license: apache-2.0
language:
- en
- zh
library_name: diffusers
助推开源统一多模态理解与生成
-lightgrey){kind=icon}
⚠️ 重要声明
Boogu 团队目前未推出任何针对 Boogu-Image 的收费 API、订阅或商业化服务。 任何以 "Boogu-Image" 或其相近、变体名称（如
booguimage、Boogu Image、Boogu等）名义提供的收费产品或服务，均与本项目无关，属于非官方行为。请在付款前务必仔细甄别，谨防上当受骗，切实保护好个人隐私与财产安全。Boogu-Image-0.1 仅为一个研究项目，并非官方模型发布。
📖 简介
Boogu-Image-0.1 是一个在当前开源模型中具备强竞争力的 Apache-2.0 开源统一图像生成与编辑模型家族，包含 Base、Turbo、Edit 等多个变体，在高质量文生图、快速生成、图像编辑和中英文文字渲染等任务上提供稳定实用的能力。像 Nano Banana Pro 和 GPT-Image-2 这样的闭源多模态理解与生成系统之所以表现卓越，并非依赖单一模型，而是得益于一整套高度统一的系统能力。然而，在训练资源相较于闭源模型极端有限的条件下，我们发现，通过系统性地增强模型的理解能力、数据质量和训练流程，仍然能够显著提升图像生成与编辑的性能。具体而言，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。
本仓库提供 Boogu-Image-0.1 的模型权重和推理代码。
🏆 Boogu Arena
由于我们无法直接在 LM Arena 上评测，我们构建了 Boogu Arena——一套 LM Arena 风格的偏好评测。我们使用 LLM 生成多样化的用户画像（persona），再让每个画像产出图像生成提示词，共得到 1K+ 条测试提示词，并将公开发布以供社区复现。下方的 ELO 排行榜涵盖了领先的闭源与开源系统。我们欢迎对结果有疑问的团队与我们联系，以便我们能够努力实现更加客观、公平和可重复的评估。
✨ 亮点
- 📸 精准优美的摄影 — 准确理解摄影类提示词，生成具有自然光照、连贯构图和真实细节的高质量图像；即使在更复杂的真实场景中，也能保持主体、背景与空间关系的一致性
- 📝 多样稳定的文字渲染 — 支持海报、邮票、文档、界面、品牌规范、手写板等多种文字密集型设计，在多样布局下实现可读的结构、稳定的排版以及稳健的中英文双语渲染
- 🎨 多样精美的风格化 — 涵盖微缩 3D 场景、国风鎏金美学、闪耀奇幻视觉、动漫肖像、神话角色等风格化生成；不只是风格迁移，更追求稳定、美观、贴合提示词的创意生成
- 🖌️ 多样化图像编辑 — 支持丰富的编辑任务，包括物体的插入、替换与移除，属性与材质修改，背景与场景替换，以及在多种艺术风格之间的忠实风格迁移，同时保持原始主体与构图的一致性
- 🪧 个性化海报设计与产品图渲染 — 生成个性化的海报版式与简洁的产品图，具备一致的品牌调性、精致的排版以及产品级的光照与构图
- ✍️ 精准文字编辑 — 支持图像内细粒度的文字编辑——在中英文中替换、新增或删除字符——并可灵活适配不同的字体、字重、颜色与版式，匹配多样化的设计意图
- 📊 极具竞争力的综合性能 — 在众多场景和基准上展现出极具竞争力的性能，Boogu-Image-0.1 家族在 Boogu Arena 中位居参评开源与闭源系统的前列
📖 完整的实践经验与对当前局限性的坦诚说明，请参阅下文的 安全性与局限性。
🔬 分场景对比
在整体 Arena 排名之外，我们将性能按场景拆分，与主流开源模型进行对比。评分基于我们对各类典型提示词的内部评测。
| 模型 | 写实摄影 | 简单文字渲染 | 密集文字渲染 |
|---|---|---|---|
| Boogu-Image-0.1-Turbo | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| Boogu-Image-0.1-Base | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| Z-Image-Turbo | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐ |
| Qwen-Image-2512 | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
- 📸 兼顾写实摄影与稳定文字渲染 — Boogu-Image-0.1-Turbo 能够生成写实摄影图像，同时在简单与密集文字渲染上也都有稳健的表现。
- 📝 密集文字渲染表现稳健 — Boogu-Image-0.1-Base 在密集、复杂排版的文字场景（海报、文档、品牌规范、复杂中英文设计等）中展现出有竞争力的表现。
- 💡 使用建议 — 当工作负载以密集 / 超密集文字渲染为主时，推荐使用 Boogu-Image-0.1-Base 并以 2K 分辨率输出，以获得最佳的排版忠实度和文字准确度。
📣 最新动态
- 2026-06-17 🔥 ComfyUI-Boogu 由 ComfyUI 提供支持的版本已发布！感谢 ComfyUI！
- 2026-06-17 🔥 ComfyUI-Boogu 发布!
