Krea, een startup die creatieve AI-tools bouwt, heeft Krea 2 (K2) uitgebracht, een familie van tekst-naar-afbeelding basismodellen met open gewicht die volgens het bedrijf tot de top 10 van beeldgeneratoren op het scorebord van Artificial Analysis behoort en op de tweede plaats staat onder de modellen van onafhankelijke laboratoria. De release, gedetailleerd beschreven in een technisch rapport gepubliceerd op 23 juni 2026, wordt geleverd met twee modelcontrolepunten en een permissieve licentie die de gemeenschap uitnodigt om deze te verfijnen en erop voort te bouwen.
In tegenstelling tot veel recente beeldmodellen die optimaliseren voor een enkele gepolijste standaarduitvoer, ontwierp Krea Krea 2 rond het idee van creatieve verkenning, waardoor een brede visuele distributie werd blootgelegd waar gebruikers doorheen kunnen navigeren in plaats van een beperkte esthetiek te forceren. Voor meer context over dit verhaal, zie ons meer AI-verhalen.
Twee controlepunten voor verschillende behoeften
De Krea 2-release bevat twee verschillende controlepunten. De eerste, K2 Raw, is een ongedestilleerd basismodel bedoeld voor verfijning en onderzoek na de training, waardoor ontwikkelaars een schone basis krijgen om zich aan te passen. De tweede, K2 Turbo, is een op basis van richtlijnen en tijdstappen gedestilleerd model dat is ontworpen voor snelle generatie in slechts enkele stappen, het soort snelle iteratie dat creatieve workflows vereisen.
Het aanbieden van zowel een onderzoeksvriendelijke basis als een voor snelheid geoptimaliseerde variant weerspiegelt een pragmatische splitsing. Onderzoekers en knutselaars krijgen het ruwe model om mee te experimenteren, terwijl productiegebruikers een sneller controlepunt krijgen dat weinig concessies doet aan de kwaliteit ten behoeve van de snelheid.
Een weloverwogen standpunt tegen door AI gegenereerde trainingsgegevens
Een van de meest opvallende beweringen in het technische rapport van Krea betreft trainingsgegevens. Het team stelt dat het geen door AI gegenereerde afbeeldingen heeft gebruikt in zijn pre-trainingsmix. Hoewel synthetische data en destillatie populaire manieren zijn geworden om modelmogelijkheden te verwerven, ontdekte Krea dat zelfs een klein deel van de door AI gegenereerde beelden vooroordelen in de outputdistributie van het model introduceerden.
De redenering is eenvoudig: synthetische beelden zijn doorgaans gemakkelijker voor een model om te leren, wat feitelijk een kunstmatig plafond aan de kwaliteit oplegt. Om het beleid af te dwingen, heeft Krea interne classificaties gebouwd die specifiek door AI gegenereerde afbeeldingen uit de dataset filteren, in plaats van te vertrouwen op kant-en-klare filters.
Het bedrijf had ook een tegengestelde visie op de datakwaliteit. In plaats van agressief te filteren op hoge esthetische scores, waardoor opzettelijk wazige, korrelige of onconventionele beelden kunnen worden verwijderd die geldige artistieke keuzes vertegenwoordigen, pleitte Krea voor diversiteit en een brede domeindekking. Het resultaat, zo zegt het rapport, is een model met een breder expressief bereik dan systemen die alleen zijn getraind op conventioneel mooie beelden.
Architectuur- en trainingspijplijn
Krea 2 is gebouwd op een transformatorarchitectuur waarvan het uiteindelijke ontwerp is gekozen op basis van uitgebreide ablatiestudies die in het rapport zijn gedocumenteerd. Na het testen van alternatieven koos het team voor gegroepeerde query-aandacht (GQA) met gated sigmoid-aandacht, een SwiGLU MLP en Qwen 3 VL als tekstencoder. Positionele codering maakt gebruik van 3D axiale roterende inbedding, en de autoencoder combineert de Qwen Image VAE en FLUX 2 AE.
