Krea 2
GitHub release - 2026
Le dépôt Krea 2 documente le open-weight checkpoint brut, les directives inference et l’usage local.
Chargement...
Décrivez le sujet, la composition, la lumière et le texte visible, puis choisissez le modèle, les dimensions et le nombre d'images. Générez des illustrations, affiches ou concepts produit, prévisualisez chaque PNG et téléchargez-le. Vérifiez le lettrage et les détails.
Entrée
Consigne, largeur, hauteur, sampler preset et seed
Production
Images PNG générées avec Ideogram 4 NF4.
Cas d’utilisation
Affiches sensibles au texte, couvertures, logos, emballages, visuels produits et concepts de design structurés
Choisissez un modèle adapté à votre contenu et à votre objectif, puis consultez les exemples avant de lancer la tâche.
Coût, durée, formats et paramètres dépendent du modèle choisi.
Cet outil est en maintenance. Veuillez réessayer plus tard.
Précisez l'outil, les étapes et le problème dans votre retour. Des captures d'écran peuvent aider à le localiser.
Affiches sensibles au texte, couvertures, logos, emballages, visuels produits et concepts de design structurés
Krea 2 Turbo est le open-weight checkpoint distillé officiel en 8 étapes que Krea recommande pour le inference quotidien.
Ideogram 4 NF4 est le chemin de modèle de fondation texte vers image 9.3B open-weight utilisé ici pour la conception, la typographie, les prompts structurés, le contrôle de la mise en page bbox et la génération native de 2K.
Ce checkpoint n’a pas de tableau public reproductible. Consultez les documents de publication liés pour les détails.
GitHub release - 2026
Le dépôt Krea 2 documente le open-weight checkpoint brut, les directives inference et l’usage local.
Krea release page - 2026
La page de version Krea décrit les composants de sortie et d’architecture de open-weight bruts.
Hugging Face model card - 2026
La carte officielle Ideogram 4 modèle documente les variantes NF4/FP8, les benchmarks, les indications structurées, la prise en charge de la version 2048 et les réglages sampler recommandés.
Ideogram technical blog - 2026
Le blog technique décrit l’architecture DiT en flux unique 9.3B, la encoder texte Qwen3-VL et la conception d’invitations structurées.
Aucun lien vers une publication n’est fourni.
Inclut les résultats publics de modèles utilisés ici et ailleurs. Le tableau complet de la source est affiché par défaut ; les conditions et les métriques peuvent aussi être sélectionnées pour comparaison. Les scores obtenus dans des conditions différentes ne sont pas directement comparables.
Seuls les résultats dont l’implémentation d’inférence publique et les poids correspondants ont été vérifiés sont affichés, ainsi que les algorithmes sans poids entraînés. Les services fermés, les poids non publiés et les versions expérimentales non identifiées sont exclus. Ce classement ne couvre pas tous les modèles.
Des poids publics ne prouvent pas l’existence d’une licence open source complète. Dépliez les données pour consulter les licences déclarées et les conditions d’accès. Les licences non déclarées sont signalées séparément.
Le modèle sélectionné ne dispose d’aucun résultat public correspondant vérifié et n’a pas reçu de classement.
Choisissez un jeu de données pour afficher toutes les métriques de chaque modèle. Les lignes suivent le classement officiel ou la métrique sélectionnée. Le gras indique la meilleure valeur comparable de chaque colonne, y compris les ex æquo. Les protocoles d’évaluation différents sont classés séparément ; les scores manquants sont affichés par -.
Entrées déployables 7 / lignes d’origine 12
Aucun ensemble public complet d’inférence n’a été vérifié pour ces expériences. D’autres poids portant le même nom ne suffisent pas.
Nano-Banana-Pro · Commercial Models · Nano-Banana-2.0 · Commercial Models · GPT-Image-1.5 · Commercial Models · Qwen-Image-2.0 · Commercial Models · Seedream-4.5 · Commercial Models
Ce benchmark porte sur les infographies, pas sur la génération d’images en général.
| Classement par métrique | Modèle | Condition de test | BizGenEval Avg. (hard / easy) ↑ | IGenBench Q-ACC ↑ | IGenBench I-ACC ↑ | OneIG(EN) ↑ | OneIG(ZH) ↑ |
|---|---|---|---|---|---|---|---|
| 1 | SenseNova-U1-8B-MoT-Infographic-V2 | Open-source Models | 50.3 / 67.9 | 71.4 | 18.3 | 55.4 | 53.5 |
| 2 | SenseNova-U1-8B-MoT-Infographic | Open-source Models | 46.6 / 65.4 | 69.5 | 17.0 | 55.6 | 53.3 |
| 3 | SenseNova-U1-8B-MoT | Open-source Models | 39.8 / 61.1 | 51.3 | 4.2 | 54.5 | 53.8 |
| 4 | Qwen-Image | Open-source Models | 2.8 / 23.8 | 36.0 | 0.0 | 53.9 | 54.8 |
| 5 | Qwen-Image-2512 | Open-source Models | 6.3 / 41.0 | 32.2 | 1.0 | 53.0 | 51.5 |
| 6 | Z-ImagePoids publics · Code d’inférence | Open-source Models | 8.2 / 43.8 | 30.0 | 1.0 | 54.6 | 53.5 |
| 7 | Bagel | Open-source Models | 2.0 / 3.7 | 4.9 | 0.0 | 36.1 | 37.0 |
Jeux de données, versions et conditions restent distincts, même sans lignes admissibles au classement.
Entrées déployables 7 / lignes d’origine 12
Aucun ensemble public complet d’inférence n’a été vérifié pour ces expériences. D’autres poids portant le même nom ne suffisent pas.
Nano-Banana-Pro · Commercial Models · Nano-Banana-2.0 · Commercial Models · GPT-Image-1.5 · Commercial Models · Qwen-Image-2.0 · Commercial Models · Seedream-4.5 · Commercial Models
Trouvez les méthodes et les étapes adaptées à vos fichiers.