Krea, una startup que crea herramientas creativas de inteligencia artificial, lanzó Krea 2 (K2), una familia de modelos básicos de texto a imagen de peso abierto que, según la compañía, se encuentra entre los 10 principales generadores de imágenes en la clasificación de análisis artificial y el segundo entre los modelos de laboratorios independientes. El lanzamiento, detallado en un informe técnico publicado el 23 de junio de 2026, viene con dos puntos de control modelo y una licencia permisiva que invita a la comunidad a perfeccionarlo y construir sobre él.
A diferencia de muchos modelos de imágenes recientes que se optimizan para una única salida predeterminada pulida, Krea diseñó Krea 2 en torno a la idea de exploración creativa, exponiendo una distribución visual amplia por la que los usuarios pueden navegar en lugar de forzar una estética estrecha. Para más contexto sobre esta historia, consulta nuestra actualidad de inteligencia artificial.
Dos puntos de control para diferentes necesidades
La versión Krea 2 incluye dos puntos de control distintos. El primero, K2 Raw, es un modelo base no destilado destinado a realizar ajustes e investigaciones posteriores al entrenamiento, brindando a los desarrolladores una base limpia para adaptarse. El segundo, K2 Turbo, es un modelo destilado de guía y paso de tiempo diseñado para una generación rápida en pocos pasos, el tipo de iteración rápida que exigen los flujos de trabajo creativos.
Ofrecer tanto una base amigable para la investigación como una variante de velocidad optimizada refleja una división pragmática. Los investigadores y expertos obtienen el modelo en bruto para experimentar, mientras que los usuarios de producción obtienen un punto de control más rápido que sacrifica poco en términos de calidad en aras de la velocidad.
Una postura deliberada contra los datos de entrenamiento generados por IA
Una de las afirmaciones más llamativas del informe técnico de Krea se refiere a los datos de entrenamiento. El equipo afirma que no utilizó imágenes generadas por IA en su combinación de preentrenamiento. Si bien los datos sintéticos y la destilación se han convertido en atajos populares para adquirir capacidades de modelo, Krea descubrió que incluso una pequeña proporción de imágenes generadas por IA introducía sesgos en la distribución de salida del modelo.
El razonamiento es sencillo: las imágenes sintéticas tienden a ser más fáciles de aprender para un modelo, lo que efectivamente impone un techo artificial a la calidad. Para hacer cumplir la política, Krea creó clasificadores internos específicamente para filtrar las imágenes generadas por IA de su conjunto de datos, en lugar de depender de filtros disponibles en el mercado.
La empresa también adoptó una postura contraria respecto de la calidad de los datos. En lugar de filtrar agresivamente puntuaciones estéticas altas, que pueden eliminar imágenes deliberadamente borrosas, granuladas o poco convencionales que representan elecciones artísticas válidas, Krea abogó por la diversidad y una amplia cobertura de dominio. El resultado, dice, es un modelo con un rango expresivo más amplio que los sistemas entrenados sólo en imágenes convencionalmente bellas.
Canal de arquitectura y capacitación
Krea 2 está construido sobre una arquitectura de transformador cuyo diseño final se eligió a través de extensos estudios de ablación documentados en el informe. Después de probar alternativas, el equipo se decidió por la atención de consultas agrupadas (GQA) con atención sigmoidea cerrada, un SwiGLU MLP y Qwen 3 VL como codificador de texto. La codificación posicional utiliza incrustaciones rotativas axiales 3D y el codificador automático combina Qwen Image VAE y FLUX 2 AE.
La formación siguió un plan de estudios de varias etapas. El entrenamiento previo avanzó a través de etapas de resolución de 256 px, 512 px y 1024 px, dedicando la mayor parte de la computación al trabajo de baja resolución para desarrollar capacidades centrales de manera eficiente antes de perfeccionar la generación de alta fidelidad a resoluciones más altas. Luego, una etapa de entrenamiento intermedio unió la amplia distribución previa al entrenamiento y la distribución de ajuste fino supervisada de alta calidad utilizando agrupamiento semántico y estrategias basadas en la recuperación para preservar la cobertura de conceptos raros y de cola larga.
Hacer que la generación sea exploratoria y orientable
Krea identificó una brecha persistente entre cómo se entrenan los modelos y cómo los usuarios realmente expresan su intención. Durante el entrenamiento, los modelos aprenden de subtítulos ricos y densos. En el momento de la inferencia, los usuarios suelen escribir indicaciones breves y ambiguas, o hacer gestos hacia un estado de ánimo o una imagen de referencia en lugar de describir una escena con precisión.
Para cerrar esa brecha, Krea 2 se envía con dos sistemas. El primero es un expansor de indicaciones, entrenado a través de un proceso de aprendizaje de refuerzo y ajuste supervisado de dos etapas sobre grandes modelos de lenguaje de código abierto, que asigna indicaciones simples a direcciones visuales más ricas sin sobrescribir la intención del usuario. El segundo es un sistema de referencia de estilo que permite a los usuarios inyectar el estilo o la atmósfera de una o más imágenes de referencia con una fuga de contenido mínima, ofreciendo un control detallado sobre la fuerza del estilo y la mezcla ponderada.
Juntos, estos componentes redefinen a Krea 2 como un medio exploratorio. En lugar de devolver una única respuesta, el modelo está diseñado para exponer un espacio de posibilidades y brindar a los usuarios formas prácticas de moverse a través de él utilizando control basado en texto e imágenes.
Preservar el conocimiento de entidades reales
Una capacidad sutil pero importante para cualquier generador de imágenes es la capacidad de representar fielmente entidades, personas, lugares y objetos conocidos a los que los usuarios pueden hacer referencia simplemente por su nombre. A Krea le preocupaba que los métodos de muestreo estándar pudieran dejar caer accidentalmente conceptos raros o importantes durante la curación de datos.
Para evitar esto, el equipo ejecutó PageRank en Wikipedia en inglés, retuvo el 90 por ciento superior de los artículos por clasificación, filtró los conceptos que no se pueden representar de manera significativa y luego verificó la cobertura en todo su conjunto de datos de subtítulos, priorizando las imágenes cuyos subtítulos hacían referencia a conceptos poco comunes. Posteriormente, el equipo confirmó que ningún concepto presente en el conjunto de datos inicial se había eliminado por completo de la muestra de entrenamiento final.
Una frontera abierta y competitiva para la IA de imágenes
La llegada de Krea 2 intensifica un panorama abarrotado de generación de imágenes de pesos abiertos. La compañía posiciona su modelo como "entre los 10 primeros" en la clasificación de texto a imagen de Análisis Artificial y "el segundo lugar entre los modelos de laboratorios independientes", una afirmación que, si se mantiene bajo un escrutinio comunitario más amplio, convertiría a K2 en uno de los generadores de imágenes disponibles abiertamente más potentes.
El informe técnico, que tiene casi 12.000 palabras y detalla todo, desde los principios de curación de datos hasta la infraestructura de capacitación distribuida, también tiene un propósito estratégico. Al publicar la metodología detrás de un modelo competitivo, Krea invita al escrutinio, la reproducción y la mejora, la moneda de la credibilidad en la comunidad de investigación abierta.
Para los creadores y desarrolladores, el resultado es un modelo de imagen capaz y con licencia abierta que prioriza el rango creativo sobre un único valor predeterminado seguro. Con los pesos disponibles en Hugging Face y el código en GitHub, Krea 2 reduce la barrera para cualquiera que quiera construir, ajustar o simplemente experimentar con un generador de imágenes de última generación en sus propios términos.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
