Juggernaut Z de RunDiffusion
Un fine-tune cinematográfico de Z-Image Base, ajustado para resultados listos para presentación.
Juggernaut Z es un fine-tune de Z-Image Base realizado por Team Juggernaut, entrenado por KandooAI y publicado a través de RunDiffusion. Está ajustado para ofrecer una iluminación más potente, un enfoque más nítido, una textura de piel más refinada y una atmósfera más cinematográfica desde el primer momento.
Este repositorio aloja los artefactos oficiales de la versión de RunDiffusion: pesos de precisión completa, variantes FP16 y FP8, y un conjunto completo de cuantizaciones GGUF.
Destacados
- Iluminación más dramática y cinematográfica desde el primer momento
- Enfoque más nítido y una sensación de cámara más deliberada
- Retratos más limpios con una textura de piel más natural
- Anatomía mejorada e integridad estructural
- Mejor representación de etnias por defecto
- Ajustado para trabajo editorial, conceptual y cinematográfico
Comparaciones
Todos los conjuntos a continuación muestran Juggernaut Z (izquierda) vs Z-Image Base (derecha).
Iluminación
Iluminación más dramática y cinematográfica desde el primer momento.
Piel y textura
Piel más limpia y de aspecto más natural, especialmente en primeros planos.
Anatomía
Anatomía más limpia y detalles estructurales más consistentes en una amplia variedad de sujetos.
Composición
Mejor colocación de sujetos y objetos dentro de las escenas, con trabajo adicional planificado para v2.
Diversidad
Resultados más equilibrados entre diferentes orígenes étnicos, con una mejor representación por defecto.
Arquitectura
Líneas estructurales más limpias y renderizado de materiales más coherente.
Configuraciones recomendadas
| Parámetro | Por defecto | Rango |
|---|---|---|
| CFG | 6 | 6 – 9 |
| Steps | 35 | 25 – 45 |
Archivos en este repositorio
| Archivo | Formato | Notas |
|---|---|---|
Juggernaut_Z_V1_by_RunDiffusion.safetensors | safetensors (bf16) | Pesos de la versión original |
Juggernaut_Z_V1_by_RunDiffusion_fp16.safetensors | safetensors (fp16) | Media precisión |
Juggernaut_Z_V1_FP8_e4m3fn.safetensors | safetensors (fp8 e4m3fn) | Menor uso de VRAM |
Juggernaut_Z_V1_by_RunDiffusion_q8_0.gguf | GGUF · q8_0 | Cuantización de mayor calidad |
Juggernaut_Z_V1_by_RunDiffusion_q6_k-004.gguf | GGUF · q6_k | |
Juggernaut_Z_V1_by_RunDiffusion_q5_k_m-003.gguf | GGUF · q5_k_m | |
Juggernaut_Z_V1_by_RunDiffusion_q5_k_s-005.gguf | GGUF · q5_k_s | |
Juggernaut_Z_V1_by_RunDiffusion_q4_k_m-002.gguf | GGUF · q4_k_m | |
Juggernaut_Z_V1_by_RunDiffusion_q4_k_s-001.gguf | GGUF · q4_k_s | Menor tamaño |
model_index.json + transformer/, text_encoder/, tokenizer/, vae/, scheduler/ | 🤗 Diffusers format | Cargado mediante DiffusionPipeline.from_pretrained("RunDiffusion/Juggernaut-Z-Image") |
Usa las variantes .safetensors con el flujo de trabajo que coincida con tu stack de inferencia local. Usa las variantes .gguf con un entorno de ejecución compatible con GGUF. Usa la disposición de componentes de Diffusers con la biblioteca 🤗 Diffusers — consulta más abajo.
Uso con 🤗 Diffusers
El repositorio incluye model_index.json y los directorios estándar de componentes de 🤗 Diffusers (transformer/, text_encoder/, tokenizer/, vae/, scheduler/) en la raíz, exportados como un ZImagePipeline. Cárguelo con:
from diffusers import DiffusionPipeline import torch pipe = DiffusionPipeline.from_pretrained( "RunDiffusion/Juggernaut-Z-Image", torch_dtype=torch.bfloat16, ).to("cuda") image = pipe( "a cinematic portrait, dramatic lighting", guidance_scale=6.0, num_inference_steps=35, ).images[0] image.save("output.png")
from_pretrained solo descarga los archivos declarados en model_index.json, por lo que no obtendrá las variantes independientes .safetensors / .gguf en la raíz del repositorio. Requiere una versión de diffusers que incluya soporte para ZImagePipeline (verificado con diffusers 0.37.1 y 0.38.0).
