Boogu-Image-0.1 是一个以 Apache-2.0 许可发布的开源统一图像生成与编辑模型家族，官方称其在训练数据规模约为部分现有开源模型十分之一的情况下，实现了接近闭源系统的表现。项目由 Boogu 团队发布，定位为研究项目，而非正式模型发布。
用途与定位
该项目面向开放的多模态理解与生成研究，目标是推动开源生态在统一图像生成与编辑方向的发展。官方强调，类似 Nano Banana Pro、GPT-Image-2 等闭源多模态理解与生成系统的出色表现并非来自单一模型，而是高度统一的系统能力组合；Boogu 希望在训练算力远低于闭源系统的条件下，通过系统性提升模型理解能力、数据质量与训练流程来改善生成与编辑效果。该仓库提供 Boogu-Image-0.1 的检查点与推理代码。
模型家族与主要能力
Boogu-Image-0.1 包含以下变体：
- Boogu-Image-0.1-Base：文生图基础模型，强调多样性与可控性，适合微调与下游开发，主要面向超高密度文本渲染场景。支持 1K、1.5K、2K 分辨率。
- Boogu-Image-0.1-Turbo：蒸馏变体，参数量相同，通常仅需 3~4 步，侧重高质量生成与照片级真实感，同时保留双语文本渲染与提示词遵循能力。支持 1K 分辨率。
- Boogu-Image-0.1-Edit：图生图图像编辑与变换变体，支持最高 2K 分辨率，但 1K 下结果更稳定；目前仅支持一张参考图。支持 1K、1.5K、2K。
- Boogu-Image-0.1-Edit-Turbo：编辑模型的四步蒸馏快速推理变体。
除特别说明外，所有模型变体均支持以下宽高比：1:1、2:3、3:2、3:4、4:3、1:2、2:1、9:16、16:9。
官方列出的能力包括：
- 摄影级生成：准确理解摄影提示词，生成具有自然光照、连贯构图与忠实细节的高质量图像，在复杂真实场景中保持连贯的主体、背景与空间关系。
- 文本渲染：支持海报、邮票、文档、界面、品牌指南、手写板等大量文字密集设计，具备可读结构、稳定排版与稳健的中英文双语渲染。
- 风格化生成：涵盖微缩 3D 场景、中式鎏金美学、闪耀奇幻视觉、动漫人像、神话角色艺术等，不仅是风格迁移，而是稳定、美观且贴合提示词的创意生成。
- 图像编辑：支持对象插入、替换与移除，属性与材质修改，背景与场景替换，以及忠实风格迁移，同时保持源主体与构图连贯。
- 个性化海报设计与产品渲染：生成个性化海报版式与干净的产品可视化，保持一致的品牌、精致排版与产品级光照构图。
- 精确文本编辑：支持图中文本的细粒度编辑，可替换、添加或删除中英文字符，并灵活调整字体、字重、颜色与版式。
在官方公布的 Boogu Arena 偏好评测中，Boogu-Image-0.1 家族在受评测的开源与闭源系统中排名靠前。官方建议：当工作负载以密集或超高密度文本渲染为主时，推荐以 2K 输出分辨率运行 Boogu-Image-0.1-Base，以获得最佳版式保真度与字符准确度；若追求照片级真实感，Turbo 通常是更好的默认选择。
使用方式与安装
官方给出的测试环境为 Python 3.10、CUDA 12.6、PyTorch 2.7.1。
推理前需先下载模型权重到本地 models/ 目录，官方推荐使用 Hugging Face CLI。下载后通过 --model models/Boogu-Image-0.1-Base 将推理指向本地路径。
关于 Flash Attention：仓库提供 utils/get_flash_attn.py，可为当前环境自动安装兼容的 flash-attn wheel。脚本先搜索 mjun0812/flash-attention-prebuild-wheels，再尝试官方 Dao-AILab/flash-attention 的 cxx11abi 两种变体发布 wheel，最后回退到通过 pip install flash-attn --no-build-isolation 从源码编译。
仓库提供 PyTorch 原生 T2I 推理方式。Ascend NPU 推理支持需切换到 npu 分支，并按该分支 README.md 中的说明进行设置与使用。
完整 CLI 选项、设备设置、卸载策略、缓存加速、Torch Compile、FP8 与批量推理细节见 INFERENCE_GUIDE.md。官方提示：--enable_torch_compile 在某些 GPU/模型上偶尔会产生全黑输出，如遇此情况请先关闭该选项。
此外，vLLM-Omni 已支持 Boogu-Image，可通过 vLLM-Omni 推理服务器运行该模型。ComfyUI-Boogu 也已发布。
适用场景
- 研究用途的文本到图像生成与图像编辑实验
- 中英双语文本渲染、海报与品牌指南等文字密集设计
- 需要快速推理的生成任务（Turbo / Edit-Turbo）
- 需要微调与下游开发的基础模型实验（Base）
- 在 ComfyUI、vLLM-Omni 等生态中进行集成与评测
限制与注意事项
官方在 Responsible AI & Limitations 中说明，Boogu-Image-0.1 仅用于研究目的，不适合在缺乏额外防护的情况下直接用于生产部署。已知限制包括：
- 世界知识差距：涉及常识、领域知识、真实品牌或人物、著名地标、名人、产品及复杂语境理解时，与强闭源系统存在明显差距；该能力测量成本极高，真实差距可能大于测得分数所反映的程度。
- 图生图一致性与上下文场景：编辑任务中若需严格保留输入主体、身份、版式或细节，图生图一致性仍不够稳定；在部分上下文生成场景中仍落后于 Seedream 5.0 与 Nano Banana Pro。
- 文本渲染稳定性：长文本、密集排版、小字号与复杂设计版式仍可能出现错字、缺字或版式漂移；文本渲染目前聚焦中英文，其他语言未专门优化，效果可能明显下降。
- 复杂姿态人体结构：多人交互、遮挡、夸张动作或不寻常视角下，手、四肢与身体结构可能不自然或不一致。
- 小脸与小肢体：由于使用开源 FLUX.1 VAE，重建损失相对较大，小脸、小肢体、眼睛与文字等细节可能出现伪影或不稳定。
- 发布范围有限：受资源、工程复杂度与发布边界限制，未能开源全部训练与系统细节；当前发布旨在平衡可复现性、可用性与可持续维护。
下游用户需自行负责内容审核、验证与合规检查。
官方特别声明：Boogu 团队目前不提供任何付费 API、订阅或商业服务；任何以 Boogu-Image 或类似变体名称提供的付费产品或服务均与本项目无关且非官方，请谨慎核实并保护个人隐私与财务安全。
