🚨 تولید عکس با هوش مصنوعی در ۲ ثانیه: انقلاب مدل Krea 2 با وزن‌های باز

وقتی سرعت، کیفیت و آزادی خلاقانه در یک مدل جمع می‌شوند

در روز ۲۳ ژوئن ۲۰۲۶، استارتاپ سانفرانسیسکویی Krea AI اعلام کرد که دو نسخه از مدل تصویرسازی هوش مصنوعی نسل جدید خود، تحت عنوان Krea 2 Raw و Krea 2 Turbo، را با وزن‌های باز (Open Weights) منتشر کرده است. این اعلامیه در میان موج جدیدی از مدل‌های تصویری که وعده تولید سریع‌تر، دقیق‌تر و قابل شخصی‌سازی‌تر را می‌دهند، اتفاق افتاد، اما آنچه Krea 2 را از رقبا متمایز می‌کند، ترکیبی منحصربه‌فرد از سرعت فوق‌العاده (۲ ثانیه برای تصاویر کامل)، منعطف‌بودن معماری برای Fine-tuning و لایسنس تجاری با شرایط خاص است.

در حالی که ابزارهای تصویرسازی AI مانند Midjourney، DALL-E و Stable Diffusion در سال‌های اخیر به بخش جدایی‌ناپذیر گردش کار دیجیتال مارکترها، طراحان گرافیک و هنرمندان تبدیل شده‌اند، انتقادی که به طور مداوم به این ابزارها وارد می‌شود این است که خروجی‌های آن‌ها «یکنواخت»، «غیراصیل» و «کلیشه‌ای» هستند. این پدیده به اصطلاح "AI Slop" نامیده می‌شود، یعنی تصاویری که به راحتی قابل تشخیص‌اند و هویت برند را به خطر می‌اندازند.

Krea ادعا می‌کند که معماری ۱۲ میلیارد پارامتری Krea 2، که کاملاً از صفر آموزش دیده و با تمرکز بر «تنوع زیباشناختی» طراحی شده، این مشکل را حل می‌کند. طبق گزارش فنی رسمی منتشرشده توسط تیم Krea، این مدل به جای اینکه از یک چک‌پوینت نهایی واحد استفاده کند، دو نسخه متفاوت را عرضه می‌کند: یکی برای آموزش و شخصی‌سازی (Raw) و دیگری برای تولید سریع در محیط‌های تولید واقعی (Turbo).

معماری فنی: Diffusion Transformer با ۱۲ میلیارد پارامتر

در قلب Krea 2، یک معماری Diffusion Transformer قرار دارد که به طور خاص برای این پروژه از صفر طراحی شده است. برخلاف بسیاری از مدل‌های تصویری که از معماری‌های Multi-Stream استفاده می‌کنند (جایی که توکن‌های متنی و تصویری در مسیرهای جداگانه پردازش می‌شوند)، Krea 2 از یک معماری Single-Stream بهره می‌برد که در آن لایه‌های Attention و MLP به طور مشترک بین توکن‌های متن و تصویر استفاده می‌شوند.

این طراحی باعث کاهش پیچیدگی محاسباتی و افزایش سرعت Inference می‌شود. برای بهینه‌سازی بیشتر، تیم Krea از لایه MLP نوع SwiGLU با ضریب گسترش ۴x استفاده کرده است و همچنین از Grouped-Query Attention (GQA) به همراه لایه‌های Gated Sigmoid Attention برای تثبیت دینامیک‌های آموزش استفاده کرده است.

یکی از نوآوری‌های جالب در Krea 2، جایگزینی ماژول‌های MLP سنتی برای Timestep Conditioning با یک عبارت Bias قابل تنظیم است که در هر بلوک به صورت مستقل اعمال می‌شود. این تغییر به تنها ۲۰٪ تا ۳۰٪ کاهش پارامترهای Modulation منجر شده و بودجه پارامتری آزادشده را به لایه‌های اصلی اختصاص داده است.

برای مدیریت اطلاعات مکانی، Krea از یک سیستم Positional Encoding سه‌بعدی به نام Axial RoPE (Rotary Position Embedding) استفاده می‌کند که موقعیت هر توکن را در سه محور (ارتفاع، عرض و فریم) رمزگذاری می‌کند. این ویژگی به ویژه برای تولید ویدیو و تصاویر چندفریمی مهم است.

