前文于微信公众号平台盛传，近万自然阅读，文生文已难餍博主之欲，今记vllm一模型，以文生图。

于文本生成之域，九十九应用皆基于自回归模型，即GPT系列、LLaMA等。

文本离散，由词元成；图像、视频连续，为像素或信号。扩散模型天长善处连续，故文生图与文生视频者，乃今扩散模型之核心战场。

扩散模型者何？

用文生图工具时，内里之“魔法”：

始：全然随机之噪声图，犹前向过程至终。

逆去噪之始：

模型观此纯噪声之图，参以汝之提示，预知“此图今当加何噪声”。

继而，自当前之图减去所预之噪声。

遂得一张噪声稍减、略见模糊轮廓之图。

循环往复：以上一步所得稍清之图为新输入，复令模型预测并减去噪声。

终至：重复数十步后，噪声渐次移除，一张清晰、合汝所述之图乃成。

此步步预测并去噪声之循环，于方向为前向加噪之“逆”，于动作则曰“去噪”。

vllm旗下之支项目vllm-omni供简易、迅捷且低廉之多模态模型服务。

Z-Image者，阿里所开源之全版Transformer文生图模型也，未经蒸馏，参数十有二亿六千，显存二十亿五千五十万，专为高质、强生、广风、精示而设。

启推理之务：
vllm serve Tongyi-MAI/Z-Image --omni --port 8000 --tensor-parallel-size 2

注：非用原版vllm（其docker镜像为vllm-openai），带omni参数，而须用含omni扩展之vllm（其docker镜像为vllm-omni）。。

支二接口，皆容openai之接口

• Diffusion Chat Completions API：愿于类聊机器人之多模态、多轮应答中，集图像生成之能

curl -s http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "messages": [
      {"role": "user", "content": "A beautiful landscape painting"}
    ],
    "extra_body": {
      "num_inference_steps": 50,
      "seed": 42
    }
  }'

• Image Generation API：稳、专于图像生成

输出之二进制图像，为base64编码，解码可得图像。

curl -X POST http://localhost:8000/v1/images/generations \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": "a dragon laying over the spine of the Green Mountains of Vermont",
    "size": "1024x1024",
    "seed": 42
  }' | jq -r '.data[0].b64_json' | base64 -d > dragon.png

jq乃json格式化与取值之器，自json响应体字段中取值。