Krea 2: Krea AI görüntü üretimi için Raw ve Turbo ağırlıklarını yayımladı
Krea AI, Krea 2 Raw ve Krea 2 Turbo'yu açık ağırlıklar olarak yayımladı. Teknik rapor Krea 2'yi sıfırdan eğitilmiş 12B text-to-image diffusion model olarak tanımlar; veri filtreleme, caption pipeline, post-training, reinforcement learning ve güvenlik-lisans sınırlarını ayrıntılandırır.
Model Haberleri / Krea AI
Krea AI, Krea 2'yi Haziran 2026'da tanıttı ve daha sonra Raw ile Turbo'yu iki açık ağırlıklı kontrol noktası olarak yayımladı. Resmî teknik rapor, modeli sıfırdan eğitilmiş 12B'lik bir metinden görüntüye diffusion modeli olarak tanımlıyor; bileşenleri arasında çok modlu bir dil modeli, Diffusion Transformer ve görüntü otomatik kodlayıcısı bulunuyor. Krea ayrıca bir sürüm sayfası, teknik rapor, GitHub deposu, Hugging Face model kartı ve lisans metni yayımladı.
Bu sürüm, Krea'nın uzun süredir “estetik” üzerinde duran yaklaşımını açık ağırlık bağlamına taşıyor. Resmî materyaller Krea 2'yi yalnızca fotogerçekçilik ya da sıralama modeli olarak sunmuyor. Stil keşfi, ürün konseptleri, insanlar ve sahneler, malzeme dokuları ve yaratıcı iş akışları etrafında konumlandırıyor. Raw eğitim ve araştırmayı, Turbo ise hızlı çıkarımı hedefliyor; depo ve model kartları bu kullanım yollarını birbirinden ayrı tutuyor.
Sürüm sayfasından model kartına
Krea 2'nin kamuya açık materyalleri birkaç katmana ayrılıyor. Ürün sürüm sayfası örnekleri ve yaratıcı araçların kullanım alanlarını gösteriyor. Açık kaynak sürüm sayfası Raw ve Turbo ağırlıklarının mevcut olduğunu açıklıyor. GitHub deposu çıkarım kodunu sağlıyor. Hugging Face model kartı model türünü, mimariyi, lisansı, eğitim verilerini, güvenlik önlemlerini ve çıktı sorumluluğunu kaydediyor. Teknik rapor 23 Haziran 2026'da yayımlandı ve sayfada 58 dakikalık okuma olarak etiketlendi.
Krea, Krea 2'yi yaratıcı keşif için açık ağırlıklı bir metinden görüntüye temel modeli olarak adlandırıyor. Model kartı sürüm biçimini açık ağırlıklar ile Krea'nın barındırdığı ürünlere entegrasyonun birleşimi olarak belirtiyor. Eğitim verilerinin kamuya açık veriler, lisanslı üçüncü taraf verileri ve özel yöntemlerle üretilmiş sentetik veriler içerdiğini söylüyor. Ayrıca zararlı içeriğin eğitimden önce filtrelendiğini; düşük kaliteli, yinelenen veya ilgisiz verilerin azaltıldığını belirtiyor.
Teknik rapor veri işlem hattını daha ayrıntılı anlatıyor. Krea, ön eğitim verilerinde AI tarafından üretilmiş görüntülerin kullanılmadığını; iç sınıflandırıcıların gürültüyü, aşırı düzenlemeyi, logoları, filigranları, NSFW içeriği, memleri ve ekran görüntülerini filtrelediğini söylüyor. Altyazı işlem hattı daha kapsamlı görüntü açıklamaları oluşturmak için OCR, meta veriler ve çok modlu anlayışı birleştiriyor. Eğitim, modelin hem uzun altyazıları hem de gerçek yaratıcı istemleri görmesi için kullanıcı üslubundaki kısa istemleri de içeriyor.
Eğitim düşük çözünürlükten yükseğe ilerliyor
Krea 2, görüntü üretim omurgası olarak Diffusion Transformer kullanıyor. Teknik rapora göre ön eğitim 256px'ten 512px'e, ardından 1024px'e ilerliyor. Nihai model rectified-flow loss ve v-parameterization kullanıyor. Raporda ekibin yakınsamayı hızlandırmak için erken düşük çözünürlüklü eğitimde iREPA kullandığı, ardından MMDiT'nin kendi temsillerini öğrenebilmesi için bunu kaldırdığı da belirtiliyor.
