Krea, एक स्टार्टअप बिल्डिंग क्रिएटिव्ह AI टूल्स, Krea 2 (K2), हे ओपन-वेट टेक्स्ट-टू-इमेज फाउंडेशन मॉडेल्सचे एक कुटुंब जारी केले आहे, जे कंपनीच्या म्हणण्यानुसार आर्टिफिशियल ॲनालिसिस लीडरबोर्डवरील टॉप 10 इमेज जनरेटरमध्ये आणि स्वतंत्र लॅबमधील मॉडेल्समध्ये दुसऱ्या क्रमांकावर आहे. 23 जून 2026 रोजी प्रकाशित झालेल्या तांत्रिक अहवालात तपशीलवार विमोचन, दोन मॉडेल चेकपॉईंट आणि परवानगी देणारा परवाना असलेली जहाजे आहेत जी समुदायाला चांगले-ट्यून करण्यासाठी आणि त्याच्या शीर्षस्थानी तयार करण्यासाठी आमंत्रित करतात.

एकल पॉलिश डीफॉल्ट आउटपुटसाठी ऑप्टिमाइझ करणाऱ्या अनेक अलीकडील प्रतिमा मॉडेल्सच्या विपरीत, Krea ने क्रिएटिव्ह एक्सप्लोरेशनच्या कल्पनेभोवती Krea 2 डिझाइन केले, एक विस्तृत दृश्य वितरण उघड केले जे वापरकर्ते एका अरुंद सौंदर्याची सक्ती करण्याऐवजी नेव्हिगेट करू शकतात. For more context on this story, see our ongoing AI trends.

वेगवेगळ्या गरजांसाठी दोन चेकपॉइंट

Krea 2 रिलीझमध्ये दोन वेगळ्या चौक्यांचा समावेश आहे. पहिले, K2 रॉ, हे एक अनडिस्टिल्ड बेस मॉडेल आहे जे फाइन-ट्यूनिंग आणि पोस्ट-ट्रेनिंग संशोधनासाठी आहे, जे विकासकांना अनुकूल करण्यासाठी एक स्वच्छ पाया देते. दुसरे, K2 टर्बो, हे एक मार्गदर्शन- आणि टाइमस्टेप-डिस्टिल्ड मॉडेल आहे जे जलद, काही-चरण पिढीसाठी, सर्जनशील कार्यप्रवाहांची मागणी असलेल्या जलद पुनरावृत्तीसाठी तयार केलेले आहे.

संशोधन-अनुकूल आधार आणि वेग-अनुकूलित प्रकार दोन्ही ऑफर करणे व्यावहारिक विभाजन प्रतिबिंबित करते. संशोधक आणि टिंकरर्सना प्रयोग करण्यासाठी कच्चे मॉडेल मिळतात, तर उत्पादन वापरकर्त्यांना वेगवान चेकपॉइंट मिळतो जो गतीच्या फायद्यासाठी गुणवत्तेच्या मार्गात थोडासा त्याग करतो.

AI-व्युत्पन्न प्रशिक्षण डेटाच्या विरोधात मुद्दाम भूमिका

Krea च्या तांत्रिक अहवालातील सर्वात धक्कादायक दाव्यांपैकी एक प्रशिक्षण डेटाशी संबंधित आहे. संघाने असे म्हटले आहे की त्यांनी प्रीट्रेनिंग मिक्समध्ये एआय-व्युत्पन्न केलेल्या कोणत्याही प्रतिमा वापरल्या नाहीत. सिंथेटिक डेटा आणि डिस्टिलेशन हे मॉडेल क्षमता प्राप्त करण्यासाठी लोकप्रिय शॉर्टकट बनले असताना, Krea ला आढळले की AI-व्युत्पन्न केलेल्या प्रतिमांच्या अगदी थोड्या प्रमाणात मॉडेलच्या आउटपुट वितरणामध्ये पूर्वाग्रह निर्माण केला जातो.

तर्क सरळ आहे: सिंथेटिक प्रतिमा मॉडेलसाठी शिकणे सोपे असते, जे गुणवत्तेवर प्रभावीपणे कृत्रिम कमाल मर्यादा घालते. धोरणाची अंमलबजावणी करण्यासाठी, Krea ने ऑफ-द-शेल्फ फिल्टरवर अवलंबून न राहता, AI-व्युत्पन्न केलेल्या प्रतिमा त्याच्या डेटासेटमधून फिल्टर करण्यासाठी खासकरून इन-हाउस क्लासिफायर तयार केले.