- 2026-06-16 🔥 Boogu-Image-0.1-Base（文生图）发布！ 核心文生图基础模型。体验在线演示。
- 2026-06-16 🎨 Boogu-Image-0.1-Edit（图生图）发布！ 图像编辑和转换能力现已可用。体验在线演示。
- 2026-06-16 🚀 Boogu-Image-0.1-Turbo 发布！ 用于快速推理与照片级真实感生成的 4 步蒸馏变体。体验在线演示。
📥 模型库
| 模型 | 参数量 | 训练方式 | 步数 | CFG | 任务 | Hugging Face | 魔塔社区 | 演示 |
|---|---|---|---|---|---|---|---|---|
| Boogu-Image-0.1-Base | 10B | 联合训练 | 25~50 | 2.0～5.0 （例如 4.0） |
文生图 |  |
 |
 |
| Boogu-Image-0.1-Base-fp8 | 10B | 联合训练 | 25~50 | 2.0～5.0 （例如 4.0） |
文生图 | |
|
— |
| Boogu-Image-0.1-Edit | 10B | 联合训练 | 25~50 | 2.0～5.0 （例如 5.0） |
图生图编辑 | |
|
 |
| Boogu-Image-0.1-Edit-fp8 | 10B | 联合训练 | 25~50 | 2.0～5.0 （例如 5.0） |
图生图编辑 | |
|
— |
| Boogu-Image-0.1-Turbo | 10B | + 解耦 DMD | 4 | 1.0 | 文生图 | |
|
 |
| Boogu-Image-0.1-Turbo-fp8 | 10B | + 解耦 DMD | 4 | 1.0 | 文生图 | |
|
— |
- Boogu-Image-0.1-Base：基础模型，具备强多样性与可控性——适合微调及下游开发。主要面向超密集文字渲染等复杂多文本场景；若追求照片级真实感，Turbo 模型通常是更好的选择。
- Boogu-Image-0.1-Edit：图像编辑与转换变体。
- Boogu-Image-0.1-Turbo：蒸馏变体，与基础模型参数量相同，通常仅需 3~4 步。专注于高质量生成与照片级真实感，同时保留双语文字渲染与提示词遵循能力。
🛠️ 安装
测试环境： Python 3.10 · CUDA 12.6 · PyTorch 2.7.1
# 使用全新的 conda 环境
conda create -y -n boogu python=3.10
conda activate boogu
# 安装必要的依赖
# 支持 PyTorch 最高 2.11.0，CUDA 最高 12.8
# 查看 `requirements/<torch>_<cuda>.txt`
pip install -r requirements/torch2.7-cu126.txt
pip install -e .
python utils/get_flash_attn.py
或者
bash quick_start.sh
conda activate boogu
下载模型权重
在运行推理之前，请将模型权重下载到本地 models/ 目录。我们推荐使用 Hugging Face 官方 CLI：
pip install -U "huggingface_hub[cli]"
# 下载到 ./models/<model-name>
huggingface-cli download Boogu/Boogu-Image-0.1-Base --local-dir models/Boogu-Image-0.1-Base
huggingface-cli download Boogu/Boogu-Image-0.1-Turbo --local-dir models/Boogu-Image-0.1-Turbo
huggingface-cli download Boogu/Boogu-Image-0.1-Edit --local-dir models/Boogu-Image-0.1-Edit
下载后的目录结构示例：
models/
└── Boogu-Image-0.1-Base/
├── model_index.json
├── mllm
├── processor
├── scheduler
├── transformer
└── vae
然后通过 --model models/Boogu-Image-0.1-Base 指向本地路径进行推理。
Flash Attention
本仓库提供 utils/get_flash_attn.py 来自动安装适配您环境的 flash-attn wheel。
环境要求：
- 已安装 Python 和带 CUDA 的 PyTorch
- Linux x86_64
# 自动模式：检测环境，下载预编译 wheel，回退到源码编译
python utils/get_flash_attn.py
# 强制源码编译
python utils/get_flash_attn.py --build
该脚本首先搜索 mjun0812/flash-attention-prebuild-wheels，然后尝试官方 Dao-AILab/flash-attention 发布的 wheel（包含两种 cxx11abi 变体），最后回退到通过 pip install flash-attn --no-build-isolation 进行源码编译。
🚀 快速开始
PyTorch 原生图文生图（编辑）推理