دو مدل، دو هدف: Raw برای آموزش، Turbo برای تولید

آنچه استراتژی انتشار Krea 2 را منحصربه‌فرد می‌کند، عرضه دو چک‌پوینت کاملاً متفاوت است که هرکدام برای Use Case خاصی طراحی شده‌اند.

Krea 2 Raw: بوم سفید برای خلاقیت

Krea 2 Raw یک چک‌پوینت «نیمه‌آموزش‌دیده» است که مستقیماً از میانه دوره آموزش Krea 2 Medium گرفته شده است. این مدل هیچ‌گونه Post-Training Alignment، RLHF (Reinforcement Learning from Human Feedback) یا Aesthetic Distillation ندیده است، به این معنا که فضای نهفته (Latent Space) آن به طور کامل بی‌طرف و غیرمحدود است.

در نتیجه، Krea 2 Raw برای استفاده مستقیم Out-of-the-Box مناسب نیست، چون پرامپت‌های ساده ممکن است خروجی‌های غیرقابل‌پیش‌بینی یا ضعیف تولید کنند. اما این همان چیزی است که آن را برای Fine-tuning و آموزش LoRA (Low-Rank Adaptation) ایده‌آل می‌کند. توسعه‌دهندگان می‌توانند این مدل را روی دیتاست‌های سفارشی آموزش دهند و سبک‌های بصری منحصربه‌فرد خود را به آن تزریق کنند، بدون اینکه با محدودیت‌های از پیش تعریف‌شده‌ای مواجه شوند.

برای اجرای Krea 2 Raw از طریق کتابخانه Diffusers در Hugging Face، شما به منابع محاسباتی قابل‌توجهی نیاز دارید: اجرا با دقت torch.bfloat16 روی ۵۲ مرحله Inference با مقیاس Guidance برابر ۳.۵ انجام می‌شود. این پیکربندی برای دقت بالا طراحی شده و به سخت‌افزار قدرتمند نیاز دارد.

Krea 2 Turbo: موتور سرعت برای تولید انبوه

Krea 2 Turbo دقیقاً نقطه مقابل Raw است. این مدل یک نسخه Distilled و Post-Trained از Krea 2 Medium است که از طریق Knowledge Distillation، فرآیند تولید پیچیده چندمرحله‌ای را به یک پروفایل عملیاتی فوق‌العاده بهینه فشرده کرده است.

Turbo تنها با ۸ مرحله Inference و Guidance Scale صفر، قادر است تصاویر با رزولوشن ۲K را در حدود ۲ ثانیه روی سخت‌افزار مصرفی استاندارد (مثلاً کارت‌های گرافیک ۱۶GB یا ۲۴GB) تولید کند. این سرعت آن را به یکی از سریع‌ترین مدل‌های تصویری موجود (چه Open-Source و چه Proprietary) تبدیل می‌کند.

بنچمارک سرعت: Krea 2 Turbo در مقایسه با رقبا

برای درک بهتر جایگاه Krea 2 Turbo در بازار، تیم Krea جدول مقایسه‌ای جامعی منتشر کرده که سرعت تولید و شرایط لایسنس مدل‌های مختلف را نمایش می‌دهد. این بنچمارک‌ها بر اساس داده‌های عمومی از پلتفرم‌های Artificial Analysis، Replicate، Fal.ai و سایر ارائه‌دهندگان API جمع‌آوری شده‌اند.

همانطور که در جدول مشاهده می‌شود، تنها FLUX.1 [schnell] و Z-Image Turbo سریع‌تر از Krea 2 Turbo هستند، اما FLUX.1 از نظر کیفیت و تنوع بصری با Krea 2 قابل مقایسه نیست، و Z-Image Turbo یک مدل کاملاً اختصاصی است که فقط از طریق API پولی در دسترس است.

