Krea 在 6 月开放了图像模型 Krea 2 的 Raw、Turbo 两套权重，并于 6 月 23 日发布技术报告。两套权重服务不同环节：Raw 留给用户继续训练，Turbo 负责快速生成；官方推荐把在 Raw 上训练出的 LoRA 风格适配器，用到 Turbo 上出图。
设计者可以把一组素材训练成可复用的风格适配器，再用快速生成模型制作不同内容。同一种笔触、配色或材质，能否从训练样本延续到新主体上，是这套流程是否有效的直接表现。
Raw 用于继续训练，Turbo 经蒸馏后八步出图
Krea 2 的托管产品已在 5 月 12 日发布，5 月 21 日也已提供 LoRA 训练测试版。六月开放权重后，用户可以在自己的环境里运行和继续训练模型。模型卡将这次开放版本的发布日期记为 6 月 22 日。产品首发、托管训练功能、Raw 模型卡
Raw 是未经过后训练和蒸馏的底座，官方明确不建议把它直接用于最终画面生成。Turbo 则来自完成后训练的模型，并经过蒸馏。6 月 23 日，Comfy Org 确认两套开放权重已能在 ComfyUI 本地运行，并将 Turbo 描述为八步采样版本。ComfyUI 发布说明
Raw 为进一步训练保留了调整空间；Turbo 则经过面向成图质量的后训练，并通过蒸馏减少生成步数。官方推荐两者分别承担风格训练和最终出图。
技术报告的整体训练流程。底部还列出了训练提示词扩写系统的步骤。
Turbo 的八步采样能力来自额外训练。技术报告介绍，团队在强化学习后同时进行引导蒸馏和时间步蒸馏，并采用轨迹分布匹配，让少步模型学习生成途中不同噪声阶段的分布，而不只匹配最终图像。它的目标是在更少的采样迭代中保留已训练模型的能力。技术报告，Timestep distillation
普通模型直接把采样次数设为八，只减少了运行迭代；Turbo 则专门学过如何用更少的步骤完成生成。八步描述的是采样迭代次数；实际等待时间还包括模型装载、文本编码和图像解码，并受硬件配置影响。
在 Raw 上训练的 LoRA，可以加载到 Turbo
LoRA 的基本做法，是冻结底座权重，用两个较小的可训练矩阵的乘积表示所需的权重增量。对被适配的层，可以把应用过程理解为：底座权重加上一定强度的 LoRA 增量。这样无需为每一种风格都重新训练、保存一套完整模型。LoRA 原始论文
使用 Krea 2 时，用户先用 Raw 和自己的图文样本训练 LoRA，完成后保存适配器；生成阶段加载 Turbo，再加载这份适配器，通过提示词规定主体和场景。Raw 模型卡明确推荐这种配合，而官方发布的儿童涂鸦适配器也标注了训练与推理各自使用的模型。Raw 模型卡、kidsdrawing 适配器
这种兼容性针对 Raw 和 Turbo 这组模型。适配器加载到 Turbo 后，最终画面仍受 Turbo 的基础权重和采样过程影响；训练时想保留的笔触、材质或人物特征，也要在实际出图中检验。
例如，一组品牌插画即使线条、颜色一致，若全部画的是同一栋房子，就很难分清模型学到的是画风还是房子本身。让笔触与配色保持一致，同时覆盖不同主体、视角和场景，并在图片描述中交代这些差异，能减少这种混淆。
Krea 的托管训练说明也强调，图片说明会帮助训练器区分应学习的特点与一次性背景、道具。它建议风格素材保持视觉一致，同时避免只有一个构图；人物素材则应覆盖角度、表情、光线和背景。整理本地训练素材时也可以沿用这些原则。LoRA 训练说明
同一涂鸦适配器生成鹿和人物，保留相近笔触
官方 kidsdrawing 适配器是在 Raw 上训练的。模型卡记录，其预览由 Turbo 生成，设置为八步、guidance 0.0、LoRA 强度 1.0。页面同时提供适配器文件名、加载示例、提示词和生成图片，列明了训练与生成使用的具体配置。官方适配器模型卡
官方 Turbo 预览：提示词要求森林、低头吃草的鹿和明亮太阳，并加入该 LoRA 的风格触发词。
同一适配器、同一组公开采样设置下的另一主体。两张图都来自官方预览。
两张图共享一组视觉特征：深色线条反复勾勒物体，色块带有纸面摩擦般的颗粒，轮廓保留不完全规整的手绘感。主体从森林中的鹿换成悬崖上的人物，画面空间也从树干围合转为大片天空；相近的笔触与色块出现在了不同内容中。
样例的提示词本身也包含风格描述。若固定提示词、种子和采样设置，只改变是否加载适配器及加载强度，就能更清楚地比较适配器对画面的影响。
自建适配器也可以这样对照：线条与材质是否接近样本，主体和构图是否符合新要求，训练图片里的固定背景有没有被带入。再换成训练中未出现的主体，可以进一步区分可迁移的风格、对原画面的记忆，以及新出现的结构错误。
数据筛选与提示词扩写也会改变画风
Krea 的技术报告给出了一个实际取舍：数据筛选若把模糊一律视为低质量，会连同有意使用运动模糊或柔焦的作品一起删掉。团队因此强调风格覆盖，并在后训练中同时处理审美、指令遵循、文字和结构错误。技术报告，Data Curation Principles 与 Reinforcement learning
某些画风特征可能被通用质量标准当作缺陷。涂鸦的歪线条、胶片的颗粒、绘画的扁平透视，都需要放回具体创作要求里判断。只要求画面“更精致”，可能反而会抹掉这些特征。
提示词扩写也会影响风格。报告指出，用户的短指令与训练使用的详细描述之间存在差距，因此训练了扩写系统；团队也观察到，扩写器可能趋向一种容易得到高分的默认风格，需要持续奖励输出的多样性。技术报告，Prompt Expansion
本地模型与网页版即使用了相同名称的权重，也可能收到不同输入。一边把短提示扩成包含光线、镜头和材质的长描述，另一边直接使用原句，生成结果自然可能不同。实际送入模型的提示词，与适配器、采样设置和模型版本一样，都是排查风格差异的线索。
Krea 五月发布的产品还支持用参考图调节风格、混合多个视觉方向；LoRA 则把反复使用的风格保存成可加载的适配器。参考图系统、提示词扩写与开放权重属于不同部分，不能把网页版的全部功能等同于两套检查点的能力。技术报告还将更稳健的编辑列为后续工作。五月产品介绍、技术报告
年收入达到 100 万美元，权重商用须另获许可
Krea 2 的推理代码仓库使用 Apache 2.0 许可证，两套模型权重则适用单独的社区许可。代码与权重的使用条件因此不同。代码许可证
6 月 22 日版社区许可规定，符合其他条款的商业使用者，其本人或实体及处于共同所有权或控制之下的关联实体，过去十二个月全部来源的公司收入合计必须低于 100 万美元；达到或超过门槛，需事先取得企业许可。计算对象是全部业务收入，并不限于使用 Krea 产生的收入。正式许可，第 2.3 节
许可还要求部署者采取适当的内容过滤或审核措施；分发模型及衍生模型时，应遵守许可传递、署名和相关命名要求。正式许可，第 3、4 节
一套可复用的 Krea 2 风格配置，既包括适配器，也包括素材说明、版本、触发词和采样设置。Raw 上完成训练、Turbo 上验证新主体后，这些记录便可供后续任务沿用，在保留画风的同时继续调整内容和风格强度。
