Boogu-Image-0.1 は、Guoxuan Chen ら 33 名の著者によって提案された、オープンソースの統合マルチモーダル理解・生成モデルファミリーです。2026 年 7 月 14 日に arXiv に投稿され、Base、Turbo、Edit、Edit-Turbo の 4 つのバリアントで構成されています。このモデルは、高品質なテキストから画像への生成、高速推論、指示ベースの編集、そしてバイリンガル（中国語・英語）テキストレンダリングにおいて競争力のある性能を発揮します。標準ベンチマークでの評価では、Nano-Banana-Pro や GPT-Image-2 などのクローズドシステムに迫る結果を示し、他のオープンソースモデルを上回ることもあります。クローズドシステムはシステムレベルの統合に依存していますが、Boogu-Image-0.1 は単一モデルでこれを実現しています。
研究の鍵は、モデルの理解力、データ品質、トレーニングパイプラインに対するターゲットを絞った改善と、エージェント推論時スケーリング（agentic inference-time scaling）の組み合わせにあります。これにより、限られた計算リソースでも生成・編集性能を大幅に向上させることができました。特に注目すべきは、わずか 2 億 862 万枚のユニーク画像でトレーニングされ、ベースモデルの理論上のトレーニングコストが約 40 万ドルと非常に低いことです。この低コストは、研究コミュニティや中小企業にとって大きな利点です。
Boogu-Image-0.1 は、オープンエコシステムの推進も重視しています。すべてのモデルウェイト、コード、トレーニングレシピは Apache 2.0 ライセンスで公開され、統合マルチモーダル理解・生成の発展に貢献します。研究者らは、データ選択、モデルアーキテクチャ設計、トレーニング戦略に関する実用的な知見を共有しており、これらは広範な研究コミュニティにとって価値があると述べています。将来的には、より効率的なモデルアーキテクチャと多様な応用シナリオの探求を計画しており、さらなる性能向上と参入障壁の低減が期待されます。Boogu-Image-0.1 のリリースは、限られたリソースで最先端に迫る可能性を示し、マルチモーダル AI の民主化に向けた重要な一歩です。