Boogu-Image 0.1: Base、Turbo、Edit の 3 つの重み間の分業と歪みリスク
モデルの解剖学/画像の生成と編集
モデル解剖 / 生成と編集
Boogu-Image 0.1 は、ベースとなる生成モデル、蒸留による高速モデル、単一画像エディタの3つを同時に公開した。つまり1つのプロジェクト名の下に、3つの学習履歴、3つのサンプリング契約、そして出力が破綻する3つの異なる経路が収まっている。
フローマッチング
このモデルはノイズと画像潜在表現の間の速度場を学習する。学習目標はコンパクトに次のように書ける。
L=E[t,x₀,x₁] ||vθ(x_t,t,c) − u_t(x_t|x₀,x₁)||²
Base はより長い経路を積分する。Turbo はその経路の短い近似を学習するため、Turbo の誤差は Base の誤差を単に縮小したものにはならない。Edit は入力画像を条件として加えるため、指示が対象としなかった内容を保持しなければならない。
3つの重みが分かれた理由
まずベースモデルが使える輸送場を学習し、続いて蒸留された学生モデルがその軌跡を約4ステップへ圧縮する。エディタは指示と画像のペアとなる事例に加えて、保持のための追加目的関数を必要とする。この順序を踏まえれば、ステップ数が少ないことが自動的に高性能を意味しないことも、単一画像エディタが複数参照の合成を意味しないことも理解できる。
失敗モードは分けて検証する
Base は細かい構造を保ちながらも、局所パターンを繰り返すことがある。Turbo は輪郭を硬直させたり、テクスチャを過度に均質化したり、小さな文字を崩したりする場合がある。Edit は指示への準拠、被写体の同一性、要求領域外でのドリフトという3点を同時に確認する必要がある。公平な比較ではプロンプト、キャンバス、シードを固定する。
公開時の証拠が示すこと
公式リポジトリと3つのモデルカードは、Base・Turbo・Edit の重みがそれぞれ異なる使い方とともに公開されたことを示している。公開元によるプロンプト比較はあくまでそのリリースを説明するものであり、ポスター、ポートレート、プロダクト、多言語タイポグラフィにまたがる普遍的なリーダーボードを構成するものではない。
1つのリリースに3つのチェックポイントが入る理由
Boogu-Image 0.1 は Base・Turbo・Edit をまとめて出荷するため、一見すると単なる速度プリセットの違いに見える。実際には、Base は長い生成軌跡を保ち、Turbo はその軌跡を約4ステップへ蒸留し、Edit は条件付けの契約に入力画像を加えている。1つのプロジェクト名の裏に、3つの独立した受け入れ基準が隠れている。
リリース日からは開発順序も見えない。ベースモデルがまず使える速度場を学び、蒸留モデルがその短い近似を学び、編集用チェックポイントが指示と画像のペアデータを追加する。この経緯を知らなければ、ステップ数が少ないほど常に優れているとか、単一画像エディタなら自動的に複数参照の合成ができるとか、安易に主張してしまいがちだ。
Base と Turbo が共有するのは目的関数であって、サンプリング経路ではない
L_FM=E[t,x₀,x₁] ||vθ(x_t,t,c)−u_t(x_t|x₀,x₁)||²vθ予測される速度場u_t目標となる輸送経路cテキストまたは画像の条件
フローマッチングはノイズから画像潜在表現への速度場を学習する。Base は長い経路を積分し、Turbo は短い近似を学ぶため、4ステップでの挙動を Base のステップ数に関する経験則から推し量ることはできない。
Edit は入力画像の条件を加える。受け入れ評価では、シャープネスで代替するのではなく、指示への準拠、被写体の保持、要求領域外でのドリフトを分けて判定しなければならない。
論文、コード、重みは Boogu-Image のソース / Boogu Base の重み / Boogu Turbo の重み からたどれる。
3モデルの違い
Base・Turbo・Edit の違いを整理したプロジェクト内の契約表であり、内部の嗜好セットに基づく普遍的なリーダーボードではない。
| プロファイル | デフォルト推論 | 主な監査対象 |
|---|---|---|
| Base | 多段ステップのフローマッチング | 細部・構図・長経路の安定性 |
| Turbo | 約4ステップ | 蒸留アーティファクト、文字、小さな物体 |
| Edit | 1枚の画像＋指示 | 指示準拠と背景の保持 |
シャープネスだけでは測れない
Base はより多くの細部を保ちながらも、局所パターンの反復を免れないことがある。Turbo は硬い輪郭、過度に画一的なテクスチャ、崩れた小さな文字に弱い。Edit は指示への準拠、被写体の同一性、要求領域外でのドリフトで判断されなければならない。
比較では3つのチェックポイント間でプロンプト・サイズ・シードを固定すべきだ。リリース画像は能力を示すものの、ポスター、ポートレート、プロダクト、高密度のタイポグラフィ、複雑な構図にわたる安定した挙動を保証するものではない。
公開例はベンチマークではない
公開元のプロンプト集は再現には有用だが、あらゆるポスター、人物、プロダクト、多言語レイアウトを代表できるわけではない。妥当性のある比較には、固定されたプロンプト群とブラインドレビューが必要だ。
Base・Turbo・Edit にはそれぞれ独立したサンプリング記録が必要だ。ステップ数はコストと軌跡誤差の両方を変える。編集用チェックポイントにはさらに、入力画像、指示内容、編集領域外の保持も記録に含めなければならない。
Boogu-Image ソースの論文と公開ファイル
モデル名、数値、制限事項は、記載の論文、リポジトリ、モデルカードに由来する。