Fremgangsmåten er elegant:
- Mellomlagsene fra kilde-LDM (Z-Image-Turbo i dette tilfellet) fryses og beholdes
- Kun grunnlagsene trenes på nytt for å håndtere latent-til-piksel transformasjonen
- I stedet for VAE brukes large-patch tokenization – store bildebiter som tokens
- Treningen skjer utelukkende på syntetiske data generert av kilde-LDM, ikke ekte bilder
Resultatet er rask konvergens fordi modellen tilpasser seg et allerede glatt datamanifold – den vet allerede hva «et godt bilde» ser ut som, det er bare representasjonsformatet som endres. Hele treningsprosessen krever kun 8 GPU-er, noe som er lavt for et 6 milliarder parameter prosjekt.
Hva er ytelsen på Z-Image 6B?
Tallene fra papiret er interessante. På DPG-Bench presterer Z-Image 6B på nivå med kilde-LDM – du mister altså ikke bildekvalitet ved overgangen til pikselrom. På GenEval-benchmark oppnår modellen 93% ytelse, noe som plasserer den blant de bedre open source-alternativene tilgjengelig i dag.
Det mest imponerende tallet er generasjonshastigheten ved høye oppløsninger: 97,67% raskere inferens enn kilde-LDM ved 4K-generering. Det er ikke 10% bedre, det er nesten dobbelt så raskt som man ville forvente. Forklaringen er at large-patch tokenization skalerer mye bedre enn tradisjonell VAE-dekoding ved store bildeformater.
I tillegg støtter modellen 8K zero-shot ekstrapolering – den er altså ikke trent på 8K, men kan generere det likevel ved å extrapolere fra det den har lært.
Hva kreves for å kjøre Z-Image 6B lokalt?
Modellen har 6 milliarder parametere og er testet med standard 1K (1024×1024) oppløsning. På en RTX 4090 med 24 GB VRAM går dette greit, men modellen skal ifølge dokumentasjonen også kjøre på 16 GB VRAM. Det gjør den tilgjengelig for et ganske bredt spekter av gaming-GPU-er.
Installasjon skjer via GitHub-repoet:
git clone https://github.com/TencentYoutuResearch/T2I-L2P
cd T2I-L2P
pip install -e .Vektene og et teknisk datasett er tilgjengelig via Hugging Face, og det finnes en Gradio-basert webgrensesnitt for de som ikke vil skrive kode. Inferens kjøres med 30 steg og guidance scale 2.0 som standard.
Veikart for prosjektet inkluderer 4K og 8K nativistrening fremover – det som er demonstrert nå er 1K med ekstrapoleringsmuligheter, men dedikert trening for høyere oppløsninger er planlagt.
Hva er lisensen på Z-Image 6B?
Her er det verdt å merke seg: modellen er tilgjengelig under Creative Commons BY-NC-SA 4.0. Det betyr at den er åpen for forskning og personlig bruk, men ikke for kommersiell bruk uten avtale med Tencent. Selve koden i GitHub-repoet kan ha Apache 2.0, men vektene og det akademiske arbeidet er under CC BY-NC-SA.
Dette er en vesentlig forskjell fra modeller som HiDream-O1-Image som også er VAE-fri men kjøres under Apache 2.0 med full kommersiell frihet, eller FLUX.2 med tilsvarende bred lisens. For hobbybruk og testing spiller ikke dette noen rolle, men skal du bygge en tjeneste rundt Z-Image 6B må du avklare det med Tencent.
Hva skiller Z-Image 6B fra HiDream og FLUX.2?
VAE-fri design er ikke nytt – SenseNova U1 er et annet eksempel på at forskere beveger seg vekk fra den tradisjonelle VAE-arkitekturen. HiDream-O1-Image er faktisk også VAE-fri, men bruker en annen tilnærming. Det som gjør Z-Image 6B interessant er kombinasjonen av:
- Overføring fra eksisterende LDM-vekter – ingen fullstendig nytrening nødvendig
- Drastisk raskere 4K-generering sammenlignet med utgangspunktet
- Syntetisk datatrening – ingen behov for store labeled datasets
- 8K zero-shot uten dedikert trening
Sammenlignet med Nano Banana 2 og andre kommersielle alternativene er Z-Image 6B et rent forskningsprosjekt per nå. Den er ikke finjustert for å følge instruksjoner like bra, ikke bygget for produksjonsmiljøer, og mangler det instruksjons-tuning laget du får i Nano Banana Pro eller Midjourney. Men for forskning, eksperimentering og lokal høyoppløsningsgenerering er det definitivt et interessant prosjekt å følge.
Ser du på prosjektets GitHub-veikart er det tydelig at 4K og 8K nativistrening er neste steg. Hvis ytelsen holder ved høyere oppløsninger – og 97% forbedring ved 4K tyder på at den gjør det – er Z-Image 6B noe å ha i bakhodet for de som jobber med høyoppløselig bildesyntese uten å betale for cloud-API-er. Er lisensen en deal-breaker for deg, er HiDream-O1-Image det nærmeste alternativet med tilsvarende arkitektur og full kommersiell frihet.
