论文简读：Boogu-Image 图像生成与编辑模型

发表时间： 2026年7月14日

论文地址：https://arxiv.org/pdf/2607.13125

模型地址：添加链接描述

项目地址：添加链接描述

Boogu-Image-0.1开源统一多模态理解与生成模型家族，包含Base、Turbo、Edit、Edit-Turbo四大变体，在高质量文生图、极速推理、指令驱动图像编辑、中英双语文字渲染四大任务上均具备极具竞争力的表现。

GPT-Image-2、NanoBanana-Pro等闭源模型依靠整套系统级整合实现顶尖效果，但其内部技术方案并未公开 。Boogu-Image证明：在算力预算受限的前提下，通过针对性优化模型理解能力、提升数据质量、完善训练流程，再搭配推理智能调度策略，就能大幅提升图像生成与编辑效果 。

多维度综合评测表明：Boogu-Image-0.1在主流基准测试中持续持平或超越其他开源模型，效果逼近顶尖闭源方案 。Boogu-Image训练仅使用2亿张独立图片，基础模型理论训练成本约40万美元。

1 引言

近年来闭源多模型迭代速度极快，代表系列包括GPT-Image、NanoBanana、Seedream：它们不仅能生成超高细节保真图像，还可解读复杂用户指令，部分模型支持生成时联网补充世界知识。

FLUX、Ideogram、通义图像、Z-Image、混元图像等开源项目也取得长足进步，主要通过提升画质、外挂大模型重写提示词来缩小与闭源模型的差距。

为进一步突破开源模型上限，本文将理解能力 与数据质量、训练配方、推理管线置于同等核心设计目标。实验证明，同步优化这三大维度可显著提升指令遵循度与生成保真度。

当前行业范式文生图（Text-to-Image）时代已经落幕，需求生成图（Requirement-to-Image）时代到来 。用户不再满足简单描述类提示词，而是希望模型解读复杂意图、隐性约束、多层级指令、跨模态上下文。

真实业务需求跨度极大：从极简短句到复杂长文，同时对算力、延迟要求各不相同，单一模型无法适配全部场景。理解能力正是模糊人类需求与精准图像生成、分场景适配推理策略之间的关键桥梁。

为落地"需求生成图"范式，我们将理解能力拆解为整套系统组件，从文本编码器、到Agent控制效果提升。

如图1右侧趋势所示，注入的理解能力越强，生成效果稳步提升。

除理解能力外，训练效率是核心设计原则。在算力受限条件下，我们设计"质量优先"的数据筛选管线，并配套全套训练优化策略。仅依靠2.0862亿独立图片从头训练基础文生模型，总成本约40万美元，性能对标行业SOTA。

同时我们发现大量看似次要的**工程细节（评测规范、数据过滤、标注文案设计）却决定最终上限，工业团队往往通过海量试错掌握，但极少在公开论文披露。**本文完整记录全套实操方案，降低开源开发者的隐性试错成本，为后续研究提供落地参考。

基于整套设计，我们推出Boogu-Image-0.1开源统一多模态系统，以"理解优先"架构实现从传统文生图到需求生成图的跃迁，忠实还原复杂用户意图。在Boogu Arena人工偏好榜单、最新通义图像基准测试中均位列开源第一梯队。

2 实验结果与评测体系

2.1 重新思考开源模型评测范式

公开基准测试仍具备参考价值，但必须正确解读使用。现实问题是：多数顶尖闭源模型几乎不在GenEval、DPG-Bench等通用学术基准上跑分，尽管它们实际效果远超绝大多数开源模型。

我们选取6款主流模型，对比人工偏好LMArena分数与GenEval/DPG-Bench自动指标，结果出现明显分数倒置 ：人工公认最强的GPT-Image-2在两项学术基准仅排在中游 ；我们自家模型也出现同类现象------同架构SANA-VAE版本GenEval得分0.92，线上部署更强版本仅0.85。

2.2 文生图评测

2.2.1 自研Boogu Arena人工对战基准

由于无法使用Arena.ai官方平台，我们复刻其盲选两两对战评测流程，搭建自研Boogu Arena保证公平对比。

提示词设计

提示词划分为三大应用大类：写实影视图像、文字渲染、风格艺术；每类包含约400个细分场景关键词。

利用多模态大模型扩充提示词池，从两个维度分层：

1. 提示长度：短句/中句/长句比例3:4:3；
2. 用户分层：新手/进阶/专业创作者比例5:3:2；两类维度交叉匹配（长提示仅匹配专业用户）。

最终生成1200组中英双语提示，评测时随机抽取单语言，所有模型使用同一提示；每组提示仅用随机种子生成一次，保证公平。完整提示数据集后续开源。

盲测对战规则

严格匿名两两投票：同提示下并排展示两款模型生成图，标注A/B无模型名称，标注者四选一：A更好 / B更好 / 两者都优秀持平 / 两者都差持平，投票完成后才揭晓模型。

