Boogu-Image-0.1 开源：用 2.08 亿图像挑战统一多模态生成

导语

arXiv 新论文介绍了 Boogu-Image-0.1，一个开源的统一多模态理解与生成模型家族。与只强调单点生成能力的图像模型不同，Boogu-Image-0.1 试图同时覆盖文本到图像生成、指令式图像编辑、快速推理，以及中英文文字渲染等任务。论文将其定位为对闭源多模态系统的一次开源追赶：在预算受限的情况下，依靠更有针对性的模型理解能力提升、数据质量控制、训练流程优化和推理时扩展来提高效果。

核心要点

• 模型家族化设计：Boogu-Image-0.1 包含 Base、Turbo、Edit、Edit-Turbo 四类变体，分别面向基础生成、加速推理、图像编辑和快速编辑等使用场景。
• 统一理解与生成：论文强调该系列并非单纯文生图模型，而是面向多模态理解和生成的统一框架，尤其关注指令遵循、图像编辑和文本渲染能力。
• 中英双语文字渲染：在图像中生成可读文字一直是视觉生成模型的难点。Boogu-Image-0.1 将中英文渲染作为重要能力之一，意味着其更适合海报、界面、广告图和信息图等场景。
• 有限数据与成本：作者称模型使用 2.0862 亿张唯一图像训练，Base 模型理论训练成本约为 40 万美元。相比许多闭源系统未知的资源投入，这一披露让社区更容易评估开源路线的可复制性。
• 推理时扩展：论文提到通过 agentic inference-time scaling 改善生成和编辑表现，即在推理阶段引入更主动的规划、筛选或迭代机制，而不完全依赖扩大训练规模。

意义与影响

Boogu-Image-0.1 的价值不只在于又发布了一个图像生成模型，而在于它把“开放配方”放在了核心位置。闭源系统如 Nano-Banana-Pro 和 GPT-Image-2 往往依靠系统级集成取得强效果，但内部数据、训练与推理策略并不透明。Boogu-Image-0.1 若按论文所述开放权重、代码与 recipe，将为研究者提供一个观察高质量多模态系统如何搭建的窗口。

对开源社区而言，这类工作可能推动两条趋势：一是从单模型指标竞争转向数据治理、训练流程和推理策略的整体优化；二是让图像生成模型更接近实际产品需求，例如低延迟、可编辑、能生成可读文字、多语言友好等。当然，论文摘要中的评测结论仍需社区复现与横向比较验证，尤其是与闭源系统“接近”的说法，需要在真实任务和开放基准上持续检验。

来源：arXiv