Boogu-Image-0.1 论文完整翻译

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

作者：Boogu Team

提交日期：2026年7月14日

摘要

我们介绍 Boogu-Image-0.1，一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、基于指令的图像编辑以及双语（中英文）文本渲染方面具有竞争力的性能。

像 Nano-Banana-Pro 和 GPT-Image-2 这样的闭源多模态系统通过系统级集成而非单一模型实现了强大性能，但其内部实践大多未公开。在这项工作中，我们证明了针对模型理解、数据质量和训练流程的定向改进，结合智能体式推理时扩展，即使在高度受限的计算预算下，也能显著提升生成和编辑性能。

综合评估表明，Boogu-Image-0.1 在标准基准测试中始终匹配或超越其他开源模型，并取得了接近领先闭源系统的结果。值得注意的是，这仅使用了 2.0862 亿张独特图像。基础模型的理论训练成本仅约 40 万美元。

我们分享了对更广泛研究社区有价值的实践讨论，并在 Apache 2.0 许可证下发布权重、代码和配方，以推进统一多模态理解与生成的开放生态系统。

代码地址：https://github.com/Boogu-Project/Boogu-Image

1 引言

1.1 背景

近期闭源系统如 GPT-Image 系列、Nano-Banana 系列和 Seedream 系列以惊人的速度发展：它们不仅能够以惊人的保真度渲染细粒度视觉细节，还能推理复杂的用户指令，在某些情况下甚至在生成时通过网络搜索增强世界知识。

开源工作如 FLUX、Ideogram、Qwen-Image、Z-Image 和 Hunyuan-Image 在缩小这一差距方面取得了巨大进展，主要通过提高视觉质量和附加辅助 LLM 来重写用户指令。

1.2 核心理念

为了推动开源模型的边界，我们将理解视为与数据质量、训练配方和推理流程并列的一等设计目标。结果表明，这三个轴的协调改进在指令遵循和生成保真度方面产生了实质性增益。

我们对理解的强调源于一个信念：图像生成已进入新时代，从文本到图像（Text-to-Image）演进到需求到图像（Requirement-to-Image）生成。

用户不再满足于单一描述性提示；他们期望模型能够解释复杂意图、隐式约束、多层次指令和跨模态上下文线索。此外，现实世界的需求高度多样化：从简单到复杂，成本和延迟期望各异，因此单一模型配置很少能同样好地服务所有需求。

理解是连接模糊人类需求与精确视觉生成的关键桥梁，也是每个用户约束下适当策略的关键桥梁。

1.3 技术实现

为了实现这种理解，我们将其分解为系统组件，从模型如何感知语言开始：

1. 文本编码器作为传感器：足够强大的文本编码器对于解释用户需求不可或缺。我们系统地分析了不同规模的模型，并确认更强的 LLM 产生更强的文本编码能力。基于这一发现，我们采用 Qwen3-VL-8B，在文本编码能力与开源社区可接受的参数预算之间取得平衡。

2. 智能体式图像生成（Agentic Image Generation）：在推理时将理解注入生成。我们不是将模型视为被动的文本到图像映射，而是将其包装在一个解释用户请求并相应编排生成的智能体中：

   • 智能体提示重写：优化提示以更好地捕捉预期含义
   • 模型变体选择：在不同模型变体（如 Base vs Turbo）之间选择，以平衡速度和质量
   • 推理时技术：如 Reflection 以进一步提高质量

3. 训练效率：在受限计算预算下，我们设计了优先考虑质量而非数量的数据策划流程，以及各种训练优化策略。这使我们能够仅使用 2.0862 亿张独特图像从头开始训练文本到图像基础模型，总成本约 40 万美元，同时达到与最先进模型竞争的性能。

1.4 关键发现

同样重要的是，我们发现许多看似次要的细节在实践中实际上是决定性的，包括评估协议、数据过滤和标题设计。事实上，它们的不透明性本身就是开源进步的主要障碍：它们通常是通过工业团队内部代价高昂的试错学习而来的，却很少在公开技术报告中描述。

通过记录它们，我们的目标是降低开源社区的隐藏工程成本，并为未来工作提供实用参考点。

2 实验结果

2.1 重新思考开源研究评估

公共基准测试仍然有价值，但只有在正确使用和解释时才是如此。现实情况是，很少有最先进的闭源模型在 GenEval 或 DPG-Bench 上报告结果，尽管这些模型被广泛认为比大多数开源模型强得多。

