华为联合6校发布Boogu-Image-0.1：40万美元训出2K开源文生图模型

Boogu团队认为，用户需求已从简单描述性prompt转向复杂意图、隐含约束和跨模态上下文。为此，他们将“理解”拆解到系统每个环节：采用更强的指令编码器（Qwen3-VL-8B），实验证实冻结编码器规模从1.7B扩到14B时生成质量单调提升且未见饱和；引入Agentic提示重写，以恒等变换为下界，只在意图模糊时介入，重写模型越强收益越大（0.8B到397B呈近似对数线性提升）；并通过模型路由，根据请求难度动态分发，将重型模型留给复杂任务。

在自建Arena盲测中（与公开LMArena排名的Spearman相关系数达1.0，Pearson相关系数0.986），Boogu-Image-0.1-Turbo-Thinking以1048的Elo位列开源第一，仅次于GPT-Image-2和Nano-Banana-Pro。在新发布的Qwen-Image-Bench上，其Base-Thinking变体在中英文双语下均取得开源模型最佳总分；编辑模型Boogu-Image-0.1-Edit-Thinking更在ImgEdit-Bench上拿下全场最高的4.64分。

团队发现，用1.87亿开源数据训练的模型明显撞上性能天花板；而利用少量按人类先验组织的“Boogu Syllabus”教学大纲式数据（仅2162万独立样本）进行后训练，反而能全面提升性能。原则是系统性细粒度拆解、能力全覆盖、每个类别数据量充足——“如果模型训练时没见过猫，就默认它画不出猫”。

团队还公开了多个可复用的量化结论：一个汉字稳定渲染需约300次曝光，覆盖3500个现代常用字即可满足日常中文渲染需求；让模型记住一个从未见过的人物身份，需约4500次语言匹配曝光（用一位论文作者的170张日常照片做了完整消融）。此外，水印、过曝、运动模糊等“坏数据”不必丢弃，只要在caption中详细描述缺陷，反而能让模型学会可控地规避或复现这些视觉元素。

团队用6个近期模型对比LMArena人类偏好排名与GenEval、DPG-Bench分数，发现明显排名倒挂：人类偏好最强的GPT-Image-2在两个学术基准上只排中游。团队直接宣布不再把这些基准作为主要评估，并呼吁社区重新审视其适用性——甚至坦率指出自家模型在ImgEdit-Bench上分数虽高，但人评中仍不如Nano-Banana-Pro。

在强化学习方面，团队发现重度美学RL会导致输出分布坍缩，例如让模型画“一位六十岁的中国女性”时，重RL模型倾向输出精致妆容的理想化形象。Boogu选择把人类偏好放进理解系统而非烙进生成器，只在肢体结构、文字渲染等不损害多样性的问题上使用RL。

作为最早的原生2K训练的开源模型之一，团队发现标准的动态时间偏移策略在2K分辨率会产生“过度挤压”效应导致收敛变慢，并给出了简单有效的截断修正方案。附录还提出了免训练的推理增强方法BOG（Boosted Orthogonal Guidance），把DiT预测视为二维矩阵做结构化归一化，强化垂直于flow流场的信息，一定程度提升照片摄影艺术质感。

模型权重、代码与训练配方已全部以Apache 2.0协议开源，支持华为昇腾Ascend NPU、vLLM-Omni框架等，ModelScope和ComfyUI均已上线。