TL;DR

이 배포는 Krea 2의 Raw(undistilled) 베이스와 Turbo(8-step distilled) 체크포인트를 Winnougan이 silveroxides/convert_to_quant 도구로 여러 양자화 포맷(FP8, MXFP8, NVFP4, INT8, ConvRot INT8)으로 변환해 ComfyUI 호환 메타데이터와 함께 제공한 이미지 생성 모델 세트이다. 변환은 --simple, --comfy_quant, --save-quant-metadata, --low-memory, --flux2 옵션을 적용했고 ConvRot 변형에는 Hadamard 회전이 선행되어 INT8 환경에서 아웃라이어를 줄이는 절차를 포함한다. README는 RTX 30xx·40xx·50xx Blackwell 계열별로 권장 포맷을 제시하고 Turbo는 8스텝으로 1k–2k 해상도에서 빠른 추론을 목표로 하며 Raw는 LoRA 학습을 위한 원본으로 사용하도록 설계되었다. ComfyUI의 Diffusion Model loader와 CLIP/Load Clip 노드로 로드할 수 있고 Qwen3-VL 4B 텍스트 인코더와 지정된 VAE 파일이 필수 의존성으로 명시되어 있으므로 해당 환경을 갖추어야 안정적으로 운영할 수 있다.

핵심 역량

• Krea 2 Turbo는 1024px에서 2048px 범위의 고해상도 이미지를 짧은 스텝 수(권장 8스텝)로 생성할 수 있다. Turbo는 CFG를 비활성화한 설정과 Mu 값을 조정하여 빠른 추론과 높은 화질을 동시에 노린다. 이 구성은 실전 생성에서 처리 시간을 줄이면서도 목표 해상도 대역에서 일관된 화질을 유지하는 데 초점을 맞춘다.
• Raw 베이스 체크포인트는 증류를 거치지 않은 원본 모델로 LoRA와 같은 파인튜닝 기법과의 상호 운용성을 제공한다. README는 Raw에 학습된 LoRA가 Turbo로 전이되어 추론 시에도 잘 작동한다고 명시하고 있어, 맞춤형 스타일이나 도메인 적응을 위해 Raw에서 LoRA를 학습한 뒤 Turbo에서 빠르게 추론하는 워크플로를 지원한다. 이 흐름은 학습 유연성과 실전 추론 속도 사이의 실용적 분리를 가능하게 한다.
• 여러 양자화 포맷을 통해 다양한 GPU 세대에서 사용성을 확보한다. INT8 Row-wise와 ConvRot INT8이 RTX 30xx에 권장되며 FP8 Tensorwise는 RTX 40xx에, NVFP4와 MXFP8은 RTX 50xx Blackwell 계열에서의 사용을 권장한다. 이와 같은 포맷 분배는 메모리 및 연산 자원 제약에 맞춘 추론 최적화를 목적으로 한다.
• ComfyUI 호환 메타데이터가 포함되어 있어 ComfyUI의 Diffusion Model loader와 CLIP/Load Clip 노드로 직접 로드될 수 있다. 변환 과정에서 --comfy_quant과 --save-quant-metadata 옵션을 사용하여 레이어 이름과 양자화 정보를 파일에 저장하였고, 이는 커스텀 노드와 함께 안정적인 로딩을 보장한다. ComfyUI 환경에서의 즉시 사용성을 우선으로 설계된 배포 방식이다.

강점

• 다양한 GPU 세대에 맞춘 포맷 제공으로 실사용 호환성이 높다. README에서 RTX 30xx에는 INT8 계열을, RTX 40xx에는 FP8을, RTX 50xx Blackwell에는 NVFP4와 MXFP8을 권장하여 사용자가 가진 하드웨어에 따라 최적 포맷을 선택할 수 있다. 이 같은 포맷 분리는 배포자의 변환 전략이 실제 환경에서 즉시 활용 가능하도록 설계되었음을 보여준다.
• ComfyUI 호환 메타데이터를 파일에 내장하여 파이프라인 통합 비용을 낮추었다. 변환에 --save-quant-metadata와 --comfy_quant 옵션을 사용해 레이어 이름과 양자화 정보를 보존했기 때문에 ComfyUI의 표준 로더로 곧바로 모델을 불러오는 과정이 단순해진다. 메타데이터 포함은 파이프라인 구성 오류와 수작업 조정을 줄이는 실무적 이점이 있다.
• ConvRot INT8 변형을 통해 INT8에서도 상대적으로 우수한 품질을 얻도록 설계되었다. 변환 과정에서 Hadamard 회전을 적용하여 아웃라이어를 줄였다는 점이 README에 명시되어 있고 이로 인해 INT8 최적화 시 품질 손실을 완화하는 효과가 기대된다. 이 접근은 낮은 비트폭 환경에서도 실용적 품질을 확보하려는 배포자의 의도를 반영한다.

훈련 방식

이 릴리스는 기존 Krea 2의 Base와 8-step distilled Turbo 체크포인트를 기반으로 quantization 변환을 적용한 배포이며 Raw 베이스는 증류되지 않은 상태로 LoRA 학습에 적합하고 Turbo는 추론을 위해 8스텝 증류를 거친 체크포인트로 빠른 고품질 생성을 목표로 한다. 변환 단계에서는 round-to-nearest 기반의 --simple 설정과 ComfyUI 호환 레이어 네이밍을 부여하는 --comfy_quant 옵션이 사용되었다. ConvRot 변형은 Hadamard 회전을 적용해 양자화 전처리로 아웃라이어를 줄이는 절차를 포함한다.

