TL;DR

M87은 mgwr가 공개한 KREA-2 Turbo용 early-preview LoRA 어댑터로서, 100장의 큐레이티드 이미지로 학습되어 생성물에 시네마틱한 구성, 풍부한 조명, 부드러운 분위기, 강화된 텍스처를 덧입히는 데 초점을 맞추었다. 기술적으로는 LoRA 방식으로 원본 KREA-2 Turbo 가중치를 고정한 채 저순위 보정 행렬만 학습해 파라미터와 배포 부담을 최소화했고, 프롬프트 내 '--preview' 트리거로 적용을 제어하도록 설계되어 기존 워크플로우와의 통합이 간단했다. 라이선스는 Apache-2.0이며 diffusers 프레임워크 태그가 있어 표준 파이프라인에 포함하기 수월했으나 학습 데이터가 100장에 한정되어 매우 특수한 도메인 일반화에는 한계가 있을 수 있다.

핵심 역량

• M87은 KREA-2 Turbo의 생성 결과에 보다 강한 구성과 연출감을 부여하는 기능을 수행한다. 학습된 어댑터가 조명 처리와 분위기 연출 쪽의 표현을 보정하여 이미지의 시각적 완성도를 높였다. 이 과정에서 특정 주제나 스타일에 모델을 고정하지 않고 다양한 장면에 적용할 수 있도록 설계되었다.
• M87은 이미지의 텍스처와 필름 그레인 같은 미세한 시각 요소를 추가적으로 조정하는 기능을 제공했다. 원본 생성 흐름에 저순위 가중치를 덧씌워 디테일 표현을 강화하므로 전체 샘플링 파이프라인에 큰 구조 변경을 요구하지 않았다. 이로 인해 원본 모델의 다양성과 창의성을 유지하면서도 출력의 시각 언어를 정교하게 다듬을 수 있었다.
• M87은 조명 표현을 더 풍부하게 만들기 위해 색조와 하이라이트 분포를 조정하는 보정 동작을 수행했다. 이러한 보정은 샘플링 후처리가 아니라 모델 내부의 어댑터 파라미터로 구현되어 재현 가능하게 적용되었다. 결과적으로 동일한 프롬프트로 더 일관된 영화적 톤을 얻을 수 있게 되었다.
• M87은 '--preview'라는 트리거 프롬프트를 통해 활성화되도록 설계되어 사용자가 의도적으로 어댑터 효과를 켜고 끌 수 있다. 이 트리거 방식은 프롬프트 단계에서 어댑터 적용을 제어하므로 파이프라인 통합이 단순했다. 따라서 기존 프롬프트 워크플로우를 크게 변경하지 않고도 미학적 보정을 적용할 수 있었다.

강점

• 경량 LoRA 어댑터로 구현되어 원본 KREA-2 Turbo를 그대로 유지하면서 미학적 보정을 적용할 수 있다. 이로 인해 배포와 실험에서 원본 모델의 대체 없이 보정 레이어만 관리하면 되었다. 작은 추가 파라미터 세트로도 목표한 시각적 특성 변화를 얻도록 설계되었다.
• 학습 데이터가 큐레이션된 소규모 셋으로 구성되어 있어 특정 미학적 방향성을 비교적 빠르게 반영하도록 최적화되었다. 이 접근은 대규모 재학습보다 실험 주기가 짧고 비용 효율적이었다. 다만 데이터 규모가 작기 때문에 매우 특수한 도메인 일반화는 제한적일 가능성이 존재한다.

훈련 방식

기반 모델은 KREA-2 Turbo이며, LoRA 어댑터 형태로 엄선된 100장 미학 이미지로 학습하여 KREA-2 Turbo의 출력에 미학적 보정 레이어를 덧씌운 방식이다.

