TL;DR

Krea 2 Raw는 Krea.ai가 공개한 12B 파라미터 Diffusion Transformer 기반의 텍스트-투-이미지 베이스 체크포인트로, 추론용 권장은 아니며 파인튜닝과 도메인 적응을 위한 출발점이다. 모델은 공개 데이터, 상업 라이선스 데이터, 그리고 합성 데이터를 혼합해 학습되었으며 데이터 정제와 타깃 파인튜닝을 통해 프롬프트 추종력과 안전성을 개선하려는 절차를 거쳤다. diffusers의 Krea2Pipeline과 SGLang 등 여러 런타임 예시를 통해 추론과 통합 경로를 제시하며 LoRA 기반 파인튜닝 워크플로와 Krea-2 Turbo로의 이식 사례를 문서화했다. 공개 배포와 함께 Krea 2 Community License는 배포자에게 필터링과 검토 절차를 요구하며, 문서화된 안전 평가에도 불구하고 예측 불가능성·오류 가능성 등 한계로 인해 배포 전 추가적인 안전 테스트와 맞춤형 튜닝이 필요하다.

핵심 역량

• 프롬프트 기반으로 다양한 예술적 스타일과 구도를 반영한 고해상도 이미지를 생성할 수 있다. 출력 이미지는 파이프라인 인자들인 num_inference_steps와 guidance_scale 조절로 품질과 텍스트 일치도를 균형 있게 조정할 수 있다. 개발자들이 Raw 체크포인트를 기반으로 추가 파인튜닝을 수행해 특정 도메인에 맞춘 스타일이나 콘텐츠를 학습시킬 수 있다.
• Diffusers의 Krea2Pipeline과 호환되어 표준화된 추론 인터페이스에서 모델을 적재하고 샘플링을 실행할 수 있다. torch_dtype 인자와 GPU 배치 전략으로 메모리 효율적 추론 세팅을 구성할 수 있다. SGLang 같은 타 추론 런타임과도 연동 예시가 제공되어 다양한 환경에서 활용 가능하다.
• 오픈 웨이트로 배포되어 체크포인트 내부를 직접 수정하거나 후처리용 파인튜닝을 적용할 수 있다. LoRA와 같은 경량 파인튜닝 기법을 적용해 목적별 변형 모델을 빠르게 만들어낼 수 있다. 배포 라이선스 하에서 적절한 필터링과 안전 장치를 갖추면 상업적·연구용 통합도 가능하다.

강점

• 오픈 웨이트로 공개되어 개발자와 연구자가 내부 가중치를 직접 활용해 맞춤형 파인튜닝을 수행할 수 있다. 이로 인해 도메인 특화 데이터로 빠르게 적응시키거나 경량 기법을 통해 효율적 모델 변형을 만들 수 있다. Krea 측은 Raw를 LoRA 학습용 베이스로 목표화한 워크플로와 Turbo로의 이식 사례를 별도 컬렉션으로 제공하고 있다.
• diffusers의 Krea2Pipeline과 명시적 호환성을 제공하여 표준화된 API에서 모델을 곧바로 실행할 수 있다. Python 예시와 SGLang CLI 예시를 통해 여러 런타임에서 재현 가능한 추론 방법을 제시했다. 이러한 호환성은 기존 diffusers 기반 파이프라인에 통합하기 용이한 장점을 제공한다.
• 안전성 테스트와 내부·외부 평가를 거쳐 고위험 콘텐츠에 대한 회복력 검증을 수행했다는 점이 문서화되어 있다. 호스팅 제품에는 입력·출력 분류기를 적용하는 운영적 안전 장치가 존재하며 오픈 배포의 경우 배포자에게도 안전 조치 이행을 요구하는 라이선스 규정이 따른다. 이 점은 공개 모델이지만 안전 관리에 관한 거버넌스 틀이 마련되어 있다는 실무적 장점을 제공한다.

훈련 방식

모델은 공개 데이터, 라이선스 데이터, 그리고 자체 합성 데이터를 혼합해 학습되었으며 학습 전후에 데이터를 필터링해 품질과 안전성을 높였다. 이후 타깃 파인튜닝과 안전성 향상을 위한 추가적 미세조정 작업을 거쳐 특정 위험 범주에 대한 회복력을 검증했다. Raw 체크포인트는 포스트트레이닝과 LoRA 같은 경량 파인튜닝을 위해 베이스로 제공되었다.

