Krea 2: Krea AI가 Raw와 Turbo 이미지 생성 가중치를 공개

출시 페이지에서 모델 카드까지

Krea 2의 공개 자료는 여러 층위로 나뉜다. 제품 출시 페이지에는 예시와 창작 도구 활용 사례가 실려 있다. 오픈 소스 공개 페이지는 Raw와 Turbo 가중치를 이용할 수 있다고 설명한다. GitHub 저장소는 추론 코드를 제공한다. Hugging Face 모델 카드에는 모델 유형, 아키텍처, 라이선스, 학습 데이터, 안전 조치, 결과물에 대한 책임이 기록되어 있다. 기술 보고서는 2026년 6월 23일 공개됐으며, 페이지에는 읽는 데 58분이 걸린다고 표시되어 있다.

Krea는 Krea 2를 창의적 탐색을 위한 오픈 웨이트 텍스트-이미지 기반 모델이라고 부른다. 모델 카드는 공개 형식을 오픈 웨이트와 Krea 호스팅 제품의 통합으로 명시한다. 학습 데이터에는 공개된 데이터, 제3자로부터 라이선스를 받은 데이터, 독자적인 방식으로 생성한 합성 데이터가 포함된다고 설명한다. 또한 유해 콘텐츠는 학습 전에 걸러 내고, 품질이 낮거나 중복되거나 관련 없는 데이터는 줄였다고 밝힌다.

기술 보고서는 데이터 파이프라인을 더 자세히 다룬다. Krea는 사전 학습 데이터에 AI 생성 이미지를 사용하지 않았으며, 내부 분류기로 노이즈, 과도한 편집, 로고, 워터마크, NSFW 콘텐츠, 밈, 스크린샷을 걸러 냈다고 설명한다. 캡션 파이프라인은 OCR, 메타데이터, 멀티모달 이해를 결합해 더 충실한 이미지 설명을 만든다. 학습에는 사용자가 실제로 입력하는 짧은 형식의 프롬프트도 섞어, 긴 캡션과 현실적인 창작 프롬프트를 모두 접하도록 했다.

저해상도에서 고해상도로 이어지는 학습

Krea 2는 Diffusion Transformer를 이미지 생성의 핵심 구조로 사용한다. 기술 보고서에 따르면 사전 학습은 256px에서 512px로, 다시 1024px로 진행된다. 최종 모델은 rectified-flow 손실과 v-parameterization을 사용한다. 연구팀은 초기 저해상도 학습에서 수렴 속도를 높이기 위해 iREPA를 사용한 뒤, MMDiT가 자체 표현을 학습할 수 있도록 이를 제거했다고 보고서는 설명한다.

이후 학습 과정은 중간 학습, 지도 미세 조정, 선호도 최적화, 강화 학습으로 이어진다. 중간 학습은 지도 미세 조정에 앞서 모델을 다운스트림 작업에 더 가까운 분포에 맞춘다. 지도 미세 조정 단계에서는 미적 품질이 높은 이미지만 별도로 선별한 소규모 데이터셋을 사용해 체크포인트의 전반적인 품질을 높이고, 초기 체크포인트에서 나타난 과도한 채도와 질감 문제를 보완한다.

선호도 최적화는 두 단계로 나뉜다. 먼저 대규모 합성 선호도 쌍을 학습한 다음, 내부에서 사람이 작성한 레이블로 보정한다. 강화 학습 단계는 GRPO와 유사한 다중 보상 방식을 사용하며, 전반적인 미감, 프롬프트 준수, 텍스트 표현, 구조, 아티팩트를 평가하는 보상 모델을 둔다. 보고서는 여분의 손가락, 뒤틀린 팔다리, 일그러진 글자 같은 구조적 오류를 줄이기 위해 Krea가 아티팩트 전용 보상 모델도 학습했다고 설명한다.

프롬프트 확장기도 공개 범위에 포함

기술 보고서는 프롬프트 확장기에 상당한 분량을 할애한다. Krea는 정보가 조밀한 프롬프트가 더 나은 이미지를 만드는 경우가 많지만, 사용자의 프롬프트는 대체로 짧고 대화체이며 세부 사항이 부족하다고 본다. 이미지 모델에는 학습 캡션 분포에 가까운 상세한 설명이 더 유용하다. 이에 Krea는 짧은 프롬프트를 이미지 모델에 더 적합한 긴 캡션으로 바꾸는 매핑 장치로 프롬프트 확장기를 설계했다.

확장기는 먼저 공개 언어 모델을 바탕으로 지도 미세 조정을 거친다. 학습 데이터는 긴 캡션과 짧은 사용자 프롬프트를 연결한 합성 쌍으로 구성되며, 이후 반대 방향인 짧은 프롬프트를 모델 친화적인 설명으로 확장하는 법을 학습한다. Krea는 이어 강화 학습으로 확장기가 최종 이미지 품질에 미치는 영향을 최적화하면서 프롬프트 충실도, 안전, 제약 조건 검사를 추가한다. 보고서는 결과가 단일 스타일로 수렴하는 것을 막기 위해 DINOv3 임베딩 다양성 점수를 사용한다고도 설명한다.