为了说明这一点，我们比较了六个近期文本到图像模型在人类偏好排名（LMArena Elo）与它们在 GenEval 和 DPG-Bench 上的分数（图 5）。如果这些基准测试追踪真实能力，更强的模型应该得分更高；相反，我们观察到明显的排名反转。

最引人注目的是，按人类偏好最强的 GPT-Image-2 在两个基准测试中仅排名中游。

我们将此归因于三个原因：

1. 许多公共基准不反映真实应用场景：它们在受限的合成条件下评估孤立能力，与实际使用大相径庭。
2. 大多数广泛采用的基准已接近饱和：最先进的模型经常获得接近上限的分数，压缩了比较的动态范围。
3. 数据污染和测试集泄露普遍存在：大规模预训练语料库经常包含公共评估集，因此报告的分数可能反映记忆而非泛化。

2.2 文本到图像生成

2.2.1 Boogu Arena 基准测试

由于我们无法访问 arena.ai 评估平台，我们引入了 Boogu Arena 以尽可能确保公平比较。具体来说，我们构建了一个忠实模拟原始 Arena 流程的内部基准测试，包括其提示设计和盲评成对对战。

提示设计：我们将提示空间组织为三个核心应用类别：

• 照片级真实和电影图像
• 文本渲染
• 风格化艺术

每个类别填充约 400 个细粒度子场景关键词。为了更好反映真实用户行为，强大的 VLM 进一步沿两个轴实例化每个提示：

• 提示长度：短、中、长，比例为 3:4:3
• 用户角色：覆盖 27 个角色，跨越新手、中级和专业三个级别，比例为 5:3:2

这共产生了 1,200 个双语提示。

盲评对战：我们进行严格的盲评成对评估。对于每个提示，我们将两个匿名模型的输出并排呈现，标注者在"A 更好"、"B 更好"、"平局好"和"平局差"之间投票，模型身份仅在投票后揭示。

总共，我们从这九个模型之间的成对对战中收集了超过 4,000 票。

结果（图 6）：Boogu 模型在所有类别中始终主导开源层，仅被顶级闭源模型（GPT-Image-2 和 Nano-Banana-Pro）超越。

Thinking 变体在文本渲染类别中产生了最显著的增益，这归因于文本生成对提示的高敏感性：基于思考的提示增强明确包含要渲染的确切文本，产生更好的结构化提示，提高文本正确性。

2.2.2 Qwen-Image 基准测试

Qwen-Image-Bench 是最近发布的高质量基准测试，在我们冻结文本到图像开发后发布。由于它受数据泄露等长期基准常见问题影响较小，我们将其视为现代图像生成模型的可靠测试平台。

如表 1 和表 2 所示，Boogu-Image-0.1-Base-Thinking 在所有评估的开源模型中取得了最佳整体分数：

• 中文提示：53.57
• 英文提示：53.73

超越了 Qwen-Image-2512 和 HunyuanImage-3.0 等强大的开源基线。

Thinking 变体的改进在创意维度最为明显，其中 Base-Thinking 比非 Thinking 对应物增益超过 8 分（例如中文 48.62 → 56.74），与我们理解驱动的设计一致。

2.2.3 LongText 基准测试

LongText-Bench 是评估图像生成中长文本渲染能力的基准测试。如表 3 所示，我们的模型在比较的开源模型中取得了顶级文本渲染性能，在中文提示上特别强：

Boogu-Image-0.1-Turbo-Thinking 整体排名第二（0.985），仅落后于闭源的 Seedream-4.5。

LongText-Bench 的局限性：

1. 其基于模型的协议主要评分目标字符是否正确渲染（即 OCR 级准确性），但不评估渲染文本的保真度
2. 基准测试基本饱和：除一个异常值外，排名靠前的模型紧密聚集在狭窄范围内（平均分数约 0.96-0.99）

