在 ComfyUI 中搭建 Z-Image-Turbo 文生图工作流

先上图看效果：

前言

Z-Image-Turbo 是一款高效的扩散模型，能够在极少的采样步数（通常 4~8 步）内生成高质量图像。与传统的 Stable Diffusion 不同，它采用了分离式模型架构：文本编码器、扩散模型和 VAE 分别存储为独立文件，需要通过特定的加载节点分别调用。

本文将手把手带你从空白界面开始，搭建一个完整的文生图工作流。

适用模型：Z-Image-Turbo（基于 SD3 架构的蒸馏模型）

一、准备工作：模型文件与目录结构

在开始搭建之前，请确保已下载以下三个模型文件，并放入 ComfyUI 的对应目录中：

注意：qwen_3_4b.safetensors 必须放在 models/clip/ 目录下，而非 text_encoders/，否则 CLIPLoader 节点将无法识别。

二、节点清单：需要添加的 10 个核心节点

在 ComfyUI 空白处双击鼠标左键，弹出搜索框后，依次添加以下节点：

三、节点参数配置

3.1 模型加载节点

① UNet加载器 / UNETLoader（节点 1）

• unet_name（UNet名称）：选择 z_image_turbo_bf16.safetensors
• weight_dtype（权重数据类型）：保持 default（默认）

② 加载CLIP / CLIPLoader（节点 2）

• clip_name（CLIP名称）：选择 qwen_3_4b.safetensors
• type（类型）：必须选择 lumina2（这是 Z-Image-Turbo 专用的 CLIP 类型）
• device（设备）：保持 default（默认）

③ 加载VAE / VAELoader（节点 3）

• vae_name（VAE名称）：选择 ae.safetensors

3.2 采样参数节点

④ 采样算法（AuraFlow）/ ModelSamplingAuraFlow（节点 4）

• shift（偏移量）：填入 3（Z-Image-Turbo 的推荐值）

⑤ 空Latent图像（SD3）/ EmptySD3LatentImage（节点 5）

• width（宽度）：1024
• height（高度）：1024
• batch_size（批次大小）：1

3.3 提示词与条件节点

⑥ CLIP文本编码 / CLIPTextEncode（节点 6）

• text（文本）：填入你的正向提示词，例如：text大床上的性感美女，诱人身姿
• clip（CLIP）：此输入将在连线时连接至 CLIPLoader

说明：Z-Image-Turbo 的 Qwen 文本编码器支持中文提示词，可以直接使用中文描述。

⑦ 条件零化 / ConditioningZeroOut（节点 7）

• 无需配置任何参数，它将从正向条件生成一个”空条件”作为反向提示词

3.4 采样器节点

⑧ K采样器 / KSampler（节点 8）

重要提示：Z-Image-Turbo 属于蒸馏模型，cfg 必须为 1.0，否则会导致图像过饱和或失真。

⑨ VAE解码 / VAEDecode（节点 9）

• 无需配置，接收采样器的潜空间输出和 VAE

⑩ 保存图像 / SaveImage（节点 10）

• filename_prefix（文件名前缀）：自定义保存文件名前缀，如 "ComfyUI"

四、节点连接：数据流的串联

按照以下顺序，从源节点的输出端口（右侧圆点） 拖出连线，连接到目标节点的输入端口（左侧圆点）。

结构示意图

text

UNet加载器 → 采样算法(AuraFlow) → K采样器
                ↑
加载CLIP → CLIP文本编码 → 条件零化 → K采样器 (反向条件)
                ↓
           K采样器 (正向条件)
                ↓
空Latent图像(SD3) → K采样器 → VAE解码 → 保存图像
                         ↑
                   加载VAE

五、关于中文提示词的重要说明

在本次更新的工作流中，提示词已改为中文：

text

大床上的性感美女，诱人身姿

Z-Image-Turbo 的 Qwen 文本编码器原生支持中文，因此可以直接使用中文编写提示词，无需翻译成英文。这相比传统的 SD 系列模型（主要基于英文 CLIP）是一个显著优势。

