🏆 开源模型 · 以小博大
1/8参数跑赢80B大模型，Boogu-Image-0.1登顶图像生成基准
2026年6月，HuggingFace上一个名为Boogu-Image-0.1的开源模型引爆AI圈——仅10B参数，在Qwen-Image-Bench基准测试中以53.58分领先20B的Qwen-Image-2512（52.06）和80B的Hunyuan-Image-3.0（50.81），以对手1/8的参数规模实现性能反超。
综合公开信息整理•
2026-07-24•
全文约4分钟读完
#Boogu-Image
#开源图像模型
#Qwen-Image-Bench
#10B vs 80B
🥇 第1名
Qwen-Image-Bench · 超越80B模型
53.58分
领先80B模型2.77分
10B
参数规模，仅为对手1/8
⚡ 30秒速览
- 赢了多少：10B参数在Qwen-Image-Bench以53.58分登顶，领先20B模型1.52分、领先80B模型2.77分。
- 四个版本：Base（文生图基础）、Turbo（3-4步快速出图）、Edit（图像编辑）、FP8（量化部署），覆盖从生成到编辑全链路。
- 真实感亮眼：Turbo版本在人物表情、光影景深、生活氛围上表现超越参数规模，但文字渲染和物理细节仍有短板。
- 工程价值：10B参数+FP8量化，将图像生成边际成本大幅压低，适合Agent高频调用与企业私有化部署。
- 获取方式：已在HuggingFace开源社区发布，可下载部署。
01Qwen-Image-Bench Top 5 Boogu-Image-0.1位居榜首
🥇 Boogu-Image-0.110B 参数
53.58
Qwen-Image-251220B 参数
52.06
Hunyuan-Image-3.080B 参数
50.81
SDXL-Lightning-2.02.6B 参数
47.30
注：柱形自44分起缩放，非零起点；分差以标注分数为准。榜首与第二名分差1.52分，与80B模型分差2.77分。
02Qwen-Image-Bench：测的是真实场景的硬功夫
Qwen-Image-Bench 由阿里通义千问团队推出，与传统图像评测基准最大的区别在于：它不只看"画得像不像"，而是考察模型在真实内容生产场景中的综合能力。
传统基准（FID / CLIP Score）
考"生成图像与真实图像的分布距离"或"图文语义匹配度"——与商业交付距离较远。
Qwen-Image-Bench
考"模型能否在真实工作流中输出可用结果"——涵盖文字渲染、物理一致性、风格控制、多轮编辑等维度。
7评测维度
2000+测试样本
4难度等级
3评审机制
七大维度：文字渲染、物理一致性、风格控制、构图美学、光影真实感、编辑稳定性、指令遵循。采用"自动指标+人工评分+LLM评审"三重校验。
更关键的一点：这个基准测试的是模型综合能力的"下限"——不是最好的一张图有多惊艳，而是面对多样化的真实需求时，模型能否稳定输出可用结果。10B参数登顶，意味着在效率与质量的平衡点上，Boogu-Image-0.1找到了一个更优解。
🔓 开源可复现：Boogu-Image-0.1 已在 HuggingFace 开源社区发布，包含 Base / Turbo / Edit / FP8 四个版本，支持离线部署与二次开发。
03它到底能做什么？三个版本实测
跑分只是入场券。我们更关心的是：在真实的内容生产流程里，它能走到哪一步？
📸 Turbo：照片级真实感 发朋友圈级别的游客照
- 海边游客照：人物与木栈道、夕阳、小镇融合自然，远处光源照亮发丝，衣物褶皱真实垂落，画面虚焦处理模拟相机景深——像朋友随手拍下的旅途留念。
- 春节生日聚会：室内装饰布局"好像在哪见过"，人物表情自然、空间关系合理，多人互动感到位，看上去就是一张真实的家庭抓拍。
- 动态抓拍：小猫小狗在街巷打闹，院子、花盆、自行车、树影营造生活氛围，画面被压暗后带上了CCD相机的年代感。
亮点：光影、景深、人物表情控制力超越参数规模。不足：桌上菜品摆放生硬，蛋糕文字"Happy Birthday"为乱码，影子细节失真。
🎬 Base：电影级海报生成 《花样年华》风格测试
- Prompt遵循度：准确理解"靠得很近却实际无法接近"的疏离气质，玻璃反射与黄绿橙交织的光影还原了氛围。
- 人物关系：女性低垂眉眼、男性隐没暗处，男性微微侧头望向女性，赋予了人物之间明确的情感关联与叙事感。
- 文字渲染：中英文标题、日期、地点信息基本可读，但排版精致度与ChatGPT Images 2.0仍有差距。
与顶级闭源模型相比：光影分布散乱（右侧出现莫名光带），文字排版和电影级质感存在明显差距。但以10B体量而言，已跑赢绝大多数同量级选手。
✂️ Edit：局部编辑能力 服装替换 / 元素移除
- 服装替换：将海报中女性服装改为白衬衫+黑长裤，准确理解指令，人物姿势、发型、面部轮廓、光影氛围基本保住。
- 元素移除：移除画面右侧红橙色光柱，修复后门框和桌面正常出现，无明显抠图痕迹或色块突兀。
- 跨物种替换：将猫狗追逐照中的小狗替换为浅棕色柯基，场景光线和猫的动作未变，但柯基质感偏3D动漫，与背景不在同一图层。
Edit能完成边界清晰的局部修改，但涉及光影材质融合时稳定性下降。生成式编辑的"不可预期"问题仍然存在——每次修改都像投掷概率骰子。
一个诚实的注脚：跑分领先的选手，未必能在真实改稿流程中稳住阵脚。文字渲染翻车、编辑不可预期、物理逻辑缺失——这些问题在Benchmark里不会被扣分，但在设计师的改稿流程里，每一个都足以打断工作流。
04画质之外，还有一笔成本账
Boogu-Image-0.1 的价值，不能只放在单张图质量里看。如果评价标准只是"哪张图最惊艳"，顶级闭源模型依然有明显优势。但真实内容生产并不只有终稿交付这一种场景。
在终稿之前，还有大量前期工作：出素材、试风格、做候选、改局部、批量生成不同版本。这些前端环节，正是10B开源模型更容易进入的位置。
10B参数规模
FP8量化精度
↓60%显存开销
3-4步Turbo出图
FP8原生量化版本相比FP16/BF16，权重存储降低约50%，推理显存开销下降约60%，为企业私有化部署提供了可行性。
尤其是在Agent工作流中，图像模型的调用方式正在发生变化。理想的生产模式是：Agent利用更低部署成本进行高频采样，再以同样成本筛选、编辑。延迟、显存开销、单位部署成本、高并发承载能力——这些指标的重要性，在Agent场景下被成倍放大。
Boogu-Image-0.1的10B参数+FP8精度组合，将图像生成的边际成本向下推了一大截。它未必能替代顶级闭源模型的高端输出，但作为Agent工作流中可以被反复调用的视觉模块，提供了一个极具性价比的选择。
⚙️ 部署优势：支持消费级GPU（RTX 4090即可运行FP8版本），单卡可承载高并发推理，适合企业私有云与边缘场景。
编辑核心判断
图像模型的竞争，正在从"参数量的比拼"转向"质量、速度、成本之间的三角平衡"。Boogu-Image-0.1用一次反超证明了：在Agent驱动的生产级工作流中，未来真正能被大规模调用的图像模型，未必是最大的，而更可能是在三者之间找到更好平衡的那个。