新たに発表されたBoogu-Image-0.1は、テキストから画像を生成し、指示に基づいて画像を編集できるオープンソースの統合型マルチモーダルモデルファミリーです。Base、Turbo、Edit、Edit-Turboの4つのバリアントを備え、高品質なテキスト・ツー・イメージ生成、高速な推論、命令ベースの編集機能、中国語と英語の両言語でのテキスト描写に対応しています。 従来、Nano-Banana-ProやGPT-Image-2といった大手企業の非公開システムは、単一モデルではなくシステムレベルの統合によって優れた性能を実現してきましたが、その内部プロセスは不透明なままでした。Boogu-Imageプロジェクトは、モデルの理解度向上、データ品質の改善、トレーニングパイプラインの最適化、そして推論時のエージェント的スケーリングといった目標指向の改善により、限定的な計算予算の制約下でも生成・編集性能を大幅に向上させられることを実証しています。 包括的な評価により、Boogu-Image-0.1は標準的なベンチマークで他のオープンソースモデルと同等またはそれ以上の性能を発揮し、主流の非公開システムに近い結果を達成していることが確認されました。驚くべきことに、この成果は約2億862万枚の独自画像のみを使用して達成され、ベースモデルの理論的トレーニングコストは約40万ドルです。研究チームはApache 2.0ライセンスの下で、コード、ウェイト、レシピを公開し、統合型マルチモーダル理解・生成のオープンエコシステムを推進することを目指しています。