1/8 参数，跑赢 80B 大模型：Boogu-Image 是黑马还是鸡肋？

(雷峰网)摘要：“跑分反超只是开胃菜，生产级交付才是真考场。”2026 年 6 月，HuggingFace 上一个名为 Boogu-Image-0.1 的开源模型，在上传以后迅速引爆了 AI 圈。这款模型最引人注目的地方，在于它以区区 10B 的参数规模，就在多项关键能力上超过了很多参数量更大的模型。更大就意味着更强，长期以来这在 AI 圈都是颠扑不破的真理，语言模型如此，图像模型亦然。但在 Qwen-Image-Bench 基准测试中，10B 的 Boogu-Image-0.1 以 53.58 的最终得分，领先于 20B 的 Qwen-Image-2512（52.06）和 80B 的 Hunyuan-Image-3.0（50.81）。以对手 1/8 甚至 1/2 的参数规模，却实现了性能反超，即使领先优势只有几分之差，也足以解释业内的重视。当然，评价一款模型，Benchmark 跑分只是一方面。相比 Benchmark 跑分，我们更关心的是这款以小博大的黑马模型在真实的内容生产流程里，到底能走到哪一步？ 它的优势是否只在跑分中成立？它能否快速生成照片级素材、搭建海报构图、完成局部编辑？更进一步，当图像生成被接入Agent工作流后，它是否能以高频、低成本的方式稳定支撑图片的生成与迭代修改？生产级场景实测，拒绝 AI “糖水片”生图早就不是难事了。从 2022 年夏天 Stability AI 开源 SD 1.5 算起，三年的高速迭代之后，图像生成模型的追求已经从把图做出来，进化到了做得漂亮、做得实用。参考图生图，以二次元、赛博朋克为代表的风格化生成图片，以及局部编辑、主体替换等功能被先后实现。再下一步，就是在生产级场景中真正落地。议题变得更加具体。图像模型的产出，如何从空有画面而内涵空虚的“糖水片”，转变为能够接住各种真实商业需求的载体？后者意味着工业级的图片生成，真实的物理表现、和谐的构图、清晰的文字、高自由度的风格表现，以及最重要的，在多轮编辑的同时仍然维持上述所有维度稳定性的能力。这里的每一条需求，都对应着海报、电商详情页、品牌视觉等严肃商业场景的考验。Boogu-Image-0.1 就在这样的背景下问世，我们也好奇于它到底仅仅是一款“炫技之作”，还是能够回应落地场景对图像模型的真实考验。因此对于本次测评的题目，我们也力求贴近生产级的任务需求。在项目介绍中，开发团队重点提及了 Boogu-Image-0.1 “能够生成光线自然、构图和谐、细节逼真的摄影级高质量图像”，以及“强大的双语渲染和排版能力”，所以我们选择用《花样年华》式的港风电影海报作为主要的测试题目，同时测试模型生成真实场景照片的能力究竟如何。这类极具艺术审美和高度风格化的电影海报设计，会同时考验模型的文字处理、复杂指令遵循、物理一致性、风格表现力等多重能力。对只有 10B 参数的 Boogu-Image-0.1 来说，算得上是一次压力测试；而更加基础、更高频的真实照片场景，也能更直接地考察模型对于人物、光影关系、空间布局、生活氛围的处理能力。Boogu-Image-0.1 此次同步开源的主要包括四个版本：Base：核心文生图基础模型。专注于高质量生成、丰富的美学表现、强大的多样性与可控性，主要面向复杂且文本密集的场景，例如包含超过 100 个字符的超密集文本渲染；Turbo：蒸馏版变体，参数量与基础模型相同，通常只需 3 至 4 步即可完成生成。在保持双语文本渲染与提示遵循性的前提下，优化了照片级真实感表现；Edit：专为图像编辑与图像到图像工作流打造，遵循双语自然语言指令，目前主要聚焦于以摄影为导向的编辑场景。在上下文生成中，当视角或结构发生较大变化时，性能仍较为受限；FP8：面向量化部署的变体，用于降低内存占用的推理；这也决定了我们根据不同版本特性进行测试的方法。Turbo 版本关注快速出图时还能否保住真实感和细节，Edit 需要处理主体、背景替换等真实落地中存在的局部修改需求。最考察综合能力的海报生成任务，则交给了 Base 版本。Turbo：照片级真实感Turbo 的标签很鲜明，快速、真实。我们首先让Turbo生成一张年轻女性在海边木栈道的游客照。人物和海边的栈道、夕阳、远处小镇融合得很自然，远处的光源正好照亮左侧的发丝，人物的衣服有自然褶皱、真实垂落，脸上的笑容真实自然。有意思的是，模型对于画面远处非人物的部分进行了虚焦处理，近大远小，氛围自然，就像是旅途间隙朋友给你随手拍下的留念。接下来我们让 Turbo 生成了一张寿星在春节时过生日的照片。这张图片画面十分温馨，节日氛围很强，室内布置、装饰布局都有种让人感觉“好像在哪见过”的熟悉感。人像更是这次最大的亮点：表情自然、动作合理，几个人之间的空间关系和互动感都很到位，甚至会让人觉得这就是一张真实的家庭抓拍。