样本与模型配对采用逆频率加权采样，保证所有提示、所有模型采样均衡；全部投票通过Bradley-Terry模型聚合换算ELO对战分数（分数越高人类偏好越强）。

评测对比模型

Boogu系列：Boogu-0.1-Turbo、Boogu-0.1-Turbo-Thinking

开源基线：Z-Image-Turbo、HiDream-O1-Image

闭源竞品：GPT-Image-2、Nano-Banana-Pro、Seedream-5.0-Lite、Qwen-Image-Max-2025-12-30、Qwen-Image-2.0-2026-03-03

总计9款模型，累计收集超4000组人工投票。

评测结论（图6）

全大类榜单中Boogu系列全面领跑开源阵营，仅落后GPT-Image-2、Nano-Banana-Pro两大闭源头部：

1. 写实、艺术风格领域，带推理的Thinking变体大幅缩小与闭源差距；
2. 文字渲染任务中Thinking提升最显著------文字对提示词细节高度敏感，推理模块会精准锁定待渲染文字、结构化提示，大幅提升文字正确率。
   

Boogu Arena与公开LMArena分数皮尔逊相关系数0.986，斯皮尔曼秩相关系数1，证明自研榜单和大众人工偏好高度一致 ，具备可信度。

2.2.2 通义图像基准（Qwen-Image-Bench）

该基准发布于我们模型开发冻结后，受数据泄露干扰更小，是可靠现代评测工具。

中文、英文双提示评测下，Boogu-Image-0.1-Base-Thinking 全部拿下开源模型综合第一：中文总分53.57，英文53.73 ，超越Qwen-Image-2512、混元3.0等强开源基线。

推理变体提升主要集中在创意维度：中文集下无推理Base创意分48.62，带推理版本升至56.74，涨幅超8分；中英规律完全一致，验证模型双语鲁棒性。

2.2.3 长文本基准（LongText-Bench）

面向海报、幻灯片、漫画、长图文设计等高频场景，评测OCR准确度、排版可读性、图文结构完整性。

Boogu-0.1-Turbo-Thinking中文单项得分0.985，全体模型第二，仅次于闭源Seedream-4.5。

补充关键区分：该基准仅评测100字符以内短文本文字精度 ；超过百字符高密度图文场景中，Base版本排版一致性远优于Turbo，Turbo会出现画面噪点瑕疵，因此长图文商用推荐Base-2K版本 。

基准局限：仅量化文字识别正确率，不评判字体美观、画面融合度，分数高不代表视觉完整；同时头部模型分数集中在0.96~0.99区间，区分度不足，需搭配人工视觉对比。

2.2.4 本文不采用的两类传统基准：GenEval、DPG-Bench

前文已证明二者和人类真实偏好严重脱节，仅在论文附录附数据供历史对照，不作为核心评价依据：

1. GenEval：侧重物体计数、空间属性基础能力，GPT-Image-2这类顶尖闭源得分仅中游；
2. DPG-Bench：全局、实体、关系对齐指标，同样出现高分模型落地体验差的倒置现象。
   

2.2.5 定性视觉对比

选取Boogu Arena测试集原图，横向对比闭源GPT-Image-2、Nano-Banana-Pro、Seedream-5-Lite与开源Z-Image、HiDream-O1：覆盖写实摄影、多元艺术画风、中英文图文海报三大场景。

核心结论：

1. Turbo变体在百字符以内短文字、通用写实、插画上对齐度、画质全面超越开源竞品，大幅拉近闭源差距；
2. 高密度长图文（>100汉字/英文单词）固定选用Boogu-0.1-Base原生2K模型，小字、多区块排版无畸变、文字零错乱 。
   

2.3 图生图/图像编辑评测

2.3.1 ImgEdit-Bench编辑基准

覆盖添加、移除、替换、背景更换、风格化、提取、混合、动作修改全品类编辑任务。

Boogu-Image-0.1-Edit-Thinking综合得分4.64，所有参评模型第一，在物体移除、混合合成、动作修改单项登顶；提取类高难度任务相比无推理版本提升极大（3.69→4.32） 。

