Z-Image Turbo で 12カ国の料理を描かせて見えたもの

本記事は AI が描く各国料理 — 8モデル × 12カ国で比較してみたのスピンオフ、各モデル単独レビューの v3。

母艦記事では 8モデル × 12カ国 = 96 国別評価セルの全体俯瞰を扱う。本記事はその中の Z-Image Turbo だけを 60 プロンプト全部について Gemini 2.5 Pro Vision で評価した詳細を載せる。

TL;DR

Z-Image Turbo は Alibaba Tongyi Lab 🇨🇳 の 6B 蒸留版。8-step で高速かつバランスが良く、本検証で総合 2 位。
60 プロンプト (12カ国 × 5料理) を生成、Gemini API 出力を 現地正解基準として比較評価
文化的再現度 (cultural_accuracy): 平均 1.63 / 3.0
観光客目線の見栄え (visual_appeal): 平均 4.32 / 5.0
失敗型の主成分: 視覚的に似た別カテゴリの料理に引き寄せられる (beta 19件)
強い国: Germany, Japan, Korea, Thailand
弱い国: (該当なし)
推奨用途: 速度と文化的再現度のバランス型、東アジア料理
避けたい用途: 観光メディアの極端に薄い文化圏 (Lebanon / Nigeria)

1. 生成環境

項目	値
アーキテクチャ	DiT (Z-Image family, Alibaba Tongyi Lab)
サイズ	6B (bf16)
ステップ数	8
蒸留	✅ (8-step 蒸留)
1枚あたり生成時間 (M1 Max 64GB / MPS)	約 1 分 (8 step / 1024px / MPS)
HF gated repo	❌ 申請不要
ライセンス	Apache 2.0 (商用利用可)

from diffusers import ZImagePipeline
import torch

pipe = ZImagePipeline.from_pretrained(
    "Tongyi-MAI/Z-Image-Turbo",
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=False,
).to("mps")

image = pipe(prompt="...", num_inference_steps=8,
             height=1024, width=1024).images[0]

wired_limit: Mac で MPS バックエンドを使い大型モデルを動かす場合、sudo sysctl iogpu.wired_limit_mb=61440 (60GB) を毎回設定する (再起動でリセット)。

2. 12カ国比較グリッド

参考画像 (最上段、緑帯) が Gemini API、その下が Z-Image Turbo + 他 6 ローカルモデル。本記事の対象は Z-Image Turbo 行。クリックで原寸表示。

母艦記事の結果マトリックスで、このモデルが全体のどこに位置するかを確認できる。

3. 国別の挙動 (Gemini 2.5 Pro Vision 評価ベース)

3.1 強い国 (cultural_accuracy 平均 ≥ 2.0)

Germany — CA 2.00 (bbbbb)
Japan — CA 2.00 (bbbbb)
Korea — CA 2.00 (bbbbb)
Thailand — CA 2.00 (bbbbb)

3.2 中庸の国 (1.0 ≤ ca < 2.0)

USA — CA 1.80 (bbbbc)
Mexico — CA 1.60 (bbbcc)
Brazil — CA 1.60 (bbbcc)
Vietnam — CA 1.60 (bbbcc)
Italy — CA 1.40 (bbccc)
India — CA 1.40 (bbccc)
Lebanon — CA 1.20 (bcccc)
Nigeria — CA 1.00 (bcccd)

3.3 弱い国 (ca < 1.0)

(該当国なし)

4. 失敗型の特徴

このモデルの 60 件評価で観察された失敗型の分布：

型	件数	特徴
α 異文化 garnish ライブラリ混入	7	異文化のハーブ・ソース・食器を混入
β 視覚類似カテゴリ引き寄せ	19	視覚的に似た別カテゴリへ統計的に引き寄せ
γ 整列癖 (パレイドリア)	0	要素が幾何学的に整いすぎる
mixed 複合	10	複数の失敗型が複合
none 大きな失敗なし	24	—