引言
Boogu-Image-0.1 是 2026 年 7 月发布的开源统一多模态图像生成模型，在 Boogu Arena 上取得开源第一的成绩，仅次于 GPT-Image-2 和 Nano-Banana-Pro。其核心创新不是架构革命，而是一套完整的 Agentic Image Generation 系统。
本文将从论文出发，深入解析 Boogu-Image-0.1 如何通过"理解驱动"的设计哲学，将图像生成从 Text-to-Image 推进到 Requirement-to-Image 的新范式。
核心理念：理解驱动的三层分解
Boogu 的设计基于三个经验观察：
- 用户指令常常模糊或不完整：几个关键词或模糊描述，却需要模型推理上下文、常识或隐含的视觉惯例
- 不同任务需要不同级别的生成能力：渲染单个物体比组合多主体场景简单得多，总是调用最强模型是浪费算力
- 即使最强的 VLM 也有细粒度能力限制：计数、精确空间推理、属性绑定等能力有限，依赖单一模型会继承这些弱点
基于这些观察，Boogu 将"理解"分解为三个互补维度：
┌─────────────────────────────────────────────────────────────┐
│ Agentic Image Generation │
├─────────────────────────────────────────────────────────────┤
│ 1. 理解用户意图 → Instruction Encoder + Prompt Rewriter │
│ 2. 理解训练图像 → Caption Pipeline (多VLM融合) │
│ 3. 理解任务复杂度 → Model Router (动态路由) │
└─────────────────────────────────────────────────────────────┘
第一层：Instruction Encoder（指令编码器）
核心发现
很多开源图像生成模型的限制不在生成组件，而在对文本描述的不准确理解。
Boogu 将指令编码器类比为"传感器"——它定义了系统可用信息的上限。弱编码器会在信息进入图像 token 交互之前就丢弃重要信息，而且由于指令编码器通常在训练时冻结，这种限制会持续到推理阶段。
关键实验
论文在固定 DiT 架构（1B参数）、固定训练数据和超参数的情况下，仅改变指令编码器的规模：
| Instruction Encoder | GenEval Score |
|---|---|
| Qwen3-1.7B | 0.6034 |
| Qwen3-4B | 0.6251 |
| Qwen3-14B | 0.6477 |
结论：仅升级指令编码器就能持续提升生成质量，且在测试范围内未观察到性能饱和。
设计选择
最终采用 Qwen3-VL-8B 作为指令编码器，平衡生成质量与开源用户的部署成本。
论文指出，这些增益不是来自参数量本身，而是来自编码器理解和编码指令的底层能力。更强的编码器直接转化为更好的生成效果。
第二层：Agentic Prompt Rewriter（智能体提示重写器）
这是 Boogu 最核心的 Agentic 创新。
设计原则：翻译者，而非增强者
论文强调了一个常被忽视的原则：
"A well-designed rewriter should be lower-bounded by the identity transformation."
设计良好的重写器应该以恒等变换为下界。
即：当用户的 prompt 已经清晰、完整时，重写器应该保持不变，而不是强行扩写。
| 类型 | 行为 | 风险 |
|---|---|---|
| 翻译者（Translator） | 只在意图不清晰时介入 | 最坏情况保持原样 |
| 增强者（Enhancer） | 无条件修改输入 | 可能引入幻觉，偏离用户意图 |
解决的四大难题
1. 推理（Reasoning）
当 prompt 间接指定目标时，需要多步推理才能确定具体的视觉主体。
示例：
- 输入："画下产蛋又产奶的动物"
- 重写："画一只鸭嘴兽"（需要知识推理）
- 输入："画下 7×8 的结果"
- 重写："画一个数字 56"
2. 计数（Counting）
生成模型在精确计数物体方面非常不可靠。通过在重写 prompt 中显式枚举实例，可以缓解计数错误。
示例：
- 输入："五个苹果"
- 重写："位置1:苹果, 位置2:苹果, 位置3:苹果, 位置4:苹果, 位置5:苹果"
3. NSFW 过滤
不安全或违反政策的请求可以在重写阶段被识别并净化，提供可解释的内容审核第一道防线。
4. 文本渲染（Text Rendering）
用户添加文本的意图常常模糊或格式不精确（如"加个标题"但没有指定具体文字或样式）。重写器将这些解析为显式、结构化的规格说明。
实际案例
原始 Prompt：
Newton's Laws of Motion Poster
重写后 Prompt（200+ 词详细描述）：
A high-quality educational poster design titled "Newton's Laws of Motion".
The poster has a dark navy blue background with a subtle textured chalkboard finish.
At the top center, large bold white sans-serif typography reads "NEWTON'S LAWS OF MOTION"...
Left section (First Law - Inertia): A simple illustration of a red book resting on a flat
wooden table, with a horizontal arrow pointing right labeled "Constant Velocity"...
Center section (Second Law - Acceleration): A blue shopping cart pushed by a hand, with a
large red arrow forward labeled "Force (F)"...
Right section (Third Law - Action & Reaction): A rocket launching upward with exhaust flames
downward...
重写后的 prompt 消除了模型原本会随意解决的歧义，生成更连贯、切题、可发布质量的海报。
关键发现：更强的 VLM = 更好的重写
论文实验表明，重写质量与底层 VLM 的世界知识和推理能力正相关：
- 1.7B → 27B → 397B 模型，重写增益持续提升
- 122B MoE 模型相对 27B 有所下降，可能归因于 MoE 架构或路由行为
- 整体趋势：更强的模型产生更大的重写增益
能力特定的 Prompt Engineering
Boogu 为不同能力维度设计了专门的 PE skills：
| Skill | 提升维度 |
|---|---|
| Counting Skill | 计数准确性 |
| Infographic Skill | 信息图生成 |
| Reasoning Skill | 推理类图像 |
| NSFW Skill | 内容安全过滤 |
| Scene-Text Skill | 文字渲染 |
实验显示，引入专门 skill 后，对应维度的优势分数显著提升，其中信息图和文字渲染提升最明显。
第三层：Model Router（模型路由器）
核心洞察
人类画家画简单素描和复杂构图的时间差异巨大。模型也应该如此。
论文指出一个现象：
- GPT-Image-2 生成"一个美丽女孩"可能比 Z-Image-Turbo 慢 100倍
- Boogu-Base 和 Boogu-Turbo 在很多情况下输出几乎相同，但推理成本差 50-100倍
解决方案：复杂度感知路由
Agent 根据 prompt 难度动态选择模型变体：
用户请求 → 复杂度评估 → 路由决策
│
┌───────────┼───────────┐
▼ ▼ ▼
简单请求 中等请求 复杂请求
│ │ │
▼ ▼ ▼
Turbo Turbo Base
(快速) (标准) (高质量)
变体选择策略
| 变体 | 适用场景 | 特点 |
|---|---|---|
| Turbo | 简单场景 | 快速响应，成本低 |
| Base | 复杂构图 | 高质量，高保真 |
| Edit | 图像编辑 | 指令遵循精准 |
| Edit-Turbo | 简单编辑 | 快速编辑 |
这种策略类似于 LLM 社区的 FrugalGPT、RouteLLM、Hybrid-LLM 等路由框架，动态分配查询到不同容量的模型，在质量和成本之间取得平衡。
第四层：Caption Pipeline（训练数据标注）
核心观点
训练图像的描述（caption）策略从根本上决定了模型能学到什么：
如果某种能力从未在描述中被提及，模型几乎没有机会习得它。
现有问题
- 中等 VLM 的能力有限：中型视觉语言模型常产生不准确的描述，错误计数、幻觉属性、误判空间关系
- 强 VLM 的 prompt 敏感性：即使强 VLM 在不同描述系统提示下也会产生截然不同的输出
Boogu 的解决方案
不是依赖单一模型或单一系统提示，而是：
- 系统基准测试一组候选 VLM（Qwen2.5-VL-7B/32B、Qwen3-VL-8B、InternVL3-8B、Gemini-2.5/3）
- 测量每个感兴趣维度的描述准确性：物体计数、空间关系、属性绑定、风格、文字渲染
- 为每个维度选择表现最好的 VLM 和提示配置
- 聚合输出为统一的、需求驱动的描述
这种按维度设计的方法产生了比任何单 VLM 基线都更准确的描述。
第五层：Reflection（反思机制）
Boogu 还引入了推理时的 Reflection 技术：
生成图像 → VLM评估 → 不满意 → 重新生成
│
└─ 满意 → 输出
这类似于 LLM 中的 Self-Consistency 或 Best-of-N 采样，用计算换质量。
完整的 Agentic 流程
┌─────────────────────────────────────────────────────────────────┐
│ Agentic Image Generation │
├─────────────────────────────────────────────────────────────────┤
│ │
│ 1. 用户输入 Prompt │
│ │ │
│ ▼ │
│ 2. Instruction Encoder (Qwen3-VL-8B) │
│ └─ 编码文本为高质量表示 │
│ │ │
│ ▼ │
│ 3. Agentic Prompt Rewriter │
│ ├─ 推理：解析隐含意图 │
│ ├─ 计数：显式枚举对象 │
│ ├─ NSFW：安全过滤 │
│ ├─ 文本渲染：明确文字规格 │
│ └─ 能力特定 Skill 激活 │
│ │ │
│ ▼ │
│ 4. Model Router (复杂度评估) │
│ ├─ 简单 → Turbo │
│ └─ 复杂 → Base │
│ │ │
│ ▼ │
│ 5. DiT 生成图像 │
│ │ │
│ ▼ │
│ 6. Reflection (可选) │
│ ├─ 质量不达标 → 重新生成 │
│ └─ 质量达标 → 输出 │
│ │
└─────────────────────────────────────────────────────────────────┘
性能提升效果
推理时间与质量的权衡
论文中的 Figure 19 展示了从 Raw Model 到 Agentic Model 的渐进提升：
性能 ↑
│ ★ Agentic Model
│ ↗
│ ↗ (Reflection + BoN + PE)
│ ↗
│ ↗ (Prompt Rewriting)
│ ↗
│ ↗ (Raw Model)
└──────────────────────────────→ 推理时间
Thinking 变体的提升
在 Qwen-Image-Bench 上：
| 维度 | Base | Base-Thinking | 提升 |
|---|---|---|---|
| Creativity | 48.62 | 56.74 | +8.12 |
| Overall | 50.96 | 53.57 | +2.61 |
Thinking 变体在 Creativity 维度提升最明显，这与理解驱动的设计一致。
Boogu Arena 表现
在文字渲染（对 prompt 敏感）场景，Thinking 变体的提升最为显著，因为基于思考的 prompt 增强显式包含了要渲染的确切文本，产生更好的结构化 prompt。
与其他方案的对比
vs. SenseNova-U1
| 维度 | Boogu-Image-0.1 | SenseNova-U1 |
|---|---|---|
| 架构理念 | 理解增强的图像生成 | 原生统一多模态 |
| 核心创新 | Agentic 推理时扩展 | NEO-unify 统一表征空间 |
| 定位 | 图像生成专家 | 理解+生成全能选手 |
| 创新类型 | 工程创新 | 架构创新 |
vs. 传统方案
| 维度 | 传统 T2I | Boogu Agentic |
|---|---|---|
| Prompt 处理 | 直接使用或简单扩写 | 智能体重写，推理意图 |
| 模型选择 | 固定模型 | 动态路由 |
| 质量保障 | 单次生成 | Reflection 迭代 |
| 计算效率 | 固定成本 | 复杂度感知 |
关键洞察与启示
1. 理解即服务
将理解能力拆解为可组合的模块，每个模块解决特定问题，而不是依赖单一模型处理所有理解任务。
2. 翻译而非增强
Prompt Rewriter 应该尊重用户原始意图，只在必要时介入，避免引入幻觉或偏离用户意图。
3. 复杂度感知
用合适的模型处理合适的任务，在质量和成本之间取得平衡。
4. 推理时扩展
用计算换质量，但保持可控。这为开源模型提供了一条在不增加训练成本的情况下提升性能的路线。
5. 评估方法论
论文强调，评估应该考虑推理时间成本，单纯的质量指标是不完整的。质量与延迟共同决定了实际部署的实用性。
总结
Boogu-Image-0.1 的核心创新不是架构革命，而是工程创新：
"Image generation has entered a new era, evolving from Text-to-Image toward Requirement-to-Image Generation."
这是一种务实的 Agentic 路线：不追求架构统一，而是在现有架构上把每个环节做到极致。
通过 Instruction Encoder、Agentic Prompt Rewriter、Model Router、Caption Pipeline 和 Reflection 五个模块的协同，Boogu 实现了：
- 仅 2.08 亿张训练图片
- 约 40 万美元训练成本
- 开源模型第一的性能
这为开源社区提供了一条在有限算力下实现 SOTA 的可行路径。
参考资料
- Boogu-Image-0.1 论文：arXiv:2607.13125
- 代码仓库：github.com/Boogu-Project/Boogu-Image
- SenseNova-U1 论文：arXiv:2605.12500
原文发布于 HalfSugar 博客，点击左下角「阅读原文」查看完整内容及代码。