企业官网建设流程全解析

果得到一张噪声少了一点点的、略微能看出模糊轮廓的图片。

循环往复：把上一步得到的、稍微清晰一点的图片作为新的输入，再次让模型预测并减去噪声。

终点：重复几十步后，噪声被逐步移除干净，一张清晰的、符合你描述的图片就诞生了。

这个一步步预测并减去噪声的循环，从方向上看是前向加噪的“反向”，从动作上看就是在“去噪”。

vllm旗下的子项目vllm-omni提供了简单、快速且低成本的多模态模型服务。

Z-Image是阿里开源的完整版本、未经蒸馏的的 Transformer 文生图模型， 10.26B权重参数， 20.55GB GPU显存， 专为高质量、强生成多样性、广泛的风格覆盖能力以及精准的提示词遵循而设计。

启动推理服务器：
vllm serve Tongyi-MAI/Z-Image --omni --port 8000 --tensor-parallel-size 2

注意： 不是用原生vllm(对应的docker镜像是vllm-openai)带omni参数， 而是要一个包含omni扩展的多模态vllm (对应的docker镜像是vllm-omni)。

支持两种接口， 都是兼容openai的接口

• Diffusion Chat Completions API： 希望在类似聊天机器人的多模态、多轮对话中集成图像生成能力

• Image Generation API ： 稳定、专注于图像生成

输出的二进制图片被base64 编码，解码可得图片。

jq 是json格式化和取值工具， 从json响应体字段中取值。