Boogu-Image-0.1-Edit

# Boogu-Image-0.1 模型卡片

模型用途

Boogu-Image-0.1 是一个 Apache-2.0 开源的统一图像生成与编辑模型系列，包含 Base、Turbo、Edit 和 Edit-Turbo 等变体。该模型提供高质量的文本到图像生成、快速生成、图像编辑以及中英文文本渲染能力。

## 主要能力

• *摄影与成像**：准确理解摄影提示词，生成具有自然光线、连贯构图和忠实细节的高质量图像，即使在复杂的现实场景中也能保持主体、背景和空间关系的连贯性。

• *文本渲染**：支持多种文本密集型设计场景，包括海报、邮票、文档、界面、品牌指南和手写板等，具有可读的结构、稳定的排版和强大的中英文双语渲染能力。

• *风格化生成**：处理多种风格化生成任务，包括微缩3D场景、中国风金色美学、闪耀奇幻视觉、动漫肖像和神话角色艺术等，不仅限于风格迁移，而是稳定、吸引人且符合提示词的创意生成。

• *图像编辑**：处理广泛的编辑任务，包括对象插入、替换和删除、属性和材质修改、背景和场景替换，以及跨艺术风格的艺术风格迁移，同时保持源主体和构图的连贯性。

• *海报设计与产品渲染**：生成个性化海报布局和清晰的产品可视化效果，具有一致的 branding、精致的排版以及产品级光线和构图。

• *精确文本编辑**：支持细粒度的图像内文本编辑，可替换、添加或删除中英文字符，并灵活适配不同的字体、粗细、颜色和布局以匹配不同的设计意图。

• *综合性能**：在多种场景和基准测试中表现出色，Boogu-Image-0.1 系列在 Boogu Arena 评估中位列开源和闭源系统前列。

## 输入输出

• *输入类型**：

• 文本到图像（T2I）：文本提示词
• 文本引导的图像到图像（TI2I）：文本提示词 + 参考图像

• *输出**：图像

• *支持分辨率**：1K、1.5K、2K

• *支持宽高比**：1:1、2:3、3:2、3:4、4:3、1:2、2:1、9:16、16:9

• *模型参数规模**：约 10B 参数

运行要求

• *测试环境**：Python 3.10、CUDA 12.6、PyTorch 2.7.1

• *显存推荐配置（文本到图像 1K）**：

• 12GB：非量化需启用 sequential cpu offload，量化需启用 model cpu offload 并使用 fp8 权重
• 16GB：非量化需启用 sequential cpu offload，量化需启用 model cpu offload 并使用 fp8 权重
• 24GB：非量化需启用 model cpu offload，量化需使用 fp8 权重并启用 model cpu offload
• 32GB：非量化需启用 model cpu offload，量化需使用 fp8 权重
• 40GB：Base 模型非量化需启用 model cpu offload，量化需使用 fp8 权重
• 80GB：Base 模型可直接运行

• *显存推荐配置（文本到图像 2K）**：

• 12GB：非量化需启用 sequential cpu offload，量化需启用 group offload 并使用 fp8 权重
• 16GB：非量化需启用 sequential cpu offload，量化需启用 model cpu offload 并使用 fp8 权重
• 24GB：非量化需启用 model cpu offload，量化需使用 fp8 权重并启用 model cpu offload
• 32GB：非量化需启用 model cpu offload，量化需使用 fp8 权重

基本用法

• *安装**：需先安装 Python 和 PyTorch（带 CUDA 支持），然后克隆仓库并安装依赖。

• *下载模型权重**：使用 Hugging Face CLI 下载模型权重到本地 models/ 目录。

• *运行推理**：通过 --model 参数指定本地模型路径进行推理。

• *模型变体说明**：

• Boogu-Image-0.1-Base：基础模型，擅长多样性和可控性，适合微调和下游开发，主要用于超密集文本渲染
• Boogu-Image-0.1-Edit：图像编辑和转换变体，支持 1K、1.5K、2K 分辨率
• Boogu-Image-0.1-Turbo：蒸馏变体，仅需 3~4 步推理，专注于高质量生成和逼真图像，同时保留双语文本渲染能力，支持 1K 分辨率
• Boogu-Image-0.1-Edit-Turbo：编辑模型的蒸馏变体

限制

• *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、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。

• *图像到图像一致性**：对于需要严格保留输入主体、身份、布局或细节的编辑任务，Boogu 的图像到图像一致性仍不够稳定。由于图像到图像能力更侧重于摄影和文本生成应用，Boogu 在某些上下文生成场景中仍落后于 Seedream 5.0 和 Nano Banana Pro。

• *文本渲染稳定性**：Boogu 可以处理许多中英文文本场景，但长文本、密集排版、小字体和复杂设计布局仍可能产生拼写错误、字符缺失或布局偏移。文本渲染目前专注于中英文，其他语言未专门优化，可能明显退化。

• *复杂姿势下的身体结构**：在多人互动、遮挡、夸张动作或异常视角下，手、四肢和身体结构可能变得不自然或不一致。

• *小脸和小肢体**：由于使用开源 FLUX.1 VAE，重建损失相对较大，因此小脸、小肢体、眼睛和文本等细节仍可能显示伪影或不稳定。

• *发布范围有限**：由于资源限制、工程复杂性和发布边界，无法开源所有训练和系统细节。当前开源版本旨在平衡可复现性、可用性和可持续维护，同时为社区研究和改进提供可靠的起点。

许可证

本项目基于 Apache-2.0 许可证发布。