कंपनीने डेटाच्या गुणवत्तेबाबतही विरोधाभासी दृष्टिकोन ठेवला आहे. वैध कलात्मक निवडींचे प्रतिनिधित्व करणाऱ्या मुद्दाम अस्पष्ट, दाणेदार किंवा अपारंपरिक प्रतिमा काढून टाकणाऱ्या उच्च सौंदर्यविषयक गुणांसाठी आक्रमकपणे फिल्टर करण्याऐवजी, Krea ने विविधता आणि व्यापक डोमेन कव्हरेजसाठी युक्तिवाद केला. परिणाम, तो म्हणतो, केवळ पारंपारिक सुंदर प्रतिमांवर प्रशिक्षित केलेल्या प्रणालींपेक्षा विस्तीर्ण अभिव्यक्त श्रेणी असलेले मॉडेल आहे.

आर्किटेक्चर आणि ट्रेनिंग पाइपलाइन

Krea 2 एका ट्रान्सफॉर्मर आर्किटेक्चरवर बांधले गेले आहे ज्याचे अंतिम डिझाइन अहवालात दस्तऐवजीकरण केलेल्या विस्तृत पृथक्करण अभ्यासाद्वारे निवडले गेले आहे. पर्यायांची चाचणी केल्यानंतर, संघाने गटबद्ध-क्वेरी अटेंशन (GQA) वर गेटेड सिग्मॉइड अटेन्शन, स्विग्लू एमएलपी आणि क्वेन 3 व्हीएल मजकूर एन्कोडरसह सेटल केले. पोझिशनल एन्कोडिंग 3D अक्षीय रोटरी एम्बेडिंग वापरते आणि ऑटोएनकोडर Qwen इमेज VAE आणि FLUX 2 AE एकत्र करते.

प्रशिक्षण बहु-टप्प्यांवरील अभ्यासक्रमाचे पालन केले. प्रीट्रेनिंग 256px, 512px आणि 1024px रिझोल्यूशनच्या टप्प्यांतून प्रगती करत आहे, उच्च रिझोल्यूशनवर उच्च-विश्वस्त जनरेशनला तीक्ष्ण करण्यापूर्वी मुख्य क्षमता कार्यक्षमतेने तयार करण्यासाठी कमी-रिझोल्यूशनच्या कामासाठी मोठ्या प्रमाणात गणना समर्पित करते. मध्यप्रशिक्षण अवस्थेने नंतर व्यापक पूर्वप्रशिक्षण वितरण आणि उच्च-गुणवत्तेचे पर्यवेक्षित फाइन-ट्यूनिंग वितरण सिमेंटिक क्लस्टरिंग आणि पुनर्प्राप्ती-आधारित धोरणांचा वापर करून दुर्मिळ आणि लांब-पुच्छ संकल्पनांचे कव्हरेज जतन केले.

जनरेशन एक्सप्लोरेटरी आणि चालण्यायोग्य बनवणे

Krea ने मॉडेल कसे प्रशिक्षित केले जातात आणि वापरकर्ते प्रत्यक्षात हेतू कसे व्यक्त करतात यामधील एक सतत अंतर ओळखले. प्रशिक्षणादरम्यान, मॉडेल समृद्ध, दाट मथळ्यांमधून शिकतात. अनुमानाच्या वेळी, वापरकर्ते अनेकदा लहान, अस्पष्ट प्रॉम्प्ट टाईप करतात किंवा एखाद्या दृश्याचे अचूक वर्णन करण्याऐवजी मूड किंवा संदर्भ प्रतिमेकडे जेश्चर करतात.

ते अंतर बंद करण्यासाठी, Krea 2 दोन प्रणालींसह जहाजे. पहिला प्रॉम्प्ट विस्तारक आहे, जो दोन-टप्प्यांद्वारे पर्यवेक्षित फाइन-ट्यूनिंग आणि रीइन्फोर्समेंट लर्निंग पाइपलाइनद्वारे ओपन-सोर्स लार्ज लँग्वेज मॉडेल्सच्या शीर्षस्थानी प्रशिक्षित आहे, जो वापरकर्त्याचा हेतू ओव्हरराइट न करता अधिक समृद्ध व्हिज्युअल दिशानिर्देशांमध्ये साध्या प्रॉम्प्ट्सचा नकाशा बनवतो. दुसरी एक शैली-संदर्भ प्रणाली आहे जी वापरकर्त्यांना किमान सामग्री लीकेजसह एक किंवा अधिक संदर्भ प्रतिमांची शैली किंवा मूड इंजेक्ट करू देते, शैली सामर्थ्य आणि भारित मिश्रणावर बारीक नियंत्रण ऑफर करते.