局限提醒：该基准依靠视觉大模型自动打分，并非人工评审，存在偏差。人工实测中Nano-Banana-Pro部分真实编辑场景观感更优，自动分数无法反映细微视觉瑕疵；同时任务分类粗糙，无法覆盖多区域分层编辑、精准文字修改等商用高频需求，仅作辅助参考。

2.3.2 编辑定性样例对比

测试集取自ImgEdit官方样本与自研图文编辑数据集，横向对比GPT-Image-2、Nano-Banana-Pro、Seedream-5-Lite、Qwen-Image-Edit-2511：

1. 通用编辑：物体增删、主体替换、场景迁移精准无崩坏；
2. 图文专项编辑：文字替换、双语翻译、文字移位、字体风格化精准匹配原图肌理；
3. 风格转换：皮克斯、乐高、工笔国画、水彩、吉卜力等画风统一，主体结构不丢失。

3 实验分析与核心技术讨论

3.1 以理解能力提升生成效果

Boogu优化两大核心目标：画质（用户意图匹配度）、推理效率（算力消耗）。

为此我们将"理解"拆分为三大系统模块，分别解决生成链路不同误差来源：

3.1.1 指令编码器：文生图的感知传感器

文本编码器是模型输入信息的上限，编码器丢失的细节，后续扩散层无法复原。

固定DiT生成器架构、仅缩放编码器规模实验：Qwen3-1.7B→4B→14B编码器，GenEval分数单调上涨，无性能饱和。

编码器性能提升来源于理解能力而非参数量，最终折中选用开源友好的Qwen3-VL-8B。

3.1.2 智能提示词重写：意图翻译器，而非无限制扩写

现有开源提示词工具普遍存在问题：无差别加长提示词、引入虚构细节偏离用户原始需求、单次推理无法处理模糊描述。

我们设计智能推理型重写代理 ，定位是"翻译模糊需求"而非美化扩充：

1. 歧义消解：间接描述、数学、计数类提示拆解为具象画面描述；
2. 文字渲染专项：锁定全部待渲染文本、规定排版位置，彻底解决文字错乱；
3. 安全前置过滤：识别违规提示并修正，提前拦截风险生成；
4. 最简原则：原始提示清晰无冲突时，不做任何修改（下限恒等于原提示）。

更大规模的推理后端，提示词重写收益更高（397B模型效果最近）；不同生成模型训练数据分布不同，必须配套专属重写模块 ，跨模型复用会出现分布偏移、画质下降。

3.1.3 标注文案：优质监督必须贴合用户真实需求

图像标注是模型学习的底层监督信号，标注缺失的视觉特征，模型永远无法自主掌握。

现有单一大模型标注存在计数、空间、风格描述失真问题 ；我们采用多模型分维度标注策略：针对物体、空间、文字、画风分别选用最优VL模型标注，难识别特征辅以人工专家标注，大幅提升图文对齐。

3.1.4 智能模型路由：按需分配算力

简单提示使用轻量化Turbo，复杂长图文、多主体创意任务调度Base；两者画质差距极小，但推理算力差距可达50~100倍，实现成本与画质的帕累托最优。

3.2 全流程实验深度讨论

3.2.1 榜单之外：必须纳入推理耗时评估

现有排行榜仅看画质，完全忽略推理延迟，存在重大缺陷：

1. 大量提升画质技巧（多图采样、自省、提示词重写、模型集成）都会成倍增加耗时；同一模型在不同算力预算下是完全不同的性能点，只报画质分数无参考意义；
2. 闭源模型内置安全审核、多轮校验，天然延迟更高，横向对比算力成本难度大；
3. 开源研发不能只和单一竞品对比，目标是推动整个开源能力边界，单一A/B测试容易得出片面乐观结论。
   

未来标准化评测方向：构建无污染、固定训练/测试分割、贴合真实业务的动态基准；同时增加世界常识、物理逻辑、模糊语义、延迟成本四大评测维度。

3.2.2 数据：不在数量，而在精细分层规划

主流开源训练集动辄8亿~10亿图片，Boogu仅2.0862亿独立样本即可对标SOTA，核心是教学式分层数据集（Boogu Syllabus）：

1. 互联网图片长尾严重，热门地标、通用物体数据泛滥，增加样本收益趋近于零，稀有场景数据稀缺；我们主动均衡各类别样本数量；
2. 带瑕疵图片不直接丢弃：水印、过曝、运动模糊、噪点图片全部保留，标注清晰描述缺陷，让模型既能生成干净图，也能按需生成复古、胶片、老旧瑕疵画面；
3. 原生开源原始数据集图文描述浅层、语义噪声多，仅用原始数据上限极低；经过人工分层梳理的教学数据集，中英通用基准总分从48.45提升至53.65，文字渲染同步大幅上涨。