使用中文提示词时，建议注意以下几点：

• 使用清晰、具体的中文描述
• 可以包含风格、光影、构图等细节描述
• 避免过于简短的词汇堆砌，完整句子效果更好

六、常见问题排查

七、进阶建议

1. 固定随机种子（Seed）：找到满意的图像后，可固定 seed 值，便于微调提示词时保持一致的基础构图。
2. 调整步数（Steps）：在 4~8 步范围内微调，步数越少生成越快，但细节可能略少。
3. 中文提示词优化：Z-Image-Turbo 对中文理解较好，可以尝试加入风格词（如”写实风格”、”电影质感”、”8K高清”等）来提升画质。
4. 批量生成：调整 batch_size 参数可一次生成多张图像，便于筛选。

总结

本文完整介绍了从零搭建 Z-Image-Turbo 文生图工作流的全过程，涵盖模型准备、节点配置、连线逻辑和问题排查。本次更新特别将提示词改为中文示例，充分利用了 Z-Image-Turbo 原生支持中文的优势。掌握这套流程后，你就可以灵活替换模型文件，适配更多基于 SD3/Flux 架构的分离式模型。最后附json代码如下：

{
  "1": {
    "inputs": {
      "unet_name": "z_image_turbo_bf16.safetensors",
      "weight_dtype": "default"
    },
    "class_type": "UNETLoader",
    "_meta": {
      "title": "UNet加载器"
    }
  },
  "2": {
    "inputs": {
      "clip_name": "qwen_3_4b.safetensors",
      "type": "lumina2",
      "device": "default"
    },
    "class_type": "CLIPLoader",
    "_meta": {
      "title": "加载CLIP"
    }
  },
  "3": {
    "inputs": {
      "vae_name": "ae.safetensors"
    },
    "class_type": "VAELoader",
    "_meta": {
      "title": "加载VAE"
    }
  },
  "4": {
    "inputs": {
      "shift": 3,
      "model": [
        "1",
        0
      ]
    },
    "class_type": "ModelSamplingAuraFlow",
    "_meta": {
      "title": "采样算法（AuraFlow）"
    }
  },
  "5": {
    "inputs": {
      "width": 1024,
      "height": 1024,
      "batch_size": 1
    },
    "class_type": "EmptySD3LatentImage",
    "_meta": {
      "title": "空Latent图像（SD3）"
    }
  },
  "6": {
    "inputs": {
      "text": "大床上的性感美女，诱人身姿",
      "clip": [
        "2",
        0
      ]
    },
    "class_type": "CLIPTextEncode",
    "_meta": {
      "title": "CLIP文本编码"
    }
  },
  "7": {
    "inputs": {
      "conditioning": [
        "6",
        0
      ]
    },
    "class_type": "ConditioningZeroOut",
    "_meta": {
      "title": "条件零化"
    }
  },
  "8": {
    "inputs": {
      "seed": 0,
      "steps": 8,
      "cfg": 1,
      "sampler_name": "res_multistep",
      "scheduler": "simple",
      "denoise": 1,
      "model": [
        "4",
        0
      ],
      "positive": [
        "6",
        0
      ],
      "negative": [
        "7",
        0
      ],
      "latent_image": [
        "5",
        0
      ]
    },
    "class_type": "KSampler",
    "_meta": {
      "title": "K采样器"
    }
  },
  "9": {
    "inputs": {
      "samples": [
        "8",
        0
      ],
      "vae": [
        "3",
        0
      ]
    },
    "class_type": "VAEDecode",
    "_meta": {
      "title": "VAE解码"
    }
  },
  "10": {
    "inputs": {
      "filename_prefix": "ComfyUI",
      "images": [
        "9",
        0
      ]
    },
    "class_type": "SaveImage",
    "_meta": {
      "title": "保存图像"
    }
  }
}