Boogu-Image-0.1：以理解为第一公民的开放统一多模态生成系统 Boogu-Image-0.1: Boosting Open-Source Unified Multimodal Understanding and Generation

流程分四步。**1 数据构造**：在开源单图语料（COYO/DataComp/PixelProse/BLIP-3o）与交错语料（OmniCorpus）上，用 Boogu Syllabus 按人类先验细粒度重排到 design(34.9%)/general(34.7%)/people(17%) 等类，复杂任务配更高权重；中文枚举 3500 高频汉字每个至少 300 次；次品图（水印/模糊/过曝）保留并配 caption 显式描述瑕疵。最终 21.62M 唯一样本上采样到 47.19M。**2 Caption**：对计数/空间/属性/风格/文本渲染各维度分别挑最强 VLM（Qwen2.5-VL/Qwen3-VL-8B/InternVL3-8B/Gemini 等）+系统 prompt 取最佳输出，聚合成'按需求驱动'caption。**3 训练**：10B DiT + Qwen3-VL-8B 冻结编码器，Flow Matching，原生 2K；rectified dynamic time shifting $\tilde\mu(n_T)=\mu(\min(n_T,n_{\text{cap}}))$（$n_{\text{cap}}=4096$）解决过压缩；Boosted Orthogonal Guidance 把 CFG 的 1D 归一化升级为保留 [H,W] 的 2D 归一化；仅对'解剖畸变、文本渲染'窄域施少量 RL。**4 推理**：Deepseek-V4-Flash 做带推理的 prompt 重写（5 类 PE 技能），按难度路由 Turbo/Base，叠加 Reflection、Best-of-N。

与已有工作的本质区别有四：（1）把文本编码器视作'传感器'并系统量化其规模效应——固定 DiT 在 1B，仅换编码器 Qwen3-1.7B→4B→14B，GenEval 单调上升 0.6034→0.6251→0.6477 且无饱和，是少见的干净对照实验。（2）重写器遵循'翻译而非增强'，要求下界为恒等变换，从理论上保证只帮忙不帮倒忙，区别于 compulsive expansion 类重写器。（3）数据上提出'显式 caption 瑕疵'与'syllabus 配比'两条反常识策略，21.62M 反超 187M，并诚实暴露预训练文化偏置无法靠 SFT 根治。（4）训练上提出 rectified dynamic time shifting 与 Boosted Orthogonal Guidance 两项 2K 时代新工具——前者用 clamp 解决 logit 空间过压缩（中位数 0.24→0.04），后者把 CFG 的 1D 归一化升级为保留 [H,W] 结构的 2D 归一化以增强摄影质感。这套组合拳让 $400K、208.62M 图的预算跑出逼近闭源的开源模型。

第一，强依赖私有 LLM/VLM 栈做重写与路由（Deepseek-V4-Flash 做 thinking，Gemini-2.5/3 做标注），纯 Apache-2.0 用户复现 Thinking 变体效果会显著下降——改进方向是发布配套开源重写器与 router 模型。第二，文化偏置未根治：作者坦承预训练的西方中心化无法靠 SFT 消除，中文 prompt 仍倾向生成西方面孔——改进方向是在预训练 syllabus 阶段强制按文化维度平衡采样。第三，2K 原生训练的 VAE 瓶颈明显，小字/小脸细节受限——改进方向是训一个开源高保真 2K VAE 替换 FLUX.1。第四，benchmark 自我依赖：Boogu Arena 与 ImgEdit-Bench 都靠 VLM 裁判，存在循环验证风险——改进方向是开源 1200 prompt 集与人类投票原始配对数据供独立复核。第五，RL 仅用于窄域虽保住多样性，但平均美感可能不如 Seedream 系，需在产品定位上权衡。

作者明确指出三个方向：更透明忠实的评测体系（动态、防污染、对齐人评，像 ImageNet 之于识别那样建立训练/测试严格分离的 T2I 基准）；突破开源数据瓶颈，转向高保真合成数据与专家级标注；更强的 agentic 图像生成（推理-生成更紧耦合、自验证、工具调用，让生成从被动映射走向主动规划-批评-修正的闭环）。基于本文成果还可延伸：把'显式 caption 瑕疵'扩展为可控负面提示词的正样本来源，做更通用的 controllable generation；把 rectified dynamic time shifting 推广到 4K 静态图与视频生成，并探索非线性的 $\tilde\mu(\cdot)$ 曲线；把 BOG 的 2D 矩阵归一化思路扩展到视频 DiT 的 [T,H,W] 3D 结构；用'汉字 300 次、人脸 4500 次'这两个曝光阈值做更系统的'概念记忆 vs 数据量'scaling law 研究，给出可预测的数据配比公式。

复现性较好但非完整。已开源：权重、代码、配方（Apache-2.0，github.com/Boogu-Project/Boogu），论文给出训练成本（约 $400K）、数据规模（208.62M 唯一图，syllabus 21.62M→上采样 47.19M）、模型规模（10B DiT + Qwen3-VL-8B 编码器）、关键超参（128 设备、batch 1024、warmup 500 步、lr=1e-4）、消融阈值（汉字 300 次、人脸 4500 次、$n_{\text{cap}}=4096$）。难点：Thinking 变体依赖 Deepseek-V4-Flash 等闭源 LLM 做重写与路由，captioning 依赖 Gemini-2.5/3 等闭源 VLM，纯开源复现会有差距；Boogu Arena 1200 prompt 计划发布但 4000+ 人类投票原始配对是否公开未明。算力门槛 $400K 级但显著低于 Qwen-Image/Hunyur，复现 Base/Turbo 可行性高，完整复现 Thinking 与 Arena 排名需额外 LLM/VLM 资源。