export device="cuda:0" # 必需
mkdir -p outputs/test_ti2i/
python inference.py \
--pretrained_pipeline_name_or_path "models/Boogu-Image-0.1-Edit" \
--input_image_paths "input_image_examples/03.jpg" \
--instruction "Change the style to a colored pencil drawing." \
--num_inference_steps 50 \
--height 1024 --width 1024 \
--text_guidance_scale 5.0 --image_guidance_scale 1.0 \
--output_image_path "outputs/test_ti2i/out_1.png" \
--device "$device"
硬件说明
📖 完整的命令行选项、设备设置、卸载策略、缓存加速、Torch Compile、FP8 和批量推理详情，请参阅 INFERENCE_GUIDE.md。 Torch Compile 注意事项：
--enable_torch_compile在某些 GPU/模型上偶尔会产生全黑输出。如遇此情况，请先禁用该选项。
| 显存 | 推荐配置（文生图 1K） | 推荐配置（文生图 2K） |
|---|---|---|
| 12GB | 未量化：--enable_sequential_cpu_offload_flag量化： --enable_model_cpu_offload_flag --use_fp8_weights |
未量化：--enable_sequential_cpu_offload_flag量化： --enable_group_offload_flag --use_fp8_weights |
| 16GB | 未量化：--enable_sequential_cpu_offload_flag量化： --enable_model_cpu_offload_flag --use_fp8_weights |
未量化：--enable_sequential_cpu_offload_flag量化： --enable_model_cpu_offload_flag --use_fp8_weights |
| 24GB | 未量化：--enable_model_cpu_offload_flag量化： --use_fp8_weights |
--enable_model_cpu_offload_flag |
| 32GB | 未量化：--enable_model_cpu_offload_flag量化： --use_fp8_weights |
未量化：--enable_model_cpu_offload_flag量化： --use_fp8_weights |
| 40GB | 基础模型 | 未量化：--enable_model_cpu_offload_flag量化： --use_fp8_weights |
| 80GB | 基础模型 | 基础模型 |
⚠️ 安全性与局限性
安全性
Boogu-Image-0.1 以研究目的发布，未经额外安全措施不建议用于生产环境部署。我们在数据筛选、训练和评估过程中考虑了负责任的 AI 因素，但模型仍可能产生不准确、有偏见或不适当的输出。
已知局限性
🌍 世界知识差距
- 对于需要丰富常识、领域知识、真实品牌或人物、著名地标、名人、产品或复杂上下文理解的任务，Boogu 与强大的闭源系统仍有明显差距
- 这一能力的评测代价极高，即使 Arena 风格的评测也难以完整衡量，因此现有基准几乎无法量化这一维度，真实差距很可能比测得的分数更大
🖼️ 图生图一致性与上下文场景
- 对于需要严格保持输入主体、身份、布局或精细细节的编辑任务，Boogu 的图生图一致性尚不够稳定
- 我们的图生图能力更侧重摄影与文字等应用场景，因此在部分上下文生成（in-context）场景中，Boogu 仍落后于 Seedream 5.0 和 Nano Banana Pro
📝 文字渲染稳定性
- Boogu 可以处理许多中文和英文文字场景，但长文本、密集排版、小字号以及复杂设计布局仍可能产生错别字、缺字或布局漂移
- 文字渲染目前主要面向中文和英文；其他语言没有专门优化，效果可能明显退化
🦴 复杂姿势下的身体结构
- 在多人互动、遮挡、夸张动作或不寻常视角下，手部、肢体和身体结构仍可能变得不自然或不一致
👤 小尺寸人脸与小肢体
- 由于我们使用开源的 FLUX.1 VAE，重建损失相对较大，因此小人脸、小肢体、眼睛和文字等细节仍可能出现伪影或不稳定
📦 开源范围有限
- 受资源限制、工程复杂度和发布边界的约束，我们无法开源全部训练与系统细节
- 本次发布在可复现性、可用性与可持续维护之间取得平衡，为社区研究提供一个可靠的起点
下游用户有责任根据其使用场景应用适当的内容审核、验证和合规检查。
🙏 致谢
GPT-Image、Nano Banana 以及 Seedream 系列等闭源系统帮助我们更好地理解统一理解-生成系统的前沿能力与实际边界。我们感谢 Qwen-Image、Z-Image、OmniGen2、FLUX 以及更广泛的开源社区所提供的宝贵基础与参考，也感谢 DeepSeek 提供了足够强大的开源理解模型，为开源统一多模态理解-生成系统的发展提供了重要支持。
📄 许可证
本项目基于 Apache-2.0 许可证 发布。