알아두면 좋은 것

• 리포지토리는 Raw 체크포인트를 베이스로 삼는 방향으로 설계되어 있으며 추론보다는 파인튜닝과 후처리용으로 권장된다고 명시되어 있다. README는 Krea의 공식 코드베이스와 diffusers, SGLang 예시를 통해 다양한 실행 경로를 문서화했다. 또한 Krea-2 Turbo와의 연계 사례로 내부 LoRA 컬렉션 사용을 권장하는 실무적 워크플로를 제공한다.
• 훈련 데이터는 공개 데이터, 제3자 라이선스 데이터, 그리고 자체 생성된 합성 데이터의 조합으로 구성되었으며 데이터 정제와 유해 콘텐츠 필터링을 거쳤다고 명시되어 있다. Krea는 특정 카테고리의 유해 콘텐츠를 제거하기 위해 사전 필터링과 품질 기반 선별을 적용했다고 보고했다. 이러한 데이터 구성은 프롬프트 추종력과 시각적 품질 향상을 목표로 삼았다.
• 안전성 측면에서 타깃 파인튜닝과 내부·외부 안전 평가를 수행해 문제성 입력에 대한 회복력을 점검했다고 보고했다. 호스팅 제품에는 입력·출력 분류기를 배치해 위반성 프롬프트와 출력물을 차단하는 체계를 운영한다고 명시되어 있다. 공개 가중치 배포의 특수성으로 인해 배포자에게도 필터링과 검토 의무를 부과하는 라이선스 규정이 적용된다.

기술적 특징

• 아키텍처는 Diffusion Transformer 기반으로 12B 파라미터 규모를 가진다. 이 구조는 텍스트-투-이미지 생성 과정에서 Transformer 기반의 텍스트 인코딩과 diffusion 샘플링 스텝을 결합해 프롬프트 정보를 이미지 공간으로 점진적으로 투영하는 방식을 사용한다. 대형 파라미터 수는 복합한 스타일과 디테일을 포착하는 데 기여하지만 추론 시 계산·메모리 비용을 유발한다.
• Raw 체크포인트는 후속 포스트트레이닝 및 파인튜닝 워크플로를 염두에 둔 배포 전략을 채택했다. 모델 자체는 추론 권고본이 아니며 대신 LoRA 같은 저비용 파인튜닝 기법으로 도메인 적응을 수행할 때 베이스로 활용되도록 설계되었다. 이러한 분리는 베이스라인의 유연성을 높이고 다양한 파생 모델을 빠르게 생산할 수 있게 한다.
• diffusers의 Krea2Pipeline을 통해 모델을 로드하고 샘플링하는 표준 인터페이스를 제공하므로 라이브러리 호환성과 재현성이 확보되었다. README는 torch_dtype 설정과 GPU 배치 전술을 통한 메모리 최적화 실무를 제시하며 SGLang과 같은 대체 런타임을 사용하는 방법도 서술했다. 여러 런타임 예시는 배포 환경별 최적화 경로를 명확히 한다.
• 안전성 강화를 위해 데이터 정제, 타깃 파인튜닝, 내부·외부 안전 평가와 적대적 테스트를 수행했다고 보고했다. 또한 호스팅 환경에서는 입력·출력 분류기를 사용해 정책 위반을 탐지·차단하는 운영적 통제 장치를 적용하고 있다. 공개 가중치 배포의 특성상 라이선스는 배포자가 필터링과 검토 프로세스를 구현하도록 요구해 책임 있는 사용을 제도화했다.

차별점

• 오픈 웨이트로 Raw 체크포인트를 공개해 개발자가 내부 가중치를 직접 활용할 수 있도록 한 배포 전략이 차별점이다. 이 접근은 베이스 모델을 기반으로 다양한 파인튜닝·합성 실험을 허용하며 LoRA 컬렉션과 같은 실무용 확장을 촉진했다. 상용 호스팅 통합과도 병행되는 공개 정책이 결합되어 연구와 제품 개발 양측을 지원한다.
• Krea 2 Community License를 통해 배포자에게 안전 장치 이행 의무를 부과한 점이 차별화 요소이다. 라이선스는 오픈 배포임에도 불구하고 배포자가 필터링과 검토를 시행하도록 요구해 운영상 책임을 제도화했다. 이로 인해 공개 모델의 사용 범위와 책임 소재가 명확해진다.
• diffusers의 Krea2Pipeline과 SGLang 같은 여러 실행 경로에 대한 명시적 예시를 제공해 통합 편의성을 높인 점이 실무적 차별화 포인트이다. README의 코드 스니펫은 표준 diffusers 워크플로와 CLI 기반 자동화 환경 모두에서 재현성을 확보하는 방법을 보여준다. 이러한 문서화는 개발자가 다양한 런타임에서 빠르게 실험을 시작할 수 있게 한다.

이미지 분석