एकत्रितपणे, हे घटक शोध माध्यम म्हणून Krea 2 ची पुन्हा व्याख्या करतात. एकच उत्तर परत करण्याऐवजी, मॉडेलची रचना शक्यतांची जागा उघड करण्यासाठी आणि वापरकर्त्यांना मजकूर आणि प्रतिमा-आधारित नियंत्रण दोन्ही वापरून त्यातून पुढे जाण्याचे व्यावहारिक मार्ग देण्यासाठी डिझाइन केले आहे.

वास्तविक घटकांचे ज्ञान जतन करणे

कोणत्याही प्रतिमा जनरेटरसाठी एक सूक्ष्म परंतु महत्त्वाची क्षमता म्हणजे ज्ञात संस्था, लोक, ठिकाणे आणि वापरकर्त्यांना फक्त नावाने संदर्भित करू शकतील अशा वस्तूंचे विश्वासूपणे प्रतिनिधित्व करण्याची क्षमता. डेटा क्युरेशन दरम्यान मानक सॅम्पलिंग पद्धती चुकून दुर्मिळ किंवा महत्त्वाच्या संकल्पना सोडू शकतात याची क्रेला काळजी होती.

हे टाळण्यासाठी, टीमने इंग्रजी विकिपीडियावर पेजरँक चालवले, रँकनुसार शीर्ष 90 टक्के लेख राखून ठेवले, अर्थपूर्णपणे चित्रित करता येणार नाही अशा संकल्पना फिल्टर केल्या, आणि नंतर मथळ्यांच्या डेटासेटवर कव्हरेज सत्यापित केले, ज्या प्रतिमांना मथळे दुर्मिळ संकल्पनांचा संदर्भ देतात त्यांना प्राधान्य दिले. संघाने नंतर पुष्टी केली की प्रारंभिक डेटासेटमध्ये उपस्थित असलेल्या कोणत्याही संकल्पना अंतिम प्रशिक्षण नमुन्यातून पूर्णपणे वगळल्या गेल्या नाहीत.

इमेज AI साठी एक स्पर्धात्मक ओपन फ्रंटियर

Krea 2 चे आगमन गर्दीच्या ओपन-वेट इमेज जनरेशन लँडस्केपला अधिक तीव्र करते. कंपनीने त्याचे मॉडेल आर्टिफिशियल ॲनालिसिस टेक्स्ट-टू-इमेज लीडरबोर्डवर "टॉप 10 मध्ये" आणि "स्वतंत्र प्रयोगशाळेतील मॉडेल्समध्ये दुसरे स्थान" म्हणून ठेवले आहे, असा दावा केला आहे की, जर ती व्यापक समुदाय तपासणीत असेल, तर K2 सर्वात मजबूत उघडपणे उपलब्ध प्रतिमा जनरेटर बनवेल.

तांत्रिक अहवाल, जे जवळजवळ 12,000 शब्द चालवते आणि डेटा क्युरेशन तत्त्वांपासून ते वितरित प्रशिक्षण पायाभूत सुविधांपर्यंत सर्व गोष्टींचा तपशील देते, हे देखील एक धोरणात्मक उद्देश पूर्ण करते. स्पर्धात्मक मॉडेलमागील कार्यपद्धती प्रकाशित करून, Krea छाननी, पुनरुत्पादन आणि सुधारणा, खुल्या संशोधन समुदायातील विश्वासार्हतेचे चलन आमंत्रित करत आहे.

निर्माते आणि विकसकांसाठी, अपशॉट एक सक्षम, उघडपणे परवानाकृत प्रतिमा मॉडेल आहे जे एका सुरक्षित डीफॉल्टवर क्रिएटिव्ह श्रेणीला प्राधान्य देते. हगिंग फेसवर उपलब्ध वजन आणि GitHub वरील कोडसह, Krea 2 त्यांच्या स्वत:च्या अटींवर अत्याधुनिक प्रतिमा जनरेटर तयार करू इच्छिणाऱ्या, फाइन-ट्यून करू इच्छिणाऱ्या किंवा फक्त प्रयोग करू इच्छिणाऱ्या प्रत्येकासाठी अडथळा कमी करते.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →