Boogu-Image-0.1 论文解析：开源统一多模态图像生成的新范式

论文：Boogu-Image-0.1: Boosting Open-Source Unified Multimodal Understanding and Generation

代码：github.com/Boogu-Project/Boogu-Image

许可证：Apache 2.0

摘要

Boogu-Image-0.1 是一个开源的统一多模态理解与生成模型家族，包含 Base、Turbo、Edit 和 Edit-Turbo 四个变体。它在高质量文本到图像生成、快速推理、指令式编辑和双语（中英文）文本渲染方面表现出色。

核心亮点：

• 仅使用 2.08 亿张独立图片训练
• 基础模型理论训练成本仅约 40 万美元
• 在 Boogu Arena 上超越所有开源模型，接近闭源前沿
• 在 Qwen-Image-Bench 上开源模型中排名第一
• 在 ImgEdit-Bench 图像编辑任务上开源模型中排名第一

1. 研究动机：从 Text-to-Image 到 Requirement-to-Image

1.1 行业现状

当前闭源系统（如 GPT-Image 系列、Nano-Banana 系列、Seedream 系列）通过系统级集成实现了强大的性能，但其内部实践大多未公开。开源模型（如 FLUX、Ideogram、Qwen-Image、Z-Image）虽然取得了巨大进步，但主要依靠：

• 提升视觉质量
• 附加辅助 LLM 重写用户指令

1.2 核心洞察

Boogu 团队提出，图像生成已进入新时代，从 Text-to-Image 演进为 Requirement-to-Image Generation：

用户不再满足于单一描述性提示词；他们期望模型能够理解复杂意图、隐式约束、多层次指令和跨模态上下文线索。

理解（Understanding） 是连接模糊人类需求与精确视觉生成的关键桥梁。

1.3 设计哲学

Boogu 将"理解"提升为一等公民（first-class design target），与数据质量、训练配方和推理流程并列。

2. 技术架构

2.1 模型家族

2.2 理解能力的三大支柱

2.2.1 指令编码器（Instruction Encoder）

文本编码器是文本到图像模型的"传感器"。团队系统分析了不同规模的模型，确认：

更强的 LLM 产生更强的文本编码能力

最终选择 Qwen3-VL-8B 作为文本编码器，在文本编码能力和参数预算之间取得平衡。

2.2.2 提示词重写器（Prompt Rewriter）

关键洞察：提示词重写器应该是翻译者，而不是增强者。

• ❌ 错误做法：无脑添加细节描述
• ✅ 正确做法：准确理解用户意图，转化为模型能理解的格式

2.2.3 智能体式图像生成（Agentic Image Generation）

在推理时注入理解能力：

1. 智能提示词重写：精炼提示词以更好捕捉意图
2. 模型变体选择：根据场景在 Base 和 Turbo 之间选择
3. 推理时技术：如 Reflection（反思）进一步提升质量

2.3 训练效率

在受限计算预算下的设计原则：

• 数据质量优先于数量：精心设计的筛选流程
• 仅 2.08 亿张独立图片训练
• 总训练成本约 40 万美元

3. 评估方法论：重新思考开源研究评估

3.1 现有基准的问题

论文指出现有基准（如 GenEval、DPG-Bench）存在严重问题：

排名反转现象：

• GPT-Image-2 在人类偏好中排名第一，但在 GenEval 和 DPG-Bench 上只排中游
• 更强的模型在这些基准上不一定得分更高

三个原因：

1. 基准不反映真实应用场景
2. 大多数基准已接近饱和
3. 数据污染和测试集泄漏普遍存在

3.2 Boogu Arena 基准

由于无法访问 arena.ai 评估平台，团队构建了 Boogu Arena：

提示词设计：

• 三大类别：写实/电影图像、文本渲染、风格化艺术
• 每类约 400 个细粒度子场景关键词
• 1200 个双语提示词（中英各半）
• 考虑提示词长度（短/中/长 = 3:4:3）和用户画像（新手/中级/专业 = 5:3:2）