نکته قابل‌توجه این است که GPT-Image-2 از OpenAI با زمان تولید ۲۰۰.۸ ثانیه (بیش از ۳ دقیقه!) در انتهای جدول قرار دارد. این احتمالاً به دلیل استفاده از یک فرآیند Chain-of-Thought چندمرحله‌ای قبل از تولید نهایی پیکسل‌ها است که باعث تاخیر شدید می‌شود.

استراتژی داده و آموزش: صفر داده مصنوعی

یکی از ادعاهای جسورانه Krea این است که در دیتاست اصلی Pretraining خود هیچ داده مصنوعی (AI-Generated) استفاده نکرده است. این سیاست به عنوان «Zero Synthetic Data Policy» نام‌گذاری شده و به این دلیل اهمیت دارد که بسیاری از مدل‌های جدید تصویری برای افزایش حجم دیتاست، از خروجی‌های مدل‌های دیگر استفاده می‌کنند.

مشکل استفاده از داده مصنوعی این است که باعث ایجاد بایاس‌های سیستماتیک و کاهش تنوع بصری می‌شود. مدلی که روی تصاویر تولیدشده توسط مدل دیگری آموزش دیده، تمایل دارد همان سبک را تکرار کند و نمی‌تواند سبک‌های جدید یا غیرمتعارف را یاد بگیرد.

برای جلوگیری از این مشکل، تیم Krea کلاسیفایرهای سفارشی مبتنی بر DINOv3 و SigLIP-2 ساخته که به طور خودکار تصاویر مصنوعی را از دیتاست حذف می‌کنند. علاوه بر این، به جای استفاده از فیلترهای زیبایی‌شناختی مبتنی بر مدل (که اغلب تصاویر با Motion Blur یا سبک‌های هنری خاص را حذف می‌کنند)، Krea از یک Sparse Autoencoder (SAE) آموزش‌دیده روی SigLIP-2 Embeddings استفاده کرده که فقط عیوب واقعی بصری (مثل نویز، آرتیفکت فشرده‌سازی) را شناسایی و حذف می‌کند.

گردش کار توصیه‌شده: آموزش روی Raw، تولید با Turbo

Krea یک پارادایم عملیاتی مشخص برای استودیوهای حرفه‌ای و سازندگان مستقل ارائه می‌دهد که به آن «Train on Raw, Generate with Turbo» می‌گویند. این روش از ویژگی‌های معماری منحصربه‌فرد هر دو فایل وزن بهره می‌برد تا هم دقت آموزش و هم سرعت رندرینگ را بهینه کند.

در گردش کارهای تولید خلاقانه، مهندسان می‌توانند از Krea 2 Raw برای آموزش LoRAهای سفارشی یا Fine-Tune‌های دامنه‌خاص استفاده کنند. از آنجا که چک‌پوینت Raw هیچ نظر سبکی از پیش تعریف‌شده یا محدودیت‌های پس از آموزش ندارد، می‌تواند جهت‌های زیباشناختی منحصربه‌فرد (مثل سبک‌های معماری طراحی، دارایی‌های برند خاص یا طراحی‌های نورپردازی پیچیده) را با وفاداری بالا و بدون تداخل سبکی جذب کند.

پس از اتمام مرحله آموزش، سازندگان می‌توانند دقیقاً همان LoRAها را مستقیماً به Krea 2 Turbo منتقل کنند. این روش در اکوسیستم توسعه خود Krea نیز منعکس شده که مجموعه‌ای داخلی از LoRAهای سفارشی را میزبانی می‌کند که کاملاً روی مدل پایه Raw آموزش داده شده اما برای اجرا در گردش کارهای Turbo بهینه شده‌اند.

در لایه کاربری، Krea این تنظیم موتور دوگانه را با یک سیستم قدرتمند Style Transfer ادغام کرده است. به جای اینکه کاربران برای دستیابی به ظاهر هنری خاص به توضیحات متنی نامطمئن تکیه کنند، می‌توانند چندین تصویر مرجع سبک را مستقیماً به سیستم تزریق کنند. Krea 2 این مراجع را در فضای نهفته خود نگاشت می‌کند و به سازندگان اجازه می‌دهد اجزای زیباشناختی فردی را جدا کنند، مودبوردهای متمایز را ترکیب کنند، قدرت سبک را از طریق اسلایدرهای مولد تنظیم کنند و سطح تنوع دسته‌ای را برای حفظ انسجام بصری در تکرارهای طراحی در مقیاس بزرگ تنظیم کنند.