De training volgde een meerfasencurriculum. De voortraining verliep via de resolutiefasen van 256px, 512px en 1024px, waarbij het grootste deel van de rekenkracht werd besteed aan werk met lage resolutie om kernmogelijkheden efficiënt op te bouwen voordat de hifi-generatie bij hogere resoluties werd aangescherpt. Een mid-trainingsfase overbrugde vervolgens de brede pre-trainingsdistributie en de hoogwaardige gecontroleerde fine-tuning-distributie met behulp van semantische clustering en op retrieval gebaseerde strategieën om de dekking van zeldzame en long-tail-concepten te behouden.
Generatie verkennend en stuurbaar maken
Krea ontdekte een hardnekkige kloof tussen de manier waarop modellen worden getraind en de manier waarop gebruikers daadwerkelijk hun intentie uiten. Tijdens de training leren modellen van rijke, compacte bijschriften. Tijdens de conclusie typen gebruikers vaak korte, dubbelzinnige aanwijzingen of gebaren in de richting van een stemming of referentiebeeld in plaats van een scène nauwkeurig te beschrijven.
Om dat gat te dichten, wordt Krea 2 geleverd met twee systemen. De eerste is een prompt expander, getraind via een tweetraps begeleide leerpijplijn voor fijnafstemming en versterking bovenop open-source grote taalmodellen, die eenvoudige prompts in rijkere visuele richtingen in kaart brengt zonder de bedoeling van de gebruiker te overschrijven. De tweede is een stijlreferentiesysteem waarmee gebruikers de stijl of sfeer van een of meer referentiebeelden kunnen injecteren met minimale lekkage van de inhoud, waardoor een fijnmazige controle wordt geboden over de stijlsterkte en gewogen mixen.
Samen herdefiniëren deze componenten Krea 2 als verkennend medium. In plaats van één enkel antwoord terug te geven, is het model ontworpen om een ruimte vol mogelijkheden bloot te leggen en gebruikers praktische manieren te bieden om er doorheen te bewegen met behulp van zowel tekst- als op afbeeldingen gebaseerde besturing.
Kennis van echte entiteiten behouden
Een subtiele maar belangrijke mogelijkheid voor elke beeldgenerator is de mogelijkheid om bekende entiteiten, mensen, plaatsen en objecten getrouw weer te geven waarnaar gebruikers eenvoudigweg bij naam kunnen verwijzen. Krea was bang dat standaardbemonsteringsmethoden tijdens het databeheer per ongeluk zeldzame of belangrijke concepten zouden kunnen laten vallen.
Om dit te voorkomen heeft het team PageRank over de Engelse Wikipedia uitgevoerd, de bovenste 90 procent van de artikelen op rang behouden, concepten eruit gefilterd die niet betekenisvol kunnen worden weergegeven, en vervolgens de dekking in de ondertitelingsdataset geverifieerd, waarbij prioriteit werd gegeven aan afbeeldingen waarvan de bijschriften naar zeldzame concepten verwezen. Het team bevestigde achteraf dat geen enkele concept uit de initiële dataset volledig uit de uiteindelijke trainingssteekproef was verwijderd.
Een competitieve open grens voor beeld-AI
De komst van Krea 2 intensiveert een druk landschap met open gewichten voor het genereren van afbeeldingen. Het bedrijf positioneert zijn model als "tot de top 10" op het tekst-naar-beeld-leaderboard van kunstmatige analyse en "op de tweede plaats onder de modellen van onafhankelijke laboratoria", een bewering die, als het onder breder toezicht van de gemeenschap zou blijven staan, K2 tot een van de sterkste openlijk beschikbare beeldgeneratoren zou maken.
Het technische rapport, dat bijna 12.000 woorden beslaat en alles beschrijft, van datacuratieprincipes tot gedistribueerde trainingsinfrastructuur, dient ook een strategisch doel. Door de methodologie achter een concurrentiemodel te publiceren, nodigt Krea uit tot onderzoek, reproductie en verbetering, de valuta van geloofwaardigheid in de open onderzoeksgemeenschap.
Voor makers en ontwikkelaars is het resultaat een capabel, openlijk gelicentieerd beeldmodel dat voorrang geeft aan het creatieve bereik boven één enkele veilige standaard. Met de gewichten die beschikbaar zijn op Hugging Face en de code op GitHub verlaagt Krea 2 de barrière voor iedereen die op eigen voorwaarden een ultramoderne beeldgenerator wil bouwen, verfijnen of er gewoon mee wil experimenteren.
---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
