Boogu-Image-0.1: Boosting Open-Source Unified Multimodal Understanding and Generation
Boogu-Image-0.1：开源统一多模态理解与生成模型
🧭 统一多模态理解与生成
通过数据/训练管线优化和Agent式推理扩展，在极低计算预算下实现逼近闭源的多模态生成性能
📌 工作参考价值
- Agent式推理扩展用于线上服务：将推理时间计算量化为可控资源，通过增加推理步数提升生成质量，该范式可直接用于Agent推荐系统的多步决策、query生成等，在延时允许下动态扩展推理深度提升效果。
- 数据效率与成本控制：仅用2.08亿图片达到领先性能，训练成本压到40万美元。在推荐系统中，可借鉴其数据筛选、去重、质量过滤的流程，用小规模高质量多模态数据对齐用户偏好，降低数据采集成本。
- 多模态生成能力迁移至商品创意：模型支持高质量文本渲染和中文生成，可直接用于广告创意、商品海报、营销图片的自动生成，将生成式推荐从物品ID扩展到视觉内容创造。
- 开源与可重现性：提供全套训练代码与权重，推荐团队可基于此快速搭建企业级多模态生成服务，并融入检索增强或个性化微调，避免依赖黑盒API。
动机：闭源多模态系统（如GPT-Image-2）性能领先但实现细节不公开，开源方案在统一理解与生成任务上存在差距。本工作探索在极有限计算资源下（仅约2亿张训练图片、4万美元成本）能否通过针对性的训练改进和推理策略，大幅提升开源模型的竞争力。
方法关键点：
- 模型架构与理解增强：基于统一的多模态架构，强化模型对文本与图像的对齐理解，支持中英双语指令与文字渲染。
- 数据质量优先：精心筛选与清洗训练数据，仅使用208.62M独特图片，强调数据质量远重于数量，有效降低训练成本。
- 训练流水线优化：设计多阶段训练策略，平衡生成质量、速度与编辑能力，推出Base、Turbo、Edit等4个变体。
- Agent式推理时扩展：通过引入“思考”步骤（Thinking mode），在推理时动态增加计算量，以可控的时间代价换取生成质量的提升，模拟系统级集成中的多步优化。
关键结果：
- Boogu-Arena评测中，Turbo-Thinking版本ELO分数1048，超越所有开源模型，接近GPT-Image-2（1196）和Nano-Banana-Pro（1087）。
- 推理时间与质量可平滑折中：Turbo-Thinking相比Turbo提升明显，仅在模型内实现，无需外部组件。
- 仅用208.62M图片，基础模型训练理论成本约$400K，证明高效开源路线的可行性。