Eğitim süreci daha sonra midtraining, supervised fine-tuning, tercih optimizasyonu ve reinforcement learning aşamalarından geçiyor. Midtraining, supervised fine-tuning öncesinde modeli sonraki görevlere daha yakın bir dağılıma uyarlıyor. Supervised fine-tuning aşaması, kontrol noktasının genel kalitesini yükseltmek ve erken kontrol noktalarındaki yüksek doygunluk ile doku sorunlarını gidermek için daha küçük, özellikle filtrelenmiş, estetik değeri yüksek bir görüntü kümesi kullanıyor.
Tercih optimizasyonu iki adıma ayrılıyor: Önce büyük ölçekli sentetik tercih çiftleri işleniyor, ardından şirket içi insan etiketleriyle kalibrasyon yapılıyor. Reinforcement learning aşaması genel estetik, istemi izleme, metin çizimi, yapı ve bozulmalar için ödül modelleriyle GRPO benzeri çok ödüllü bir yöntem kullanıyor. Rapor ayrıca Krea'nın fazla parmaklar, bozulmuş uzuvlar ve eğrilmiş metin gibi yapısal hataları azaltmak için bozulmalara özel bir ödül modeli eğittiğini söylüyor.
İstem genişletici de sürümün bir parçası
Teknik rapor istem genişleticiye geniş yer ayırıyor. Krea'nın görüşüne göre yoğun istemler çoğu zaman daha iyi görüntüler üretirken kullanıcı istemleri genellikle kısa, konuşma dilinde ve yeterince ayrıntılandırılmamış oluyor. Görüntü modelleri, eğitim altyazılarının dağılımına daha yakın ayrıntılı açıklamalardan daha fazla yararlanıyor. Bu nedenle Krea, istem genişleticiyi kısa bir istemi görüntü modeline daha uygun uzun bir altyazıya eşleyen bir sistem olarak tasarlıyor.
Genişletici önce açık bir dil modelinden supervised fine-tuning ile eğitiliyor. Eğitim verileri, uzun altyazıları kısa kullanıcı istemleriyle eşleyen sentetik çiftlerden geliyor; ardından ters yönü, yani kısa istemleri model dostu açıklamalara genişletmeyi öğreniyor. Krea daha sonra genişleticinin nihai görüntü kalitesine etkisini optimize etmek için reinforcement learning kullanırken isteme bağlılık, güvenlik ve kısıt kontrolleri ekliyor. Rapor ayrıca çıktıların tek bir stile çökmesini önlemek için DINOv3 embedding çeşitlilik puanının kullanıldığını belirtiyor.
Raw eğitim, Turbo çıkarım içindir
Raw ve Turbo en sık karıştırılan iki addır. Açık kaynak deponun README dosyası ikisini açıkça ayırıyor: Raw, LoRA eğitimi, post-training ve araştırma deneyleri için daha uygun olan damıtılmamış temel modeldir; Turbo ise günlük metinden görüntüye üretim için damıtılmış hızlı çıkarım sürümüdür. Resmî örnekler aynı mantığı izler: LoRA'ları Raw üzerinde eğitmek ve doğrudan Turbo ile üretmek.
Bu fark yalnızca hızla ilgili değildir. Raw, modeli şekillendirmeyi sürdürmek isteyen araştırmacılar için eğitim alanının daha büyük bir bölümünü korur. Turbo post-training, fine-tuning ve damıtma aşamalarından geçmiştir; bu nedenle görsel yönü hızlıca denetlemeye daha uygundur. Her ikisi de açık ağırlıklı sürümlerdir ancak Raw normal üretim giriş noktası olarak ele alınmamalı, Turbo da eğitim tabanı olarak tanımlanmamalıdır.
Hugging Face Turbo model kartı model ailesini, sürüm biçimini, eğitim verisi kaynaklarını, güvenlik sınırlarını ve lisans gereksinimlerini de bir araya getiriyor. Uygulayanlara filtreleme veya inceleme gerektiğini ve çıktıların sorumluluğunun kullanıcıda kaldığını hatırlatıyor. Açık ağırlıklar araştırma ve uygulama eşiğini düşürür; telif hakkı, kişilik benzerliği, yasa dışı içerik veya platform kurallarıyla ilgili sınırları ortadan kaldırmaz.