盲评机制：

• 严格的双盲配对评估
• 注释者在两个匿名模型输出之间投票
• 使用 Bradley-Terry 模型计算 Elo 分数

验证：

• 与 LMArena Elo 的 Pearson 相关系数 r = 0.986
• Spearman 排名相关系数 ρ = 1.0（完美）

4. 实验结果

4.1 文本到图像生成

Boogu Arena 排名

在 9 个模型的 4000+ 次投票中：

结论：Boogu 模型在开源层中占据主导地位，仅次于顶级闭源模型。

Qwen-Image-Bench

在中文提示词上：

开源模型中排名第一，超越 Qwen-Image-2512（52.06）和 HunyuanImage-3.0（50.81）。

关键发现：Thinking 变体在 Creativity 维度提升最显著（48.62 → 56.74，+8 分）。

LongText-Bench（长文本渲染）

在中文提示词上，Boogu-Turbo-Thinking 排名第二（0.985），仅次于闭源的 Seedream-4.5（0.987）。

4.2 图像编辑

在 ImgEdit-Bench 上：

开源和闭源模型中均排名第一。

子任务表现：

• Remove: 4.85（第一）
• Hybrid: 4.26（第一）
• Action: 4.83（第一）
• Extract: 4.32（第一，但所有模型在此任务上都表现不佳）

5. 关键技术洞察

5.1 理解驱动生成

论文的核心贡献是将"理解"提升为一等公民：

传统流程：Prompt → Model → Image
Boogu 流程：Requirement → Understanding → Prompt Rewriting → Model Selection → Image → Reflection

5.2 Thinking 变体的价值

Thinking 变体通过显式推理带来显著提升：

• 文本渲染：Thinking 在提示词敏感的文本生成中提升最大
• 创意维度：Creativity 分数提升 +8 分
• 图像编辑：在 Extract 任务上提升最明显（3.69 → 4.32）

5.3 评估方法论的反思

论文对现有基准的批评值得深思：

"这些基准不再可靠地反映模型能力。我们将其归因于三个原因：基准不反映真实场景、已接近饱和、数据污染普遍。"

这提示我们：评估应该从目标应用场景出发，而不是作为独立目标。

6. 开源意义

6.1 完全开源

• 模型权重：Apache 2.0
• 代码：Apache 2.0
• 训练配方（Recipes）：Apache 2.0
• 评估提示词：将公开发布

6.2 降低门槛

论文分享了大量实践细节，这些通常是工业团队通过昂贵的试错学到的：

• 评估协议的设计
• 数据筛选策略
• Caption 设计方法

6.3 成本效率

仅用 40 万美元训练成本就达到了与 SOTA 竞争的性能，为开源社区提供了可行的参考。

7. 总结与展望

7.1 主要贡献

1. 理解驱动的设计：将理解提升为一等公民，从 Text-to-Image 迈向 Requirement-to-Image
2. 高效的训练：仅用 2.08 亿张图片和 40 万美元达到 SOTA 竞争性能
3. 全面的评估：构建 Boogu Arena，反思现有基准的局限性
4. 完全开源：权重、代码、配方全部 Apache 2.0 开源

7.2 局限性

• 密集文本渲染时 Turbo 变体仍有可见伪影
• Extract 任务对所有模型都具有挑战性
• 评估仍依赖 VLM 评分，与人类偏好不完全一致

7.3 未来方向

• 进一步提升密集文本渲染质量
• 探索更长的文本渲染能力
• 改进评估方法以更好反映人类偏好

参考资料

1. 论文原文：Boogu-Image-0.1: Boosting Open-Source Unified Multimodal Understanding and Generation
2. 代码仓库：github.com/Boogu-Project/Boogu-Image
3. 相关模型：
   • GPT-Image 系列
   • Qwen-Image 系列
   • FLUX 系列
   • Seedream 系列

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。