Boogu-Image-0.1 是一個全新的開源統一多模態理解與生成模型家族，由 Guoxuan Chen 等 33 位作者於 2026 年 7 月 14 日提交至 arXiv。該模型家族包含四個變體：Base、Turbo、Edit 和 Edit-Turbo，旨在統一多模態理解與生成任務。在標準基準測試中，Boogu-Image-0.1 在高質量文本到影像生成、快速推理、基於指令的影像編輯以及雙語（中文-英文）文本渲染方面展現出具有競爭力的效能。令人矚目的是，其表現與 Nano-Banana-Pro 和 GPT-Image-2 等領先閉源系統相當，而這些閉源系統依賴於系統級整合而非單一模型，且內部細節未公開。
Boogu-Image-0.1 的成功歸功於對模型理解能力、資料質量和訓練流程的針對性改進，以及一種稱為智慧推理時擴充套件（agentic inference-time scaling）的技術。即使在計算預算極為有限的條件下，這些改進也能顯著提升生成和編輯效能。研究團隊僅使用了 2.0862 億張獨特影像進行訓練，基礎模型的理論訓練成本約為 40 萬美元，遠低於許多同行。如此低的成本使得該模型對研究社群和中小型組織極具吸引力。
除了技術成就，Boogu-Image-0.1 還強調開放生態。所有模型權重、程式碼和訓練配方均已在 Apache 2.0 許可證下開源，以推動統一多模態理解與生成領域的協作發展。研究者們認為，他們的經驗——包括資料選擇、模型架構設計和訓練策略——對更廣泛的研究社群很有價值。未來，團隊計劃探索更高效的模型架構和更多應用場景，進一步降低門檻並提升效能。Boogu-Image-0.1 的釋出不僅展示了在資源受限條件下達到先進水平的可能性，也為多模態 AI 的民主化邁出了重要一步。