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 포인트

• 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.
• 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.

이미지 분석