| Kontrol noktası | Resmî rolü | En uygun kullanım | Sınır |
|---|---|---|---|
| Krea 2 Raw | Damıtılmamış temel kontrol noktası | LoRA eğitimi, post-training, araştırma deneyleri ve stil uyarlaması. | Eğitim alanını korur; günlük hızlı üretimin giriş noktası değildir. |
| Krea 2 Turbo | 8 adımlı damıtılmış kontrol noktası | Hızlı metinden görüntüye üretim, görsel yön denetimleri ve yaratıcı yineleme. | Çıkarım yoludur; daha ileri eğitim için temel kontrol noktası olarak tanımlanmamalıdır. |
Daha çok görsel yön üreten bir model gibi davranır
Krea'nın sürüm sayfasındaki örnekler insanlara ve sahnelere, ürün konseptlerine, moda dokularına, iç mekân havasına, sinematik ışığa ve editoryal illüstrasyona odaklanıyor. Model esas olarak afiş metni veya logo yeniden oluşturma sistemi şeklinde sunulmuyor. Konuyu, malzemeyi, ışığı, kompozisyonu ve stil kaynağını aynı görüntü içinde ele almaya çalışıyor.
Bu durum Krea 2'yi yaratıcı iş akışının başlangıcına yaklaştırıyor: Soyut bir stil hedefini karşılaştırılabilir birkaç görüntüye dönüştürmek. Marka moodboard'ları, ürün konseptleri, kampanya görselleri, kapak yönleri, karakter düzenleri ve mekânsal atmosferler kamuya açık örneklerde sürekli karşımıza çıkıyor. Görev katı yerleşim, okunabilir uzun metin, ambalaj metni veya marka işaretleri gerektirdiğinde, özel metin ve yerleşim kontrolü yeteneği önemini koruyor.
Sıralamalar yalnızca bir bakış açısıdır
Krea üçüncü taraf değerlendirmelere ve model tercih sıralamalarına da atıfta bulunuyor, ancak bunlar sorunun yalnızca bir bölümünü yanıtlayabilir. Metinden görüntüye tercih değerlendirmeleri genellikle tek bir süreçte istemleri, çıktı görüntülerini ve insan tercihlerini karşılaştırır. Genel görsel çekiciliği okumak için yararlıdır, ancak göreve özgü değerlendirmenin yerini tutamaz. Metin çizimi, Çince başlıklar, logolar, karmaşık yerleşim, tutarlı karakterler ve ticari teslim kurallarının tümü ayrı inceleme gerektirir.
Krea 2 açık ağırlıkları ve barındırılan ürünü aynı model ailesine yerleştiriyor. Raw eğitim alanını açık tutarken Turbo daha doğrudan bir çıkarım yolu sağlıyor. Bu düzen araştırmacılara, geliştiricilere ve yaratıcılara araştırma kontrol noktası ile ürün modelinin birbirinden ayrılması yerine ortak bir model materyali kümesi sunuyor.
Bu nedenle pratik karşılaştırma yalnızca “hangi model kazanıyor” sorusundan ibaret değildir. Krea 2 Turbo'yu hızlı bir görsel yön modeli olarak okumak daha kolaydır; Raw devam eğitimi yoludur; daha ağır DiT sistemleri, tek bir işlenmiş sonuç için daha yavaş çıkarımı karşılayabilen iş akışlarında önemini korur. Makale bu görevleri ayrı tutarak sürümü genel bir “görüntü modeli” etiketine indirgemez.
Kamuya açık materyallerin çizdiği sınır
Bu sürümün çapraz denetlenebilir birkaç kaynağı bulunuyor: Sürüm sayfası görsel hedefi gösteriyor, açık kaynak sayfası ağırlıkların kullanılabilirliğini açıklıyor, teknik rapor eğitim sürecini anlatıyor, GitHub deposu bir çıkarım giriş noktası sağlıyor ve Hugging Face model kartı ağırlıkları, veri kaynaklarını, riskleri ve lisans gereksinimlerini listeliyor. Her kaynak farklı bir rol üstleniyor; bu yüzden Krea 2 yalnızca birine dayanarak özetlenmemelidir.
Yaratıcılar açısından Krea 2, açık ağırlıklı modelleri estetik ve ürün hissi tartışmasına geri taşıyor. Geliştiriciler için Raw ve Turbo'nun paralel yayımlanması iki farklı yol sunuyor: Eğitimi sürdürmek veya doğrudan çıkarım çalıştırmak. Uygulayanlar açısından model kartındaki güvenlik, filtreleme ve lisans gereksinimleri, lansmandan önce ele alınması gereken sınırlar olmayı sürdürüyor.