Guerra de Fine-Tunes de Z-Image Turbo: 4 Checkpoints Comparados con la Misma Imagen (ComfyUI, RTX 3090)

Read in English →

Esta semana, 4 fine-tunes distintos de Z-Image Turbo están en el top de descargas de Civitai, cada uno con entre 46.000 y 52.600 descargas en 7 días — una guerra de fine-tunes real, no una tendencia inventada. Los descargamos los 4 y los probamos con el mismo prompt, la misma seed y los mismos parámetros que usamos con el checkpoint oficial, para ver qué cambia de verdad y qué es solo marketing del nombre del modelo.

De un vistazo: los 4 fine-tunes

Nota de acceso: 3 de los 4 (todos menos unStable Revolution) exigen sesión iniciada en Civitai para descargar — si vas a automatizarlo, necesitas una API key personal.

Nota de VRAM: según el log de ComfyUI durante esta prueba, el CLIP (qwen_3_4b) reserva ~7.7GB y el UNet en fp16 de unStable Revolution ~11.7GB — juntos, ~19.4GB antes de contar el VAE (~160MB). Los 3 fine-tunes en fp8 se quedan más cerca de ~5.9GB de UNet. No monitorizamos el pico real con todo cargado a la vez, así que toma esto como orientativo, no como cifra de VRAM mínima garantizada.

Referencia: checkpoint oficial de Z-Image Turbo

z_image_turbo_bf16.safetensors oficial. Mirada de perfil hacia un lado, tal y como pide el prompt.

Metodología: mismo prompt, misma seed, un solo cambio

• Mismo prompt: un hombre de mediana edad sentado en un banco de un parque en otoño, con jersey de lana verde, mirando ligeramente hacia un lado — estructurado en bloques (medio, sujeto, acción, vestuario, entorno, iluminación, piel, cámara) en prosa fluida, no en lista de keywords.
• Misma seed: 314159.
• Mismos parámetros de KSampler: 12 pasos, cfg 1.0, euler/sgm_uniform, denoise 1.0 — los recomendados para Z-Image Turbo.
• Mismo CLIP y VAE: qwen_3_4b.safetensors y ae.safetensors, sin tocar, en los 5 casos.
• Cambio entre imágenes: únicamente el archivo cargado en el nodo UNETLoader.

Así, cualquier diferencia entre las 5 imágenes viene exclusivamente del checkpoint, no del prompt, la seed ni el resto del pipeline.

⚠️ Limitación de esta prueba: generamos una sola imagen por checkpoint (una sola seed). No es suficiente para afirmar cuál es “más realista” de forma fiable — para eso haría falta un panel ciego con varias seeds por checkpoint. Lo que sí es una observación válida con una sola seed es si el checkpoint cambia la composición (pose, mirada, encuadre) respecto al oficial, porque ese cambio es determinista dado el mismo ruido inicial.

El hallazgo real: 2 de los 4 cambian la pose, no solo la piel

Las 5 versiones lado a lado. Fíjate en la mirada y el encuadre, no solo en la piel.

Esperábamos encontrar diferencias de textura de piel o de tono de color — lo habitual al comparar fine-tunes de un mismo checkpoint base. Lo que encontramos fue más interesante:

Stable Yogi e IntoRealism reproducen casi exactamente la composición del oficial: el hombre mirando de perfil hacia un lado, mismo encuadre, mismo fondo con el grupo de gente desenfocada al fondo del parque. Con seed idéntica, el resultado es casi un cambio de piel/color, que es lo que cabría esperar de un fine-tune bien hecho sobre el mismo checkpoint base.

Moody Real Mix y unStable Revolution, en cambio, cambian la pose: en ambos, el sujeto mira directamente a cámara y sonríe, en vez de mirar de perfil como pedía el prompt. Moody Real Mix además reduce claramente la profundidad de campo — el fondo del parque queda mucho más desenfocado que en las otras 4 versiones, pese a que el prompt especifica el mismo objetivo de cámara (85mm f/1.8) en los 5 casos.

Zoom a la cara: la mirada y la expresión cambian claramente en Moody Real Mix y unStable Revolution, no solo el detalle de piel.

Por qué pasa esto (explicación razonada, no confirmada contra el dataset de entrenamiento)

La seed solo fija el ruido inicial del latente antes del primer paso de sampling — no fija la composición final. El checkpoint (los pesos entrenados) es el que decide cómo “leer” ese ruido junto con el prompt en cada paso. Si el dataset de fine-tuning de un modelo tiene más fotos mirando directamente a cámara que el dataset original, es razonable esperar que el modelo fine-tuneado empuje la generación hacia esa composición incluso con un prompt que pide explícitamente lo contrario. No tenemos acceso al dataset de entrenamiento de Moody Real Mix ni de unStable Revolution para confirmarlo — es la explicación más probable dado lo que observamos, no un hecho verificado contra su proceso de entrenamiento.

Micro-conclusión: ¿cuál usar?

• Si quieres control fino de composición vía prompt (pose, mirada, encuadre exactos): Stable Yogi o IntoRealism — son los que mejor respetan lo que pides, cambiando menos la interpretación del checkpoint base.
• Si buscas retratos con más protagonismo del sujeto y bokeh marcado, sin necesidad de controlar la pose exacta: Moody Real Mix — el resultado es más “editorial” pero menos predecible.
• Antes de elegir a ciegas por el nombre o las descargas: prueba tu propio prompt con los 4 y compara — las 52.000 descargas de Stable Yogi no significan que reproduzca mejor tu composición exacta, solo que es el más popular esta semana.

Cómo replicarlo en tu workflow

Reutiliza tu workflow actual de Z-Image Turbo: el único cambio es el unet_name del nodo UNETLoader. CLIPLoader (qwen_3_4b.safetensors, tipo qwen_image) y VAELoader (ae.safetensors) se quedan igual en los 5 casos — estos fine-tunes son checkpoints de difusión (formato UNet puro, sin CLIP ni VAE incluidos), no checkpoints “todo en uno”.

"UNETLoader": {
  "inputs": {
    "unet_name": "zimageTurboByStable_2603Fp8.safetensors",
    "weight_dtype": "default"
  }
}

Cambia unet_name por el fine-tune que quieras probar y mantén el resto de tu grafo igual.

Sigue leyendo

Si dudas entre las versiones fp8 y fp16 de estos fine-tunes (solo unStable Revolution obliga a fp16, los otros 3 ofrecen fp8), consulta nuestra comparativa GGUF vs bf16 en RTX 3090 para entender el compromiso real entre VRAM y velocidad antes de elegir.

🏆 Nuestra recomendación

Si vas a probar solo dos por tiempo: Stable Yogi para no perder control de la composición que pides en el prompt, y Moody Real Mix si quieres ver el extremo contrario — más carácter editorial, menos fidelidad a lo que pediste. Y en cualquier caso, no asumas que un fine-tune “más descargado” reproduce mejor tu prompt exacto — pruébalo con tu propia seed antes de comprometerte.