Boogu-Image：用十分之一数据量逼近闭源图像模型

四天 338 颗星，ComfyUI 第二天就合入支持——Boogu-Image 是最近开源图像生成赛道里蹿升最快的项目。它没有堆数据量，而是用大约十分之一的训练数据，通过系统性地优化理解能力、数据质量和训练流程，在 Boogu Arena 偏好评测中拿到了 1048 分（开源第一），逼近 GPT-Image-2 的 1196 分。Apache-2.0 协议，10B 参数，12GB 显存就能跑。

一、它是什么

Boogu-Image-0.1 是一个统一的图像生成与编辑模型家族，由 Boogu 团队开源。和 GPT-Image-2、Seedream 5.0 这些闭源系统类似，它把「理解」和「生成」做在了一个系统里——不是一个单独的扩散模型，而是一整套包含指令理解、提示词增强、图像生成的流水线。

核心卖点很简单：用少一个数量级的训练数据，逼近闭源系统的性能。

README 里的原话是：

相比其他已知的开源工作，我们使用的训练数据规模大约少一个数量级。我们希望这项经验研究与开源发布，能够推动多模态生成与理解领域的开源生态发展。

这不是空话——项目发布四天，ComfyUI 官方就合入了支持，Civitai、Forge、mflux 等生态工具也在第一时间跟进。

二、模型家族

Boogu-Image-0.1 包含三个变体，都是 10B 参数：

Base：基础模型，25-50 步推理，CFG 2.0-5.0。擅长密集文字渲染——海报、文档、品牌规范、复杂中英文排版。如果你的需求是超密集文字场景，Base 在 2K 分辨率下输出效果最好。

Turbo：四步蒸馏变体，用解耦 DMD（Distribution Matching Distillation）把推理步数压到 3-4 步，CFG 降到 1.0。专注照片级真实感生成，同时保留双语文字渲染能力。日常使用选这个。

Edit：图像编辑变体，支持物体插入/替换/移除、属性修改、背景替换、风格迁移。当前只支持单张参考图，多图支持在规划中。

所有变体都有 FP8 量化版本，12GB 显存就能跑 1K 分辨率推理。

三、统一架构

Boogu-Image 的架构是典型的「理解-生成一体化」设计：

MLLM 理解模块：基于 Qwen3-VL 构建的 Rewriter（指令推理器）。用户输入模糊描述时，Rewriter 会将其转化为精确的生成指令。支持外挂式和 Pipeline 内置两种模式——外挂式需要更多显存但更灵活，内置模式支持更精细的显存管理。

DiT 生成模块：10B 参数的 Transformer 扩散模型，基于 FLUX.1 VAE，联合训练。Base 和 Turbo 共享同一个架构，Turbo 额外做了 DMD 蒸馏。

这种设计的直接好处是：理解模块可以精确解析用户的意图（包括文字内容、布局、风格），生成模块专注于像素级渲染。两者协同，才让 Boogu 在文字渲染和摄影真实感上同时有不错的表现。

四、Boogu Arena：自建评测

因为无法直接在 LM Arena 上评测，Boogu 团队自己搭了一套 Boogu Arena——LM Arena 风格的偏好评测。用 LLM 生成多样化的用户画像，再让每个画像产出图像生成提示词，共 1000+ 条测试 prompt，涵盖摄影、文字渲染、风格化、编辑等场景。

结果很有意思：

• Boogu-Image-0.1-Turbo-Thinking（带推理增强）拿到 1048 分，超过 Seedream-5.0-Lite（1032）和 Qwen-Image-Max（988）
• Boogu-Image-0.1-Turbo 拿到 1021 分，和 Seedream-5.0-Lite 基本持平
• GPT-Image-2 以 1196 分领先，但它是闭源系统
• 所有 Boogu 变体都是开源的（橙色标注）

分场景来看：

Turbo 在写实摄影和简单文字上都表现不错，Base 在密集文字渲染上更强。实际使用建议：日常选 Turbo，密集排版选 Base 在 2K 分辨率下输出。

五、生态整合速度

Boogu-Image 发布后的生态整合速度令人惊讶：

• 发布当天（6月16日）：Base、Turbo、Edit 三个变体同时上线 HuggingFace 和 ModelScope，提供在线 Demo
• 第二天（6月17日）：ComfyUI 官方合入 Boogu 支持，ComfyUI-Boogu 自定义节点同步发布
• 一周内：Civitai 合入 Boogu 生态支持、SwarmUI 提交 PR、sd-webui-forge-classic 讨论支持、mflux（Apple Silicon）添加 Turbo 支持

这种速度在开源图像模型里不常见。通常一个新模型发布后，社区需要几周时间做适配。Boogu 能这么快，一方面是因为它基于 FLUX 架构（社区已有大量基础设施），另一方面说明社区对它的认可度很高。

六、硬件需求

12GB 显存（RTX 4070 级别）就能跑，这对个人开发者来说非常友好。FP8 量化版本在大多数场景下质量损失很小。

七、已知局限

Boogu 团队在 README 里坦诚地列出了当前的不足：

世界知识差距：需要丰富常识、真实品牌、名人、地标等知识的任务，和闭源系统差距明显。这个维度的评测代价极高，真实差距可能比 Arena 分数显示的更大。

图生图一致性：编辑任务中严格保持输入主体、身份、布局的能力还不够稳定。在 in-context 生成场景中落后于 Seedream 5.0 和 Nano Banana Pro。

文字渲染稳定性：长文本、密集排版、小字号、复杂布局仍可能出错。目前只针对中英文优化，其他语言效果会退化。

复杂姿势：多人互动、遮挡、夸张动作下手部和肢体可能不自然——这其实是所有开源图像模型的通病，Boogu 用的是 FLUX.1 VAE，重建损失相对较大。

八、如何使用

安装很简单：

1
2
3
4
5

conda create -y -n boogu python=3.10
conda activate boogu
pip install -r requirements/torch2.7-cu126.txt
pip install -e .
python utils/get_flash_attn.py

下载模型：

1

huggingface-cli download Boogu/Boogu-Image-0.1-Turbo --local-dir models/Boogu-Image-0.1-Turbo

推理：

1
2
3
4
5
6
7
8

python inference.py \
  --pretrained_pipeline_name_or_path "models/Boogu-Image-0.1-Turbo" \
  --instruction "一只橘猫坐在窗台上看夕阳" \
  --num_inference_steps 4 \
  --height 1024 --width 1024 \
  --text_guidance_scale 1.0 \
  --output_image_path "output.png" \
  --device "cuda:0"

也可以直接用在线 Demo：Base | Turbo | Edit

九、为什么值得关注

Boogu-Image 的价值不在于「又一个图像生成模型」，而在于它证明了一件事：数据效率可以弥补数据规模的差距。 在所有人都在比拼数据量和算力的时候，Boogu 用十分之一的数据做到了接近闭源系统的水平。

对开发者来说，实际意义是：

1. Apache-2.0 协议，商用无障碍
2. 12GB 显存可跑，不需要 A100
3. ComfyUI 原生支持，即装即用
4. 中英文文字渲染是强项——做海报、文档、品牌设计的场景特别合适

项目还在快速迭代中，Edit-Turbo 和 Turbo-2K 变体即将发布。技术报告也标记为「Coming Soon」，到时候会有更多训练细节。

相关链接：

• GitHub 仓库
• 项目主页
• HuggingFace 模型
• ModelScope 模型
• ComfyUI-Boogu