Raw는 학습용, Turbo는 추론용

Raw와 Turbo는 가장 혼동하기 쉬운 두 이름이다. 오픈 소스 저장소의 README는 둘을 명확히 구분한다. Raw는 증류하지 않은 기반 모델로 LoRA 학습, 후속 학습, 연구에 더 적합하다. Turbo는 일상적인 텍스트-이미지 생성을 위한 증류형 고속 추론 버전이다. 공식 예시도 같은 원칙을 따른다. Raw에서 LoRA를 학습하고 Turbo로 바로 이미지를 생성한다.

이 차이는 속도에만 국한되지 않는다. Raw는 모델을 계속 다듬으려는 연구자를 위해 학습 공간을 더 많이 보존한다. Turbo는 후속 학습, 미세 조정, 증류를 거쳐 시각적 방향을 빠르게 확인하는 데 더 적합하다. 두 모델 모두 오픈 웨이트로 공개됐지만, Raw를 일반적인 생성 진입점으로 사용해서는 안 되며 Turbo를 학습 기반 모델로 설명해서도 안 된다.

Hugging Face의 Krea 2 Turbo 모델 카드는 모델 계열, 공개 형식, 학습 데이터 출처, 안전 한계, 라이선스 요건도 함께 정리한다. 배포하는 쪽에 필터링 또는 검토가 필요하며, 결과물에 대한 책임은 사용자에게 있음을 상기시킨다. 오픈 웨이트는 연구와 배포의 장벽을 낮추지만, 저작권·초상권·불법 콘텐츠·플랫폼 규정에 따른 경계까지 없애지는 않는다.

시각적 방향 생성기에 가까운 작동 방식

Krea 출시 페이지의 예시는 인물과 장면, 콘셉트 제품, 패션 소재, 실내 분위기, 영화적 조명, 편집 일러스트레이션에 초점을 맞춘다. 이 모델은 포스터 문구나 로고를 재현하는 시스템으로 주로 소개되지 않는다. 하나의 이미지 안에서 대상, 소재, 빛, 구도, 스타일의 출처를 함께 다루려 한다.

이런 특성은 Krea 2를 창작 워크플로의 앞단에 가깝게 놓는다. 추상적인 스타일 목표를 서로 비교할 수 있는 여러 이미지로 바꾸는 역할이다. 브랜드 무드보드, 제품 콘셉트, 캠페인 이미지, 표지 방향, 캐릭터 설정, 공간 분위기는 공개 예시에 반복해서 등장한다. 엄격한 레이아웃, 읽을 수 있는 긴 문장, 패키지 문구, 브랜드 표식이 필요한 작업이라면 텍스트와 레이아웃을 전문적으로 제어하는 능력이 여전히 중요하다.

순위표는 여러 관점 중 하나일 뿐

Krea는 외부 평가와 모델 선호도 순위표도 언급하지만, 이런 자료가 답할 수 있는 것은 질문의 일부뿐이다. 텍스트-이미지 선호도 평가는 일반적으로 하나의 절차 안에서 프롬프트, 출력 이미지, 사람의 선호를 비교한다. 전반적인 시각적 매력을 파악하는 데는 유용하지만 작업별 판단을 대체할 수 없다. 텍스트 표현, 중국어 제목, 로고, 복잡한 레이아웃, 일관된 캐릭터, 상업적 납품 규칙은 각각 별도로 검토해야 한다.

Krea 2는 오픈 웨이트와 호스팅 제품을 하나의 모델 계열에 둔다. Raw는 학습 가능성을 열어 두고, Turbo는 더 직접적인 추론 경로를 제공한다. 이 구성은 연구용 체크포인트와 제품 모델을 분리하는 대신 연구자, 개발자, 창작자가 하나의 공통 모델 자료를 활용할 수 있게 한다.

따라서 실용적인 비교는 단순히 ‘어떤 모델이 이기는가’의 문제가 아니다. Krea 2 Turbo는 빠른 시각적 방향 탐색 모델로 이해하기 쉽고, Raw는 후속 학습을 위한 경로다. 더 무거운 DiT 시스템도 하나의 완성도 높은 결과를 위해 느린 추론을 감수할 수 있는 워크플로에서는 여전히 의미가 있다. 이 글은 출시 내용을 포괄적인 ‘이미지 모델’이라는 하나의 꼬리표로 뭉뚱그리지 않도록 이러한 작업을 구분한다.

공개 자료가 남기는 경계

이번 공개에는 서로 대조할 수 있는 출처가 여럿 있다. 출시 페이지는 시각적 목표를 보여 주고, 오픈 소스 페이지는 가중치의 제공 범위를 설명하며, 기술 보고서는 학습 과정을 다룬다. GitHub 저장소는 추론 진입점을 제공하고, Hugging Face 모델 카드는 가중치, 데이터 출처, 위험, 라이선스 요건을 열거한다. 출처마다 역할이 다르므로 어느 하나만으로 Krea 2를 요약해서는 안 된다.

창작자에게 Krea 2는 오픈 웨이트 모델을 미학과 제품 감각에 관한 논의로 다시 가져온다. 개발자에게 Raw와 Turbo의 병행 공개는 학습을 이어 가거나 직접 추론을 실행하는 서로 다른 두 경로를 제공한다. 배포 담당자에게 모델 카드의 안전, 필터링, 라이선스 요건은 출시 전에 반드시 처리해야 할 경계로 남는다.