唯一的缺点是桌上的菜品摆放稍显生硬，特别是桌角垒成金字塔的桃子。另外如果仔细看，生日蛋糕上的“Happy Birthday”其实是一团试图蒙混过关的乱码。文字生成一向是图像模型的难点，在 Boogu-Image 0.1 内部，这也是 Base 版本相较于 Turbo 强势之处。还有一个值得一提的用例，是我们用 Turbo 生成了一张小狗和小猫在具有烟火气息的道路上打闹的照片。从这张图片也能看出 Turbo 对于动态场景的处理能力，画面中的小狗和猫都处在运动中，院子、花盆、自行车和树影让场景显得很生活化，整体像一张手机抓拍照片。再加上被稍微压暗的画面和模糊感，让人感觉这张照片仿佛真的出自某台上了岁数的 CCD。只是影子的细节还需要拎出来再考究一番，视觉效果生硬，一眼看过去和真实的物理表现似乎也有不小出入。这一轮测试下来，可以给出一个比较明确的判断：Turbo 在真实感出片上确实展现了超越参数规模的表现，光影、景深和人物表情的控制力不输大模型。但是在一些物理表现得细节上还存在失真等问题。Base：《花样年华》式电影海报生成在官方介绍中，对 Base 版本的描述是“基础模型，具有强大的多样性和可控性，非常适合微调和后续开发。主要用于超密集文本渲染。”我们重点考察在增加了密集文字需求后，它在信息准确度和画面质感上的表现如何。电影海报是一个双重需求交叉的典型场景。我们用 Base 版本生成了一张港风电影海报，作为对比，我们也给了 ChatGPT Images 2.0 一样的需求。提示词节选如下：在这条链路里，我们重点看三件事。Prompt 遵循度：模型能不能准确理解海报里的主体、人物关系、空间氛围和文字要求；文字准确性：中文标题、英文主标题、日期、地点和小字信息能不能清晰可读；视觉完成度：画面是否具备电影海报所需要的构图、光影、质感和情绪；可以看到，Base 版本生成的文字内容整体遵循了 Prompt 指令。画面表现力上，Base 的真实感并没有显著强于 Turbo，但它在人物关系处理和画面氛围的营造上表现出了优势。比如玻璃反射与黄绿橙交织的光影，以及女性低垂眉眼、男性隐没暗处的构图设计，使两人之间横亘着光影与镜像，精准还原了 Prompt 中“靠得很近却实际无法接近”的疏离气质。此外，Base 画面中男性微微侧头望向女性的姿态，赋予了人物之间明确的情感关联，表现出了一定的叙事能力。但要论电影级的质感，横向对比 ChatGPT Images 2.0，还是后者更加突出。ChatGPT Images 2.0 的文字排版更加契合常见的影视海报标准，中英文混排协调，细体艺术字强化了画面的疏离氛围。光影表现同样是 Image 2.0 更胜一筹，油灯暖光穿过门扉，照亮玻璃上若隐若现的红色字迹，余光顺势勾勒出男士额头轮廓，并沿门框斜向照亮右侧女士的背部。而明显的对比是，Base 版本输出的画面右侧有一条莫名其妙的光带，光源分布散乱，是对物理世界逻辑缺乏理解的表现。这一轮测试可以看出，Boogu-Image-0.1 Base 版本已经能完成复杂海报的主体构图、氛围营造和基本文字组织，但它和更强闭源模型之间仍有明显差距，尤其体现在文字排版、光源逻辑和电影级质感上。Benchmark 上的分数领先，放到真实审美维度上，未必能直接转化成肉眼可见的优势。但以 10B 的体量而言，它已经跑赢了绝大多数同量级选手。Edit：文生图模型的真考验图像编辑也是 Boogu-Image-0.1 进入真实生产流程必须面对的一道考验，典型例子如电影海报，标题、日期以及各种文字设计都可能要反复修改。这些需求在传统设计软件里通常对应明确的图层、文字框或调色工具，但在生成式图像模型里，修改往往不是局部替换，而是一次新的图像重构。为此我们也把 Base 版本和 Turbo 版本生成的图片又喂给了它，通过替换人物、服装和移除画面元素的方式，来测试它的编辑能力能否胜任真实的内容生产任务。我们首先要求模型修改 Base 中的海报图片，在第一张图片中将人物修改成上着白色衬衫、下着黑色长裤的套装。模型准确理解了只替换女性服装的要求，同时基本保住了人物姿势、侧身姿态、发型、面部轮廓、绿色热水壶以及整体光影氛围，画面中的男性人物、玻璃反射、背景色调和主要文字区域也没有发生明显偏移。第二张图片中我们要求模型移除图片最右侧的红橙色光柱，可以看到修复后的图片里光柱消失，原先被遮挡的门框和桌面都正常出现在画面中，修改后的画面色块正常，没有明显的抠图痕迹或者色块突兀感，整体过渡平滑。接下来我们又对 Turbo 版本生成的图片做了两轮编辑测试。第一组是在那张猫狗追逐的照片里，把小狗替换成浅棕色柯基。修改后的画面整体还算自然，场景、光线、猫的动作都没有明显变化，但是替换后的柯基有种 3D 动漫角色的质感