Boogu-Image 0.1：Base、Turbo、Edit 三份权重的分工与失真风险

4. 流匹配轨迹在 Base 与 Turbo 之间怎样缩短

扩散与流模型的基础权重学习的是一条从噪声分布通向图像分布的连续速度场。给定中间状态 x_t、文本条件 c 与时间 t，网络近似 v_θ(x_t,t,c)，采样器再沿这条场积分。Base 版本保留较完整的积分轨迹，适合继续训练，也给复杂构图留下较多修正机会；代价是采样步数、计算量和随机轨迹都更长。

Turbo 的由来是轨迹蒸馏。教师模型用较多步数走过的路径，被学生压缩到少数几个大步。速度提升很直接，损失也有明确方向：大步积分更难在后段修正人物肢体、小字和规则纹理，随机种子之间的差异也可能被蒸馏分布压窄。它应被视为另一条生成轨迹，不能只在同一张表里写成“更快的 Base”。

编辑模型要同时解两道互相拉扯的题

编辑权重多了一幅输入图像。训练样本既要告诉模型指令改变了什么，也要约束没有被指令点名的区域继续保持。若编辑条件过强，背景、光线和人物身份会一起漂移；若保持约束过强，模型只做轻微润色，语义指令落不到像素。局部编辑的困难就来自这两股梯度长期竞争。

同一条指令在不同裁切上会产生不同答案。主体占画布很小时，模型获得的身份线索不足；遮罩边缘过硬时，纹理与照明在接缝处断开；把多张参考图简单拼进一张画布，还会改变模型理解的空间关系。Edit 权重提供的是图像条件接口，具体支持几张参考图、是否接受遮罩、如何编码身份，仍由模型配置与训练方式决定。

短步数生成的误差通常藏在局部周期里

海报边框、窗格、织物、栏杆和连续文字都有重复结构。模型只要在一次大步中把局部周期估错，后面的少数步骤就很难把每个单元重新排齐，于是出现重复物、断裂线条和相邻字形粘连。人像样例看起来锐利，并不能说明模型已经解决了这种高频结构误差。

更有解释力的对照会固定提示、画布、种子和采样器，只改变权重与步数，再观察全局布局、对象数量、文字序列和纹理周期分别在哪一步稳定下来。这样才能分清差异来自基础模型、蒸馏过程，还是采样配置，而不是把一次偶然好图写成版本能力。

开源生成模型的版本名还包含训练权利边界

Base、Turbo 和 Edit 虽然共享项目名，模型卡中的许可证、推荐用途与衍生权重条款仍可能分别约束再训练、商用和再分发。代码仓库证明实现公开，权重页面证明文件可取得，论文或技术报告解释训练方法；三者共同构成一个可复现发布，任何一项都不能替代另外两项。

因此，介绍这类项目时应保留具体 checkpoint 名称与发布日期。后续社区 LoRA、量化文件或合并权重可以扩展使用范围，却不自动继承原作者对质量的背书。版本史写清楚，读者才能判断看到的是基础研究产物、官方蒸馏版本，还是第三方继续训练后的分支。

流匹配中的采样器决定如何走过速度场

训练得到 v_θ 后，还需要数值求解器把 dx/dt=v_θ(x,t,c) 积分成图像。Euler 法用当前斜率走一步，二阶方法会额外估计中间或下一点，误差与网络调用次数不同。四步 Turbo 常针对特定时间表和求解方式蒸馏，随意更换 sampler 不一定带来提升。

guidance 改变条件方向的强度。文本引导过低，画面可能自然却漏掉对象；过高则容易出现饱和、硬边和构图拥挤。蒸馏模型若已把 guidance 行为吸收进训练，再套用基础模型的高 CFG，会偏离它学习的短轨迹。配置必须跟着具体权重阅读。

随机种子定义初始噪声，但模型版本、精度、算子和画布尺寸变化后，同一 seed 未必保持逐像素对应。可复现实验应记录完整生成参数，并把种子理解为该配置下的对照条件。只在页面上展示一个 seed 数字，无法保证跨版本重现。

Base 适合研究长轨迹、继续训练和结构控制，Turbo 面向低步数生成，Edit 还要处理输入图像条件。三个版本共享品牌与部分骨干，实验设计却应分别建立基线；这比把它们排成速度、质量、编辑三个标签更接近真实模型谱系。