Boogu-Image-0.1: Boosting Open-Source Unified Multimodal Understanding and Generation

We introduce Boogu-Image-0.1, an open-source unified multimodal understanding and generation model family, comprising Base, Turbo, Edit, and Edit-Turbo variants. It delivers competitive performance in high-quality text-to-image generation, fast inference, instruction-based editing, and bilingual (Chinese-English) text rendering. Closed-source multimodal systems like Nano-Banana-Pro and GPT-Image-2 achieve strong performance through system-level integration rather than a single model, yet their internal practices remain largely undisclosed. In this work, we demonstrate that targeted improvements in model understanding, data quality, and training pipelines, coupled with agentic inference-time scaling, can substantially enhance generation and editing performance even under highly constrained compute budgets. Comprehensive evaluations show that Boogu-Image-0.1 consistently matches or surpasses other open-source models across standard benchmarks, and achieves results approaching leading closed-source systems. Notably, this is accomplished with only 208.62 million unique images. The base model's theoretical training cost is only approximately \$400K. We share practical discussions that we believe are valuable to the broader research community, and release weights, code, and recipes under Apache 2.0 to advance the open ecosystem for unified multimodal understanding and generation. Our code is available here: https://github.com/Boogu-Project/Boogu-Image.

한 줄 요약

Boogu-Image-0.1은 오픈소스 통합 멀티모달 모델로, 텍스트-이미지 생성 및 편집 성능을 제한된 예산으로 향상시킨다.

핵심 기여도

4가지 변종(Base, Turbo, Edit, Edit-Turbo)을 포함한 통합 멀티모달 모델 제공.
208.62백만 개의 고유 이미지로, 닫힌 모델과 유사한 성능 달성.
이론적 학습 비용 \$400K로, 저예산 환경에서도 경쟁력 있는 결과 도출.
Apache 2.0 라이선스로 모델 가중치, 코드, 학습 레시피 공개.

핵심 아이디어

Boogu-Image-0.1은 단일 모델의 최적화와 추론 시 확장을 통해 닫힌 시스템의 성능을 모방한다. 기존 닫힌 모델(Nano-Banana-Pro, GPT-Image-2)은 시스템 수준 통합을 통해 높은 성능을 달성하지만, 내부 구조는 공개되지 않았다. 본 연구는 모델 이해, 데이터 품질, 학습 파이프라인 개선을 통해, 제한된 컴퓨팅 자원(예: 208.62M 이미지)에서도 높은 품질의 생성과 편집이 가능하다는 점을 입증한다. 특히, 추론 시 확장(agentic inference-time scaling)을 통해 성능을 동적으로 조정하는 것이 핵심 전략이다.

기술적 접근법

모델 변종: Base, Turbo, Edit, Edit-Turbo.
학습 데이터: 208.62M 개의 고유 이미지.
학습 비용: 이론적으로 약 \$400K.
추론 시 확장(agentic inference-time scaling)을 활용한 성능 최적화.
이중 언어(중국어-영어) 텍스트 렌더링 기능 포함.

주요 결과

표준 벤치마크에서 다른 오픈소스 모델과 동등 또는 우수한 성능.
닫힌 모델(Nano-Banana-Pro, GPT-Image-2)에 근접한 결과 달성.
텍스트-이미지 생성, 편집, 이중 언어 렌더링에서 높은 정확도와 속도.

의의 및 한계

Boogu-Image-0.1은 오픈소스 생태계에서 통합 멀티모달 모델의 가능성을 입증하며, 저예산 환경에서도 높은 성능을 달성할 수 있음을 보여준다. 또한, 모델 가중치와 코드를 공개함으로써 연구자들이 모델을 자유롭게 활용하고 개선할 수 있는 기반을 제공한다. 그러나 닫힌 모델과 비교했을 때, 일부 복잡한 생성 작업에서 여전히 성능 차이가 있을 수 있으며, 데이터셋의 다양성과 질에 대한 추가 연구가 필요하다.

실용적 활용

Boogu-Image-0.1은 디자인, 콘텐츠 생성, 멀티모달 인터페이스 개발 등 다양한 산업 분야에서 활용 가능하다. 특히, 예산이 제한된 연구소나 스타트업에서 높은 품질의 텍스트-이미지 생성 및 편집 기능을 구현하는 데 유용하다.