Boogu-Image-0.1 是 Boogu 团队于 2026 年 6 月开源的统一图像生成与编辑模型家族，参数规模 10B，采用 Apache-2.0 协议，支持中英文文字渲染与最高 2K 分辨率。模型包含 Base、Turbo、Edit、Edit-Turbo 四个变体及 fp8 量化版本，权重与推理代码已全部公开。本文基于项目 README 与官方仓库的公开资料，整理从零开始的安装与使用步骤。
Boogu-Image-0.1 是什么
Boogu-Image-0.1 由华为香港小艺大模型应用实验室（Leibniz）主导、多所高校参与的 Boogu 团队开发。项目方明确说明，该模型以研究项目形式发布，并非官方商业产品；团队目前未提供任何收费 API、订阅或商业化服务，任何以 Boogu-Image 名义收费的产品均与项目无关。
四个变体的分工如下：
- Base：文生图基础模型，联合训练 25~50 步，适合微调与下游开发
- Turbo：4 步蒸馏的快速生成变体，专注照片级真实感，输出以 1K 为主
- Edit：图生图编辑变体，支持物体插入、替换、移除与风格迁移
分辨率方面，Base 与 Edit 支持 1K、1.5K、2K 三档（1K 下生成更稳定），Turbo 仅支持 1K 输出。全部变体覆盖 1:1、2:3、3:2、3:4、4:3、1:2、2:1、9:16、16:9 共 9 种宽高比。
环境要求
官方测试环境为 Python 3.10、CUDA 12.6、PyTorch 2.7.1，操作系统为 Linux x86_64。依赖文件按 PyTorch 与 CUDA 版本组合提供，官方标注支持 PyTorch 最高 2.11.0、CUDA 最高 12.8。
显存方面，官方给出从 12GB 到 80GB 的推荐配置。12GB 显存即可运行，但需要开启 CPU offload 或 fp8 量化：
| | |
|---|
| 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 |
| 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 |
| 未量化：--enable_model_cpu_offload_flag；量化：--use_fp8_weights | 未量化：--enable_model_cpu_offload_flag |
| 未量化：--enable_model_cpu_offload_flag；量化：--use_fp8_weights | 未量化：--enable_model_cpu_offload_flag |
| | 未量化：--enable_model_cpu_offload_flag；量化：--use_fp8_weights |
| | |
安装步骤
克隆仓库后，创建 conda 环境并安装依赖：
仓库也提供一键安装脚本，可直接运行：
utils/get_flash_attn.py 会自动安装适配当前环境的 flash-attn：先尝试 mjun0812 的预编译 wheel，再尝试官方 Dao-AILab 发布的 wheel，最后回退到源码编译。推理环境为 Linux x86_64 时需要执行此步骤。
下载模型权重
权重托管在 Hugging Face 的 Boogu 组织下，使用官方 CLI 下载到本地 models 目录：
下载后的目录结构包含 model_index.json、mllm、processor、scheduler、transformer、vae 等文件，推理时通过 --model models/Boogu-Image-0.1-Base 指定本地路径。Base、Edit 的 fp8 量化版本同样提供下载。
快速开始：文生图推理
以 Base 模型生成一张国风山水画为例（50 步、1024×1024、CFG 4.0）：
Base 的推荐步数为 2550，CFG 为 2.05.0（示例取 4.0）。Turbo 变体只需 4 步、CFG 1.0，速度显著更快，适合对效率敏感的场景。
注意：--enable_torch_compile 在部分 GPU 与模型上会产生全黑输出，遇到时先禁用该选项。
提示词增强：instruction reasoner
Boogu-Image-0.1 的提示词增强由 instruction reasoner（官方也称 rewriter）提供，有两种使用方式：
外挂式 standalone rewriter，需要额外显存：
Pipeline 内置 rewriter，支持更灵活的显存管理，参考 demo_scripts 下名称含 reasoning 的脚本，生成模型与 rewriter 可分别指定设备：
图像编辑与其他接入方式
Edit 变体用于图生图编辑，推理方式与 Base 一致，将 --pretrained_pipeline_name_or_path 指向 Edit 模型路径即可，官方推荐 CFG 5.0。Edit 支持最高 2K 的输入输出，编辑能力包括物体插入、替换与移除、属性与材质修改、背景与场景替换、风格迁移，以及图像内中英文字符的替换、新增与删除。
除命令行外，官方生态还提供以下接入方式：
- ComfyUI：官方 ComfyUI-Boogu 集成，支持图形化工作流
- Diffusers：模型卡提供自定义 pipeline（BooguImagePipeline），可通过
pip install -U diffusers transformers accelerate 安装后加载
- vLLM-Omni：2026 年 7 月起支持 vLLM-Omni 推理服务器部署
- 昇腾 NPU：切换至仓库 npu 分支即可体验 NPU 后端支持
常见问题
Boogu-Image-0.1 可以商用吗？
许可证为 Apache-2.0，允许商用与修改。但项目方提示，模型以研究目的发布，未经额外安全措施不建议直接用于生产环境部署，下游使用方需自行完成内容审核与合规检查。
显存不够怎么办？
12GB 显存即可运行：未量化时开启 --enable_sequential_cpu_offload_flag ，或使用 fp8 权重并开启 model offload。详细档位见上文显存配置表。
2K 和 1K 怎么选？
Base 与 Edit 支持 1K、1.5K、2K，官方说明 1K 下生成更稳定。密集、超密集文字渲染（海报、文档、品牌规范等）场景推荐 Base 搭配 2K 输出，以获得最佳排版与文字准确度。
支持中文吗？
文字渲染针对中文与英文做了专门优化，覆盖海报、文档、界面等密集排版场景；其他语言未做优化，效果可能明显退化。
与 Qwen-Image、Z-Image 相比表现如何？
官方在 Boogu Arena 偏好评测中给出场景对比：密集文字渲染上 Base 评分高于 Z-Image-Turbo 与 Qwen-Image-2512，写实摄影方面 Turbo 与 Z-Image-Turbo 相当。该评测为项目方自建，尚未见独立第三方复测。
官方有收费 API 吗？
没有。项目方明确声明未推出任何收费 API、订阅或商业化服务，谨防以 Boogu-Image 名义收费的第三方产品。
已知局限
官方在 README 中列明的局限包括：世界知识类任务与闭源系统仍有明显差距；图生图一致性在部分场景落后于 Seedream 5.0 与 Nano Banana Pro；长文本、密集排版与小字号仍可能出现错字、缺字或布局漂移；复杂姿势下的身体结构可能不自然；受资源限制，团队未开源全部训练与系统细节。部署前建议结合自身场景实测。
AI 速览