سیستم LLM Prompt Expander: از متن کوتاه به پرامپت حرفه‌ای

برای پر کردن شکاف بین کپشن‌های آموزشی خام و ورودی‌های مختصر کاربران، Krea این مجموعه را با یک LLM Prompt Expander پیشرفته جفت کرده است. این سیستم با استفاده از Generalized Deep Q-Network Preference Optimization (GDPO) تنظیم شده و روی Synthetic Thinking Traces آموزش دیده تا بازسازی قصد را حفظ کند.

Expander یک Bias مدیوم عکاسی (Photographic Medium Bias) به درخواست‌های فتورئالیستی اعمال می‌کند و یک امتیاز تنوع Embedding مبتنی بر DINOv3 فعال را در سراسر گروه‌های Rollout ادغام می‌کند تا از سقوط روتین‌های پرامپت خودکار در یک سبک واحد خانگی جلوگیری کند.

لایسنس سفارشی: آزاد اما مشروط

دارایی‌های وزن باز تحت Krea 2 Community License Agreement به همراه یک Acceptable Use Policy رسمی منتشر شده‌اند. در سطح کلان، این چارچوب حقوقی روندهای اخیر صنعت را به سمت مجوزهای استفاده تجاری که کسب‌وکارهای کوچک را هدف قرار می‌دهند در حالی که بهره‌برداری سازمانی بزرگ را محدود می‌کنند، منعکس می‌کند.

لایسنس صریحاً به افراد، سازندگان مستقل و شرکت‌های تجاری کوچک اجازه می‌دهد تا برنامه‌های کاربردی بسازند، تصاویر تولیدشده را درآمدزایی کنند و وزن‌های باز را مستقیماً در محصولات نرم‌افزاری تجاری بدون تعهدات حق امتیاز ادغام کنند. علاوه بر این، Krea اعلام می‌کند که «ادعای حق نسخه‌برداری یا سایر حقوق مالکیت معنوی بر محتوای تولیدشده توسط کاربران این مدل را ندارد» و مالکیت خروجی را کاملاً در اختیار اپراتور قرار می‌دهد.

برای سازمان‌هایی که فراتر از این خط پایه مقیاس می‌شوند، اکوسیستم به یک ساختار سفارشی سطح پولی تغییر می‌کند. در حالی که مستندات رسمی Krea فاقد یک آستانه درآمد سخت‌گیرانه تعریف یک «سازمان بزرگ» است، شرکت به طور ساختاری مرز را بر اساس ردپای سازمانی تعیین می‌کند: استفاده تجاری استاندارد در یک سطح «Business» محدود به حداکثر ۵۰ صندلی است.

بنابراین، هر نهادی که به بیش از ۵۰ صندلی، ادغام Single Sign-On (SSO)، توافقنامه‌های سطح خدمات تضمین‌شده (SLAها) یا قراردادهای سفارشی پردازش داده (DPAها) نیاز دارد، به عنوان یک Enterprise واجد شرایط است. این نهادهای بزرگ‌تر خارج از محدوده لایسنس رایگان Community قرار می‌گیرند و باید برای یک لایسنس تجاری سفارشی—که تحت «شرایط سفارشی خدمات» عمل می‌کند—که مستقیماً با تیم فروش Krea مذاکره می‌شود، پرداخت کنند.

علاوه بر این، دسترسی توسعه‌دهنده به API رسمی Krea کاملاً جدا از انتشار وزن‌های باز است؛ استفاده از API به عنوان یک سرویس مجزا و پولی عمل می‌کند که به صورت پویا بر اساس هر تولید (اندازه‌گیری شده در میکرودلار) صورت‌حسابی می‌شود و به یک موجودی پیش‌پرداخت USD مستقل از اشتراک‌های محاسباتی ماهانه استاندارد نیاز دارد.