额外关键问题：全球开源数据集天然西方中心化，即便后期补充大量中文微调数据，模型底层表征仍偏向欧美人物、建筑、服饰，仅靠SFT无法根治文化偏差，必须在预训练阶段平衡东西方视觉素材 。

3.2.3 专项消融实验核心结论

1. 汉字渲染：单个汉字训练曝光≥300次才能稳定生成，优先覆盖3500个现代汉语常用字，针对性微调后中文长文本基准从0.9055提升至0.9538；

   

2. 人物身份记忆：全新人物需约4500次图文配对样本 ，模型才能稳定还原五官特征；

   

3. 美学强化RL风险：大规模美学强化会压缩人物风格多样性，统一美化成网红面孔；我们仅小规模RL修复肢体、文字畸变，保留原生画面多样性；

   

4. 2K分辨率时序偏移缺陷：传统动态时序缩放会在高分辨率下过度压缩噪声区间，训练收敛缓慢；我们提出截断修正时序方案，限制最大隐向量token缩放幅度，解决2K生成噪点问题 ；

   

   

5. 2D正交增强引导（BOG）：传统CFG将图像摊平一维计算，丢失平面空间结构；BOG保留二维矩阵结构归一化，摄影质感、纹理细节显著提升。

4 结论、局限性与未来方向

结论

本文提出Boogu-Image-0.1统一开源多模态生成套件，Base/Turbo/Edit/Edit-Turbo覆盖文生图、图文编辑全场景，以"理解优先"架构完成从文生图到需求生成图的迭代。

整套训练管线仅2.0862亿独立图片，总成本约40万美元，在算力约束下实现对标头部闭源模型的综合效果；配套智能Agent推理系统，通过提示词解析、动态模型调度、自省采样持续优化输出。

模型基于Apache 2.0完全开源，开放权重、完整训练代码、分层数据集构建方案，降低多模态生成领域研发门槛。

模型局限性

1. 世界常识短板：在地标、名人、专业商品、小众艺术风格上距离顶尖闭源模型仍有差距，基准分数无法完全体现该差距；
2. 语言限制：当前仅深度优化中英双语，小语种文字渲染能力薄弱；
3. 人体结构：多人交互、重度遮挡、非常规视角下易出现肢体、五官畸变；
4. VAE瓶颈：沿用开源FLUX.1 VAE，重建误差限制极小文字、微型五官细节上限，2K原生生成仅部分缓解该问题。

未来研究方向

1. 更贴合真实用户的动态、无污染评测体系，摆脱静态学术榜单导向；
2. 开源社区高质量、分层、均衡多模态数据集建设，消除西方文化偏见；
3. 深度智能Agent生成闭环：增加生成自检、多轮迭代、外部工具检索，让模型主动规划、修正图像，而非单次被动生成；
4. 原生高分辨率VAE开发，解决微小细节重建缺陷；
5. 多语种文字渲染专项优化，拓展全球多语言适配能力。

附录（精简翻译）

A 作者团队

华为莱布尼茨人工智能实验室联合香港大学、港科大、香港理工、城大、中大、南京大学联合研发，完整作者名单见原文。

B 底层架构技术选型

1. 整体架构：解耦式双模块------Qwen3-VL-8B轻量编码器负责文本条件提取；10B参数DiT扩散生成器负责图像渲染；外置大模型作为推理Agent解析复杂需求；
2. 推理Agent流程：区分文生图/图像编辑任务，适配两套系统提示词，输出结构化、消歧义后的提示送入编码器；
3. DiT双流结构：独立处理文本指令流、图像隐向量流，先双流交叉融合，再统一单流解码；配套2D正交增强引导BOG、修正时序偏移两大2K专属优化；
4. 数据管线：分层教学式数据集，图文标注分维度精细化，瑕疵样本定向标注，汉字高频样本加权扩充。

C 2D正交增强引导（BOG）技术详解

传统无分类引导将图像隐向量展平一维向量归一化，丢失平面空间二维结构信息，导致画面平淡、纹理模糊。

BOG直接基于二维矩阵张量做归一化，保留行列空间关联，强化光影、材质、摄影细节，人像、风光、静物写实提升明显，全文44页附大量对照样例。