Boogu-Image-0.1: открытую мультимодальную модель выпустили за $400 тысяч
Команда исследователей представила Boogu-Image-0.1, открытое семейство мультимодальных моделей для одновременного понимания и генерации изображений. В семейство входят четыре варианта: базовая модель Base, ускоренная Turbo, модель для редактирования по инструкциям Edit и её быстрая версия Edit-Turbo. Модели умеют генерировать качественные изображения по тексту, быстро выполнять инференс, редактировать картинки по текстовым инструкциям и рендерить текст на двух языках, китайском и английском.
Авторы отмечают, что закрытые системы вроде Nano-Banana-Pro и GPT-Image-2 добиваются высоких результатов за счёт сборки нескольких компонентов в единую систему (интеграция на уровне системы, а не одной модели), при этом детали их внутреннего устройства не раскрываются. В противовес этому команда показывает, что точечные улучшения в понимании модели, качестве данных и пайплайне обучения, вместе с масштабированием агентных вычислений на этапе инференса, заметно повышают качество генерации и редактирования даже при сильно ограниченном бюджете на вычисления.
По итогам комплексных тестов Boogu-Image-0.1 стабильно не уступает или превосходит другие открытые модели на стандартных бенчмарках и приближается по результатам к ведущим закрытым системам. При этом модель обучена всего на 208,62 миллиона уникальных изображений, а теоретическая стоимость обучения базовой версии оценивается примерно в $400 тысяч. Веса, код и рецепты обучения выпущены под лицензией Apache 2.0 и доступны в открытом репозитории проекта на GitHub (Boogu-Project/Boogu-Image), что позволяет сообществу воспроизводить и развивать разработку дальше.
Ключевые факты
- Boogu-Image-0.1, открытое семейство из четырёх моделей (Base, Turbo, Edit, Edit-Turbo) для генерации и редактирования изображений по тексту
- Поддерживает рендеринг текста на изображениях на китайском и английском языках
- По бенчмаркам не уступает другим открытым моделям и приближается к закрытым системам уровня Nano-Banana-Pro и GPT-Image-2
- Обучена на 208,62 миллиона уникальных изображений, теоретическая стоимость обучения базовой модели, около $400 тысяч
- Веса, код и рецепты обучения выпущены в открытом доступе под лицензией Apache 2.0
Почему это важно
Работа показывает, что для конкурентоспособной мультимодальной модели не обязательны ресурсы уровня крупных лабораторий: заявленный бюджет обучения около $400 тысяч на порядки меньше типичных затрат на топовые закрытые системы. Авторы связывают результат не с масштабом вычислений, а с точечными улучшениями в данных, обучающем пайплайне и агентном масштабировании на инференсе, то есть с инженерной проработкой, а не только с величиной бюджета.
Кому это важно
Разработчикам и исследователям, которым нужна открытая альтернатива закрытым генеративным моделям для генерации и редактирования изображений, особенно тем, кто работает с двуязычным (китайско-английским) рендерингом текста на изображениях и не готов зависеть от закрытых API вроде тех, что стоят за Nano-Banana-Pro и GPT-Image-2.
Как это применить
Веса, код и рецепты обучения выпущены под лицензией Apache 2.0 и доступны в репозитории проекта на GitHub (Boogu-Project/Boogu-Image). Доступны четыре варианта под разные задачи: Base, базовая генерация, Turbo, быстрый инференс, Edit, редактирование по текстовым инструкциям, Edit-Turbo, быстрое редактирование.
Можно ли доверять
Это открытая публикация с выложенным кодом и весами, что позволяет независимо проверить заявленные результаты, в отличие от закрытых систем без раскрытия внутреннего устройства. При этом цифра $400 тысяч в тексте обозначена как «теоретическая» стоимость обучения, то есть оценка, а не подтверждённые фактические расходы; бенчмарки в публикации приводят сами авторы, независимая верификация результатов сообществом на момент публикации ещё не проведена, материал набрал 112 отметок и всего 3 комментария, то есть только начал привлекать внимание.
Риски и подводные камни
«Теоретическая» стоимость обучения может не включать все реальные затраты, неудачные эксперименты, инфраструктуру, работу команды. Модель «приближается» к закрытым системам, но по признанию самих авторов не всегда их превосходит. Бенчмарки для сравнения выбраны самими авторами, что создаёт риск смещения оценки в свою пользу до независимой проверки сообществом.
«Примечательно, что этого удалось добиться, используя всего 208,62 миллиона уникальных изображений.»
— из статьи Boogu-Image-0.1 на Hugging Face