2.2.4 我们不使用的基准测试

我们观察到某些文本到图像基准测试（如 GenEval 和 DPG-Bench）与真实人类偏好之间仍存在显著差距。因此，我们不将这些基准测试用于主要评估。

我们仍然报告相应结果作为历史连续性的补充参考，并建议仔细重新考虑它们作为主要基准的适用性。

2.2.5 定性比较

我们提供定性比较样本，为读者提供超越聚合基准分数的直接视觉参考。

测试样本来源于 Boogu Arena，因此每个比较模型都以其在部署评估设置下最强的公开可访问输出为代表。

在文本渲染方面（图 10），Boogu-Image-0.1-Turbo 可靠地支持短到中等文本的精确字符级渲染：

• 中文最多 100 个字符
• 英文最多 100 个词

对于涉及超密集文本（超过 100 个字符或词）的更具挑战性的场景，我们建议部署 Boogu-Image-0.1-Base，它专门为高（2K）分辨率下的密集文本渲染优化。

2.3 图像到图像生成

2.3.1 ImgEdit 基准测试

ImgEdit-Bench 是一个广泛采用的框架，旨在评估跨多种任务的指令引导图像编辑。

如表 6 所示，Boogu-Image-0.1-Edit-Thinking 在所有评估模型中取得了最佳整体分数（4.64），超越了：

• JoyAI-Image-Edit（4.57）
• FireRed-Image-Edit（4.56）
• Seedream-5.0-Lite（4.42）
• Nano-Banana-Pro（4.37）

在子任务层面，我们的模型在 Remove（4.85）、Hybrid（4.26）和 Action（4.83）上排名第一，并在其余类别中保持高度竞争力，表明编辑能力平衡，而非集中在少数任务类型上。

Thinking 变体在基础变体上产生一致的增益（整体 4.64 vs 4.51），在具有挑战性的 Extract 任务上差距最大（4.32 vs 3.69）；这表明显式推理有助于模型在生成前解析和定位复杂的编辑指令。

3 实验分析与讨论

3.1 通过更好的理解提升生成

3.1.1 指令编码器：文本到图像模型的传感器

我们观察到许多强大的开源文本到图像模型的限制不在于生成组件，而在于对文本描述的不准确理解。

每个文本到图像模型都依赖于"指令编码器"，尽管形式不同，我们将这个编码器视为类似于传感器：它定义了系统可用信息的上限。

弱编码器可能在信息进入图像 token 交互之前就丢弃重要信息，因为指令编码器通常在训练期间冻结，这种限制在训练和推理中都持续存在。

关键实验：

在固定 DiT 架构（1B 参数）的情况下，仅升级指令编码器就能持续提升生成质量，且未观察到饱和。

由于资源限制，我们未评估更大的编码器；然而，在我们检查的范围内，我们没有观察到性能随编码器规模饱和。

虽然更强的编码器预计会进一步改善结果，但我们也优先考虑开源用户的可访问性，因此采用 Qwen3-VL-8B 作为指令编码器——在生成质量与部署成本之间取得平衡的选择。

3.1.2 提示重写器：翻译者，而非增强者

在实际应用中，用户提示经常模糊，偶尔不安全，并且通常需要推理才能正确解释——这正是摄影师、设计师和画家在日常工作中面临的挑战。

采用提示重写器已成为开源模型的常见做法。然而，现有方法存在几个局限性：

1. 许多重写器产生过长的输出，引入冗余或幻觉细节，偏离用户原始意图
2. 它们通常在单次前向传递中操作，没有在提交重写之前对模糊或组合指令进行推理的能力

我们的设计原则：

设计良好的重写器应以恒等变换为下界。

即：当用户的提示已经清晰、完整且无冲突时，重写器应该基本保持不变，而不是修饰它。

在这种设计原则下，重写只能帮助而不会伤害。在最坏的情况下，它逐字保留原始意图；在更好的情况下，它解决模糊性、欠规范或冲突。

这与无差别扩展每个提示的重写器形成对比，后者冒着注入幻觉细节并偏离原本不需要修改的用户请求的风险。

保证这一下界正是区分翻译者和增强者的关键：前者仅在意图不清晰时介入，后者无条件修改输入。

重写器解决的四大难题：

1. 推理：间接指定目标的提示（如"产蛋又产奶的动物"或"画 7×8 的结果"）需要多步推理才能确定具体视觉主题
2. 计数：生成模型在产生精确数量的对象方面非常不可靠。通过在重写提示中显式枚举实例，重写器减轻误计数
3. NSFW 提示：不安全或违反政策的请求可以在重写阶段被识别并在到达生成模型之前被净化
4. 文本渲染：添加文本的用户意图经常模糊或格式不精确。通过将这些解析为显式、结构良好的规范，重写器显著提高渲染文本的准确性和视觉质量