الزامات ایمنی: مسئولیت بر عهده میزبان

با این حال، یک بررسی دقیق یک تغییر ساختاری قابل‌توجه در مورد انطباق قانونی و رفتاری برای همه استقرارهای خود میزبان را آشکار می‌کند. برخلاف مجوزهای اپن‌سورس سنتی مانند MIT یا Apache 2.0—که حقوق استفاده بی‌قید و شرط اعطا می‌کنند و کاملاً از مسئولیت چشم‌پوشی می‌کنند—Krea 2 Community License محافظت‌های رفتاری پایین‌دستی سختگیرانه را اجرا می‌کند.

از آنجا که Krea کنترل متمرکز بر استقرار پایین‌دستی وزن‌های باز خود را رها می‌کند، قرارداد از نظر قانونی مستقرکنندگان را ملزم به اجرای پروتکل‌های تعدیل محتوا در لایه زیرساخت می‌کند. طبق شرایط توافقنامه، هر توسعه‌دهنده یا پلتفرمی که مدل‌های Krea 2 را میزبانی می‌کند باید کلاسیفایرهای ورودی/خروجی فعال یا مکانیسم‌های فیلترینگ محتوای معادل را اجرا کند تا به طور فعال از تولید مواد غیرقانونی، تصاویر صمیمی غیرتوافقی (NCII)، مواد سوءاستفاده جنسی از کودکان (CSAM) یا دارایی‌های افترازننده جلوگیری کند.

توسعه‌دهندگانی که در اجرای این لایه‌های دفاعی ایمنی شکست بخورند، بلافاصله در نقض قرارداد قرار می‌گیرند و به Krea حق صریح می‌دهد تا وزن‌های مدل را به‌روزرسانی کند یا دسترسی به خانواده مدل را کاملاً لغو کند.

پیشینه Krea: از Aggregator تا سازنده مدل

Krea که در سال ۲۰۲۲ توسط Víctor Perez و Diego Rodriguez Prado، دو دانشجوی دانشکده مهندسی سیستم‌های بصری که تحصیل را رها کردند، تأسیس شد، در ابتدا به عنوان یک لایه رابط کاربری بسیار روان ساخته شده برای هماهنگی موتورهای مختلف AI جذب بازار را به دست آورد. مقیاس‌گذاری سریع استارتاپ از طریق پذیرش محصول‌محور به ۸۳ میلیون دلار تأمین مالی سرمایه خطرپذیر افشاشده از سرمایه‌گذاران بزرگ از جمله Andreessen Horowitz و Bain Capital Ventures و همچنین حامیان نهادی مراحل اولیه از جمله Pebblebed، Abstract Ventures و Gradient Ventures منجر شد.

پایگاه کاربری شرکت از ۳۰ میلیون نفر در ۱۹۱ کشور در ژوئن ۲۰۲۶ فراتر رفت، طبق وب‌سایت آن. راه‌اندازی وزن‌های باز خانواده مدل Krea 2 نشان‌دهنده اوج تکامل عمدی Krea از یک Aggregator SaaS چندمدلی به یک آزمایشگاه تحقیقاتی رسانه‌ای خودکفا است.

در اوایل چرخه عمر خود، Krea بر ساخت ابزارهای گردش کار، سیستم‌های ویرایش و یک خط لوله اتوماسیون مبتنی بر Node متمرکز شد که به هنرمندان دیجیتال اجازه می‌داد مدل‌هایی از رقبا مانند Runway، Midjourney و Adobe را تحت یک اشتراک واحد متحد کنند. با این حال، برای عایق‌بندی خود در برابر وابستگی‌های پلتفرم بالادستی و فشارهای حاشیه تأمین‌کننده، شرکت به طور تهاجمی به سمت توسعه معماری‌های اختصاصی سوق پیدا کرد.

این انتقال در ژوئیه ۲۰۲۵ با انتشار وزن‌های باز چک‌پوینت FLUX.1 Krea سفارشی‌سازی‌شده، به شکل‌گیری عمومی شروع کرد، و در اکتبر ۲۰۲۵ با Krea Realtime 14B—یک مدل ویدیوی خودرگرسیو تقطیرشده از Wan 2.1 قادر به رندر ۱۱ فریم در ثانیه روی سخت‌افزار سازمانی محلی—دنبال شد.

