AI News HubLIVE
站内改写1 分钟阅读

Boogu-Image-0.1：推动开源统一多模态理解与生成

Boogu-Image-0.1是一个开源统一多模态理解与生成模型家族，包含Base、Turbo、Edit和Edit-Turbo变体。它在高品质文本到图像生成、快速推理、基于指令的编辑以及双语文本渲染方面表现出色。尽管计算预算有限，但通过模型理解、数据质量和训练流程的针对性改进以及推理时扩展，其性能可媲美甚至超越其他开源模型，接近领先的闭源系统。该模型仅使用2.0862亿张独特图像，基础模型理论训练成本约40万美元。

来源arXiv Computer Vision作者: Guoxuan Chen, Chufeng Xiao, Haoran Yang, Siyue Xie, Binxiao Huang, Ming Zhang, Cheuk Him Chau, Xinyu Fu, Yingzhao Lian, Tom S. Y. Li, Jintao Lin, Bowen Dong, Zian Qian, Yuhao Liu, Yuxuan Hu, Weikang Shi, Bin Zou, Bowen Zheng, Haoxuan Che, Chang Chen, Yuyang He, Heyang Sun, Tianyu Huang, Chong Hou Choi, Cheng Gong, Han Shi, Haoli Bai, Xihui Liu, Hongsheng Li, Qifeng Chen, Chao Huang, Rui Liu, Chenyang Lei

Boogu-Image-0.1 是一个全新的开源统一多模态理解与生成模型家族，由 Guoxuan Chen 等 33 位作者于 2026 年 7 月 14 日提交至 arXiv。该模型家族包含四个变体：Base、Turbo、Edit 和 Edit-Turbo，旨在统一多模态理解与生成任务。在标准基准测试中，Boogu-Image-0.1 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（中文-英文）文本渲染方面展现出具有竞争力的性能。令人瞩目的是，其表现与 Nano-Banana-Pro 和 GPT-Image-2 等领先闭源系统相当，而这些闭源系统依赖于系统级集成而非单一模型，且内部细节未公开。

Boogu-Image-0.1 的成功归功于对模型理解能力、数据质量和训练流程的针对性改进，以及一种称为智能推理时扩展（agentic inference-time scaling）的技术。即使在计算预算极为有限的条件下，这些改进也能显著提升生成和编辑性能。研究团队仅使用了 2.0862 亿张独特图像进行训练，基础模型的理论训练成本约为 40 万美元，远低于许多同行。如此低的成本使得该模型对研究社区和中小型组织极具吸引力。

除了技术成就，Boogu-Image-0.1 还强调开放生态。所有模型权重、代码和训练配方均已在 Apache 2.0 许可证下开源，以推动统一多模态理解与生成领域的协作发展。研究者们认为，他们的经验——包括数据选择、模型架构设计和训练策略——对更广泛的研究社区很有价值。未来，团队计划探索更高效的模型架构和更多应用场景，进一步降低门槛并提升性能。Boogu-Image-0.1 的发布不仅展示了在资源受限条件下达到先进水平的可能性，也为多模态 AI 的民主化迈出了重要一步。