关键发现：更强的视觉语言模型放大提示重写的效果。

我们观察到模型的内在世界知识和推理能力与其通过重写提供的质量增益之间存在明确的正相关。

给定相同的用户查询，更强大的骨干网络利用更丰富的世界知识和更强的组合推理来产生更连贯、意图忠实和上下文感知的重写。

3.1.3 标题：良好的监督需要理解用户需求

训练图像的标题策略必须围绕预期用户需求设计。标题作为定义模型能学什么和不能学什么的监督信号：如果某个能力从未在标题中描述，模型几乎没有机会获得它。

构建这种高保真标题流程并非易事，现有实践面临两个常见问题：

1. 中等 VLM 的能力有限：中等规模的视觉语言模型经常产生不准确的标题，误计数对象、幻觉属性或误判空间关系
2. 强 VLM 的提示敏感性：即使是强大的 VLM 在不同的标题系统提示下也会产生明显不同的标题

我们的解决方案：系统地基准测试一组候选 VLM，包括开源模型（Qwen2.5-VL-7B、Qwen2.5-VL-32B、Qwen3-VL-8B、InternVL3-8B）和闭源模型（Gemini-2.5、Gemini-3）。

我们测量它们在每个感兴趣方面的标题准确性，包括对象计数、空间关系、属性绑定、风格和文本渲染。

对于每个方面，我们选择表现最好的 VLM 和提示配置，并将它们的输出聚合为统一的、需求驱动的标题。

3.1.4 模型路由器：合适的模型处理合适的任务

对于人类画家，完成一幅画所需的时间从简单素描到复杂构图差异很大。受此观察启发，我们以类似精神设计系统：智能体决定调用哪个模型，从而控制质量与效率之间的权衡。

关键观察：

• GPT-Image-2 生成非常简单的提示（如"一个美丽女孩"）可能比 Z-Image-Turbo 慢 100 倍
• Boogu-Image-0.1-Turbo 和 Boogu-Image-0.1-Base 的输出在许多情况下几乎无法区分，但推理成本可能相差 50 到 100 倍

Boogu 的策略：不承诺单一模型，而是使用智能体根据提示的估计难度将每个请求路由到 Boogu-Image-0.1 系列中最合适的变体：

• 简单请求 → 轻量级 Turbo 模型
• 真正复杂的需求 → 更重的 Base 模型

3.2 Boogu 实验的一般性讨论

3.2.1 超越排行榜的讨论

推理时间成本应纳入评估

统一的多模态理解与生成系统与独立的文本到图像模型根本不同：理解和生成组件都对端到端性能做出实质性贡献，两者都不能孤立评估。

这种耦合对推理成本有直接影响。强闭源系统如 GPT-Image-2 通常比开源对应物产生更高的延迟，部分原因是其质量反映了额外的计算，而这在标准比较中很少被考虑。

如图 19 所示，广泛的技术类别可以以推理时间为代价提高输出质量，包括：

• Best-of-N 采样
• 自我反思
• 提示重写
• 模型集成

这些方法沿连续曲线用计算换质量，这意味着任何不附带延迟预算的质量数字都是不完整的。

单一基线的 A/B 测试在方法论上有缺陷

在项目的中间阶段，我们主要通过针对单一强参考模型的成对 A/B 比较来评估进展。事后看来，这种框架在方法论上是有缺陷的。

对于开源开发，适当的评估目标不是模型是否优于特定竞争对手，而是它是否改进了社区中已有的聚合能力。

有意义的比较应该是 A 对比所有开源工作的联合——即用户可以从当前可用模型和工具组装的有效能力包络。

开放评估挑战

1. 世界知识评估：目前尚不清楚如何系统评估模型是否捕捉真实世界物理定律、空间关系和因果结构
2. 模糊语义：用户提示经常欠规范，可接受输出的空间相应很大
3. 推理时间：质量和延迟直接紧张
4. 动态基准测试：一旦基准测试成为优化目标，它就不再是可靠的衡量标准（古德哈特定律）

