Krea 2؛ خانواده مدل تصویرساز متنباز برای کاوش خلاقانه
هوش مصنوعیClaude Opus 4.8خلاصهٔ کاملتر
شرکت Krea گزارش فنی مدل جدیدش Krea 2 رو منتشر کرده؛ یک خانواده مدل بنیادی تولید تصویره که وزنها و کد اینفرنسش رو با یک لایسنس بازِ نسبتاً آزاد روی Hugging Face و GitHub گذاشته. حرف اصلی تیم اینه که تولید تصویر باید یک رسانهٔ کاوشگر باشه: هم اونقدر گویا که کلی سبک و حالوهوا رو پوشش بده، هم اونقدر قابلکنترل که خالق بتونه توشون بچرخه.
به گفتهٔ نویسندهها، مدلهای تصویرساز تو این چند سال خیلی پیشرفت کردن، ولی چون همه سراغ قابلیتاطمینان و کیفیت رفتن، آخرش به یک مجموعهٔ باریک از زیباییشناسیهای پیشفرض همگرا شدن. این برای ابزار پروداکشن خوبه، ولی برای کسی که میخواد بین سبکها، حالوهواها و ترکیببندیهای مختلف بگرده، محدودکنندهست.
بخش جالب گزارش، اصول انتخاب دادهست. تیم میگه یک دیتاست خوب فقط از تصاویر «باکیفیت» تشکیل نمیشه؛ تنوع و پوشش دامنهها مهمتره، چون مثلاً یک تصویر تار میتونه انتخاب هنری باشه نه خطا. نکتهٔ مهمتر اینه که هیچ تصویر تولیدشده با هوش مصنوعی توی دادهٔ پیشآموزش نذاشتن، چون حتی مقدار کمش سوگیری وارد میکنه و یک سقف روی کیفیت مدل میذاره.
برای پر کردن فاصلهٔ بین چیزی که مدل یاد گرفته و روشی که کاربر خواستهش رو بیان میکنه، دو تا سیستم ساختن. «پرامپتگستر» پرامپتهای ساده و مبهم رو به توصیفهای تصویری غنیتر تبدیل میکنه بدون اینکه نیت کاربر رو خراب کنه. «سیستم ارجاع سبک» هم اجازه میده سبک یا حالوهوای یک یا چند تصویر مرجع رو با کمترین نشت محتوا به خروجی تزریق کنی و شدت سبک رو دقیق تنظیم کنی.
معماری مدل یک ترنسفورمر دیفیوژن (DiT) ساده ولی کارآمده که با کلی آزمایش به دست اومده. تیم میگه خیلی از تصمیمهای معماری رو از دنیای مدلهای زبانی وام گرفتن تا از کرنلها و بهینهسازیهای موجود استفاده کنن؛ مثلاً GQA، توجه سیگموییدی گِیتشده، نرمالسازی RMSNorm و انکودر متن Qwen 3 VL. آموزش هم چندمرحلهایه: پیشآموزش، میانآموزش، فاینتیون نظارتشده، بهینهسازی ترجیح و یادگیری تقویتی.
تو مرحلهٔ پیشآموزش، رزولوشن رو پلهپله از ۲۵۶ به ۵۱۲ و بعد ۱۰۲۴ پیکسل بالا میبرن تا بیشتر توان محاسباتی رو اول خرج یادگیری مفاهیم پایه کنن. تو مراحل پایینتر هم از آموزش ۸ بیتی استفاده کردن که حدود ۱۵ تا ۲۰ درصد سرعت رو بالا برده. طبق گزارش، Krea 2 بین ۱۰ مدل برتر جدول Artificial Analysis برای متنبهتصویره و بین آزمایشگاههای مستقل رتبهٔ دوم رو داره.
نکات کلیدی:
- Krea 2 یک خانواده مدل بنیادی تولید تصویره که وزنهاش متنباز منتشر شده
- تمرکزش روی تنوع سبک و کنترل کاربره، نه یک خروجی پیشفرض صیقلی
- هیچ تصویر تولیدشده با هوش مصنوعی تو دادهٔ پیشآموزش استفاده نشده تا سوگیری وارد نشه
- پرامپتگستر و سیستم ارجاع سبک، هدایت مدل با متن و تصویر رو راحت میکنن
- بین ۱۰ مدل برتر جدول Artificial Analysis برای متنبهتصویر و رتبهٔ دوم بین آزمایشگاههای مستقله