알아두면 좋은 것

• M87은 KREA-2 Turbo를 기반으로 동작하는 early-preview LoRA로, 모델의 생성물에 시네마틱하고 창의적인 미학적 특성을 덧입히는 것을 목표로 했다. 개발자는 이 어댑터를 통해 구성, 조명, 분위기, 텍스처 등 시각적 요소들을 향상시키는 데 중점을 두었다. 해당 어댑터는 특정 주제나 스타일에 모델을 고정하지 않도록 설계되어 다양한 입력에 적용 가능하다는 점이 강조되었다.
• 학습 데이터는 엄선된 100장의 미학적 이미지로 구성되어 있으며, 이 작은 데이터셋으로도 목표하는 시각적 보정 효과를 얻는 데 초점이 맞춰졌다. 학습 방식으로 LoRA 어댑터가 사용되어 원본 KREA-2 Turbo 파라미터는 변경하지 않고 경량 파라미터만 추가로 학습했다. 결과적으로 모델 배포와 통합 과정에서 원본 모델을 대체할 필요 없이 보정 레이어만 교체하여 적용할 수 있다.
• 모델은 Hugging Face의 diffusers 프레임워크 태그를 사용하며 라이선스는 Apache-2.0으로 공개되어 있다. 사용자는 '--preview' 트리거를 프롬프트에 포함하여 M87 효과를 의도적으로 활성화할 수 있다. 모델 페이지에는 다수의 출력 예시가 포함되어 있어 시각적 성향을 직접 확인할 수 있다.

기술적 특징

• M87은 LoRA 기반 어댑터로 구현되어 KREA-2 Turbo의 기존 가중치를 고정한 채 저순위 보정 행렬만 학습했다. 이러한 구조는 파라미터 효율성을 확보하면서도 모델의 원래 생성 메커니즘을 유지하게 해주었다. 그 결과 배포 시 원본 모델을 변경하지 않고도 보정 효과를 적용할 수 있었다.
• 학습은 큐레이티드 100장 이미지로 수행되어 데이터 품질을 우선으로 삼았다. 이 데이터 선택 방식은 특정 미학적 속성 예컨대 필름 그레인, 색채 분배, 조명 톤 같은 세부 표현을 집중적으로 학습하는 데 기여했다. 데이터셋 규모는 작았으나 목적 지향적 학습을 통해 원하는 시각 효과를 얻는 데 초점을 맞추었다.
• 모델 활성화는 프롬프트 기반 트리거 '--preview'를 사용하여 제어되도록 설계되었다. 이 방식은 사용자가 프롬프트에서 어댑터 적용 여부를 명시적으로 제어할 수 있게 해주며, 파이프라인 통합을 간소화했다. 트리거 기반 적용은 실험 반복과 비교를 수월하게 만들었다.
• M87은 생성 흐름의 후처리가 아니라 모델 내부의 어댑터 파라미터로 미학 보정을 수행하여 재현성과 일관성을 확보했다. 어댑터가 샘플링 과정에 직접 관여하므로 동일 프롬프트에서 보다 안정적인 스타일 결과를 얻을 수 있었다. 이 설계는 단순한 필터 적용보다 일관된 시각 언어 정립에 유리했다.

차별점

• M87은 KREA-2 Turbo에 특화된 LoRA 어댑터로서 설계되어 다른 범용 스타일 패치보다 원본 모델과의 호환성을 우선했다. 이로 인해 원본 모델을 교체하지 않고도 미학적 변경을 적용할 수 있어 실험과 배포가 용이했다.
• 소규모지만 큐레이티드된 100장 데이터셋으로 미학적 특성을 학습하여 특정 시네마틱 톤과 텍스처를 목표로 삼았다. 대규모 범용 재학습이 아닌 목적 지향적 미세조정으로 빠른 반복과 저비용 실험을 가능하게 만들었다.
• 사용자가 프롬프트에 '--preview' 트리거를 추가하여 어댑터 효과를 명시적으로 켜고 끌 수 있도록 되어 있어 기존 프롬프트 워크플로우와의 통합이 단순했다. 이 트리거 방식은 다양한 실험 조건에서 비교 검증을 수월하게 했다.