3.2.2 数据消融评估：仅仅足够的数据是不够的

我们需要多少数据？

Boogu-Image-0.1 仅使用 2.0862 亿张独特图像就取得了竞争性能，超越了许多依赖更多训练数据和计算的基线。

我们认为，所需训练数据的体积主要由两个因素决定：

1. 知识范围
2. 网络参数数量

降低训练成本的两种策略：

1. 采用 10B 参数的 DiT：我们故意保持模型紧凑，使其对开源社区可访问。这将效率负担转移到数据策划而非原始模型规模上。

2. 解决长尾分布问题：互联网规模数据呈现严重的长尾分布。以地标为例，数据可用性严重偏向少数标志性地标。我们认为，这种头部数据的丰富性对于训练是不必要的：超过某一点后，已经充分覆盖的概念的额外示例会产生递减收益而非更好的性能。

显式描述视觉缺陷而非过滤有缺陷的数据

如果你的目标是构建通用图像生成模型，实际上很少类别的数据需要被过滤掉。

与最近的数据流程（如 Qwen-Image、Z-Image 和 JoyAI-Image）通常强调过滤具有可见伪影或质量缺陷的图像不同，我们认为如果配对详细准确的标题，这些样本仍然有价值。

通过显式描述所有视觉和逻辑内容及其特定缺陷（例如，详细说明水印的存在或模糊的确切性质），这些图像可以以适当比例集成到训练集中。

这不仅有助于模型学习基本视觉模式，还能使其理解负面视觉元素，从而获得更全面和可控的生成能力。

质量胜于数量：大规模开源数据集不能保证高性能

我们的经验发现表明，仅依赖开源数据集（这里总共 1.87 亿）对模型性能施加了严格的上限，使它们不足以训练最先进的模型。

尽管数量庞大，开源语料库存在普遍的质量问题，包括高语义噪声、事实错误和严重的数据重复。

更重要的是，这些数据集缺乏高保真生成所需的描述深度；它们的标题主要是简短和肤浅的，未能捕捉细粒度属性、空间关系和精确可控合成所需的密集图像文本对齐。

表 8：Boogu Syllabus 大幅超越开源数据

开源数据中根深蒂固的文化偏见即使通过针对性 SFT 也难以消除

我们识别出跨文化背景的明显能力差距，模型更容易获取西方概念（如高加索特征）而非东方概念。

我们将这种差异归因于大规模开源预训练数据中固有的西方中心偏见，这些数据严重由西方文化背景主导。

我们的实验揭示，即使在 SFT 阶段纳入大规模高质量中文数据集也无法完全纠正这种偏见。

因为基础世界观和文化联想是在大规模预训练阶段建立的，下游 SFT 只触及行为对齐的表面，而没有从根本上改变模型的潜在表征空间。

人类先验指导的数据策划显著提升性能

纯粹的视觉理解本质上是一个涉及信息压缩的"降维"任务——将丰富的视觉信号映射到更低维的文本。

相反，文本到图像（T2I）生成是"升维"任务，赋予模型巨大的创作自由来合成满足给定用户提示的无数有效视觉变体。

数据策划原则：

1. 系统化和细粒度解构：数据作为模型学习的教科书。就像物理教科书基于人类先验将知识解构为不同分支一样，系统化地将数据解构为细粒度、逻辑互连的组件形成结构化课程
2. 全面覆盖：数据集必须广泛全面；理想情况下，没有所需能力应该落在计划范围之外
3. 每个类别充足数据：每个细粒度领域必须包含足够的数据量

Boogu 课程的组成：

我们的 Boogu 课程包含 2162 万独特样本。在训练期间，这些样本根据我们预定义的权重比例上采样到 4719 万。

值得注意的是，我们模型的综合性能显著超越仅训练在 1.87 亿开源样本上的模型。

系统化枚举词汇以实现可靠文本渲染

为了提高模型渲染视觉文本（特别是汉字）的能力，我们提出基于词汇枚举的系统数据构建策略。

我们的经验分析揭示，模型几乎无法渲染未见过的汉字，每个字形至少需要 300 次训练曝光才能准确生成。

在资源和时间限制下（无法枚举整个中文词汇），优先处理 3500 个最常用的现代汉字是一个实用的替代方案。

通过确保每个字符在数据集中至少出现 300 次，结果模型可以满足日常中文文本渲染需求。

表 9：针对性曝光缩放通过 SFT 优化大幅提升中文 LongTextBench 性能

3.2.3 多模态学习与理解的消融实验

稳健记忆未见概念需要跨越可量化的曝光阈值

为了评估模型记忆特定人类身份的能力，我们将一位志愿者（陈国轩）的 170 张日常照片纳入消融数据集。

每张图像用四种标题变体（中/英文，短/长描述）注释。通过过采样，我们将这个子集扩展到 11,628 张图像。

生成结果显示（图 29）：

• 1k 步：模型遇到志愿者照片约 1,000 次
• 5k 步：模型开始生成可识别的面部特征
• 8k-9k 步：实现完全可识别性

这表明模型在训练期间需要约 4,500 次语言匹配的曝光才能稳健记忆完全未见的人类身份。

训练文本到图像模型时谨慎使用强化学习

分布多样性是通用文本到图像模型的核心要求：用户期望不仅生成主流外观的主体，还生成偏离主流审美规范的主体。

常见技术是应用强化学习（RL）来改善美学和生成稳定性。然而，重度 RL 倾向于将输出分布坍缩到狭窄领域。

例如，Seedream 模型取得令人印象深刻的人像结果——生成的人总是美丽年轻的，符合主流偏好——但生成偏离这种美学的主体变得相当困难，有时甚至不可行。

我们的策略：故意避免重度美学 RL。相反，我们将人类偏好嵌入理解系统而非不可逆转地烘焙到生成器中，允许风格在推理时灵活控制，同时保持生成器的底层多样性。

这确实意味着不完全放弃 RL。RL 对于不损害多样性的针对性问题仍然有价值，它在减少解剖伪影和改善文本渲染方面带来真实增益。

然而，RL 训练产生显著更高的计算成本：它需要奖励模型推理、重复采样，以及在基础训练流程之上的许多额外优化步骤。

因此，我们将 RL 限制在它不可或缺的少数针对性问题上——如解剖扭曲和文本渲染——而不是广泛将其用于美学调优。

动态时间缩放在 2K 分辨率下不能简单扩展

在扩散和流匹配模型中，logit-normal 时间步采样结合分辨率相关的时间步移位（动态时间缩放）已成为广泛采用的标准。

然而，在 Boogu 系列的开发过程中——作为原生以 2K 分辨率训练的开创性开源模型之一——我们观察到一种现象。

在 2K 分辨率下应用默认的 logit-normal 和动态时间缩放策略显著阻碍收敛速度。

修正动态时间缩放：

为了缓解上述过挤压效应，必须修正动态时间缩放方案。

我们采用一个简单但有效的方案，钳制有效 token 计数：

$$\tilde{\mu}(n_T) = \mu(\min(n_T, n_{cap})) = \min(\mu(n_T), \mu(n_{cap}))$$

其中 $n_{cap} = 4096$。这意味着超过 1K 分辨率区域后，不再应用额外的时间缩放。

4 结论、局限性与未来方向

Boogu-Image-0.1 展示了在高度受限的计算预算下，通过理解驱动的设计、数据质量优先和智能体式推理时扩展，开源模型可以接近甚至匹配闭源前沿系统的性能。

主要贡献：

1. 将理解提升为一等公民，从 Text-to-Image 迈向 Requirement-to-Image
2. 仅用 2.0862 亿张图像和约 40 万美元训练成本达到竞争性能
3. 开源 Apache 2.0 许可证，促进开放生态

局限性：

1. 文化偏见：开源数据中的西方中心偏见难以通过下游 SFT 完全消除
2. 评估挑战：现有基准测试与人类偏好存在差距
3. 推理时间：质量与延迟的权衡仍需探索

未来方向：

1. 动态、无污染、与人类判断对齐的评估协议
2. 更具文化多样性的数据集
3. 更高效的训练和推理策略

参考文献

• Qwen3-VL: 文本编码器和视觉语言模型
• FLUX, Ideogram, Z-Image, Hunyuan-Image: 开源图像生成模型
• GPT-Image, Nano-Banana, Seedream: 闭源图像生成模型
• GenEval, DPG-Bench, LongText-Bench, Qwen-Image-Bench, ImgEdit-Bench: 评估基准

本文是 Boogu-Image-0.1 论文的完整中文翻译，旨在帮助中文读者理解这项重要的开源图像生成工作。