알아두면 좋은 것

• 이 배포는 silveroxides/convert_to_quant(ctq CLI)를 사용해 여러 포맷으로 변환되었고 변환 시 --simple, --comfy_quant, --save-quant-metadata, --low-memory, --flux2 옵션이 적용되었다. ConvRot 변형에는 Hadamard 회전(--convrot)이 추가되어 아웃라이어를 줄이고 INT8 품질을 개선하는 절차가 포함되었다. 변환 과정에서 메타데이터가 파일에 내장되어 ComfyUI 호환성이 유지되도록 설계되었다.
• ComfyUI에서의 INT8 네이티브 지원이 강조되어 있으며 Diffusion Model loader와 Load Clip 노드를 통해 로드가 가능하다고 명시되어 있다. 다만 현재 ComfyUI의 표준 노드로는 ConvRot INT8이 직접 지원되지 않으므로 관련 커스텀 노드가 필요할 수 있다. README는 Bob Johnson의 노드와 같은 커스텀 노드를 권장하고 ComfyUI 업데이트를 먼저 수행할 것을 명시한다.
• 텍스트 인코더로 Qwen3-VL 4B가 필수이며 해당 인코더의 특정 safetensors 파일을 CLIPLoader에 타입 'krea2'로 로드해야 한다고 명시되어 있다. VAE는 Anima와 동일한 qwen_image_vae.safetensors를 사용하도록 지정되어 있어 이미지 복원 파이프라인의 일관성을 유지한다. 이러한 외부 의존성은 모델을 제대로 동작시키기 위한 필수 구성 요소이다.
• 하드웨어별 권장 포맷 지침이 명확히 제공되어 RTX 30xx, 40xx, 50xx Blackwell 계열에 맞춘 포맷 선택이 가능하다. README는 RTX 30xx에 대해 INT8 또는 ConvRot INT8을, RTX 40xx에 FP8 Tensorwise를, RTX 50xx Blackwell에 NVFP4·MXFP8·FP8을 권장한다. 이 지침은 실사용 환경에서 메모리와 성능 균형을 맞추는 데 실무적 기준을 제공한다.

기술적 특징

• 여러 양자화 포맷을 병행 제공하는 변환 파이프라인이 적용되었다. 변환에는 silveroxides/convert_to_quant(ctq CLI)가 사용되었고 --comfy_quant과 --save-quant-metadata 옵션을 통해 ComfyUI 호환 레이어 이름과 양자화 메타데이터를 파일에 삽입하였다. 또한 --low-memory 옵션을 활용해 변환 시 피크 RAM 사용을 줄이는 실용적 전처리 설정이 포함되었다.
• ConvRot 변형은 Hadamard 회전을 선행하여 컨볼루션 계층의 아웃라이어 분포를 완화한 뒤 양자화를 수행한다. README는 이 절차가 아웃라이어를 줄이고 INT8 품질을 향상시키는 목적임을 명시하고 있어 특히 로우비트 환경에서 정확도 복원에 기여한다. ConvRot은 변환 단계에서 --convrot 플래그로 활성화되며 결과 파일은 ConvRot INT8로 구분된다.
• 포맷별 하드웨어 권장 사항을 명확히 제시하여 사용자가 하드웨어에 맞는 파일을 선택하도록 유도한다. FP8 Tensorwise는 RTX 40xx에서 권장되며 MXFP8·NVFP4는 RTX 50xx Blackwell에 최적화되어 있고 INT8 Row-wise는 RTX 30xx에 권장된다. 이러한 권장 지침은 메모리·연산 자원과 품질 간 트레이드오프를 실무적으로 다루는 설계 선택이다.
• Turbo는 8스텝 증류 체크포인트로 빠른 고품질 생성을 목표로 하고 Raw는 증류되지 않은 베이스로 LoRA 학습에 적합하도록 배치되었다. README는 LoRA를 Raw에 학습시키고 Turbo에서 추론하는 워크플로가 호환성 측면에서 효율적이라고 명시하고 있으며 이로써 학습 유연성과 추론 속도의 분리가 실현된다. 이러한 두 체크포인트의 역할 분리는 실전 작업에서 학습과 추론을 분리해 최적의 성능을 얻도록 설계되었다.

차별점

• ComfyUI와의 즉시 호환성을 목표로 메타데이터를 파일에 내장한 점이 차별화 요소이다. 변환 시 --comfy_quant과 --save-quant-metadata 옵션을 사용해 레이어 네이밍과 양자화 정보를 보존했기 때문에 ComfyUI 표준 로더로의 통합이 용이하다. 이 접근은 사용자가 별도 포맷 조정 없이 바로 파이프라인에 투입할 수 있도록 실무적 마찰을 줄인다.
• ConvRot을 이용한 INT8 품질 향상 변형을 포함하여 낮은 비트폭 환경에서도 상대적으로 높은 품질을 유지하려는 설계가 도입되었다. Hadamard 회전을 통해 아웃라이어를 완화한 뒤 양자화를 수행하는 흐름을 README에 명시하여 INT8 환경에서의 품질 보완을 목표로 하고 있다. 이러한 전처리 기반의 품질 개선은 단순한 양자화 파일 제공과 구분되는 기능적 차별점이다.
• Raw 베이스와 Turbo 증류본을 함께 제공하여 학습과 추론 워크플로를 분리한 배포 전략이 적용되었다. Raw는 LoRA 학습을 위한 가변성과 확장성을 제공하고 Turbo는 1k–2k 대역에서 빠른 추론을 목표로 설계되어 있어 동일한 모델 계열 내에서 학습용과 실전 추론용 체크포인트를 구분해 제공한다. 이 분리는 사용자에게 맞춤형 파이프라인을 구성할 수 있는 유연성을 제공한다.

이미지 분석