ورود به بازار Enterprise: همکاری با Superside و Henning Larsen

این بلوغ فنی زیرین با فشار شتاب‌گیرنده Krea به سمت گردش کارهای سازمانی پیشرفته موازی است. عملیات تولید خلاقانه در مقیاس بزرگ به سمت برخورد با Krea به عنوان زیرساخت خلاقانه اصلی تغییر کرده‌اند؛ به عنوان مثال، پلتفرم خدمات خلاقانه دیجیتال Superside گزارش داد که گردش کارها را از تنظیمات اپن‌سورس پراکنده به مسیریابی تقریباً ۸۰ درصد از کل تولید مولد AI خود از طریق Krea منتقل کرده است.

علاوه بر این، Krea یک مشارکت توسعه مشترک استراتژیک با شرکت معماری مستقر در کپنهاگ Henning Larsen برای ساخت ابزارهای طراحی بسیار محدود و خاص دامنه که برای برآورده کردن چارچوب‌های انطباق مورد نیاز قانون AI اتحادیه اروپا تنظیم شده‌اند، برقرار کرد.

با انتشار Krea 2 Raw و Turbo به عنوان وزن‌های باز، Krea در حال ادامه گسترش خود از یک ارائه‌دهنده ابزار AI به یک ارائه‌دهنده مدل در حق خود است.

واکنش جامعه: هیجان اما با نگرانی‌هایی درباره لایسنس

سازندگان به شدت بر آزادی ساختاری ارائه‌شده توسط چک‌پوینت تراز‌نشده Raw تمرکز می‌کنند و آن را به عنوان یک جایگزین مهم برای APIهای قفل‌شده ارائه‌شده توسط مدل‌های closed-source می‌بینند. از طریق اعلامیه رسمی در X (توییتر سابق)، Krea بر تغییر بنیادی که این راه‌اندازی برای گردش کارهای AI باز نشان می‌دهد، تأکید کرد.

توسعه‌دهندگان اشاره می‌کنند که با برخورد با AI به عنوان یک «رسانه خلاقانه واقعی» که احساس «خام، منعطف، بی‌نظر و بی‌قید» می‌کند، Krea عمداً زیرساختی را ارائه می‌دهد که سازندگان می‌توانند «اگر بخواهند آن را بشکنند»، و بسیار دور از محافظت‌های ایمنی سختگیرانه‌ای که اغلب محدوده بصری ابزارهای رقیب سازمانی را محدود می‌کنند، حرکت می‌کند.

با این حال، برخی از اعضای جامعه اپن‌سورس نسبت به الزامات لایسنس نگران هستند. در Reddit و Hugging Face Discussions، کاربران بحث می‌کنند که آیا شرط اجرای فیلترهای ایمنی «واقعاً اپن‌سورس» است یا خیر. برخی استدلال می‌کنند که این شرایط با فلسفه آزادی کامل نرم‌افزار در تضاد است.

آینده: رقابت با غول‌ها یا همکاری؟

با آغاز جمع‌آوری سازندگان مدل مستقل مخازن Hugging Face، ارزش عملی انتشار توسط چگونگی اثربخشی جامعه اپن‌سورس در مقیاس‌بندی LoRAهای سفارشی با استفاده از Krea 2 Raw تعیین می‌شود. با ارائه شرایط تجاری واضح و کاهش موانع ورود سخت‌افزار از طریق خط لوله Inference ۸ مرحله‌ای Turbo، Krea یک جایگزین بسیار رقابتی برای بازار وزن‌های باز معرفی کرده که مدل‌های غالب را با اولویت دادن به کنترل هنری بر تراز سازمانی متمرکز به چالش می‌کشد.

سوال اصلی این است: آیا Krea 2 می‌تواند افکت شبکه‌ای ایجاد کند که Stable Diffusion در سال‌های ۲۰۲۲-۲۰۲۳ ایجاد کرد؟ آیا سازندگان به اندازه کافی LoRA و Fine-tune تولید خواهند کرد تا یک اکوسیستم پایدار بسازند؟

در حال حاضر، پاسخ مشخص نیست. اما یک چیز روشن است: Krea دیگر فقط یک ابزار نیست، بلکه یک بازیگر جدی در عرصه توسعه مدل‌های بنیادی تصویری شده است.