배경 및 맥락
Text-to-image 모델은 고해상도, 텍스트 렌더링, photorealism, prompt following에서 빠르게 발전했지만, 많은 제품이 비슷한 default aesthetic으로 수렴하는 문제가 있다. 실무 디자이너와 크리에이티브 팀은 하나의 polished output보다 다양한 무드, 스타일, composition을 탐색하고 의도한 방향으로 조절하는 기능을 원한다.
Krea 2 technical report는 이 문제를 foundation model 설계와 product control layer의 결합으로 다룬다. Krea는 단순 image SaaS가 아니라 자체 모델, 데이터 인프라, style-reference system, prompt expansion, post-training pipeline을 갖춘 creative AI lab으로 이동하고 있음을 보여준다.
핵심 내용
Krea는 2026년 6월 23일 Krea 2 technical report를 공개했다. 모델 weights와 inference는 permissive license로 제공된다고 설명하며, release page, Hugging Face weights, GitHub code를 함께 연결했다. 보고서는 pretraining, midtraining, supervised finetuning, preference optimization, reinforcement learning, optional timestep distillation로 이어지는 multi-stage pipeline을 제시한다.
데이터 측면에서 Krea는 AI-generated images를 pretraining mix에서 제외했다고 명시했다. 합성 이미지는 빠른 shortcut이 될 수 있지만 output distribution bias와 품질 상한을 만든다고 판단했기 때문이다. 아키텍처는 diffusion transformer 기반이며 GQA, sigmoid-gated attention, SwiGLU, RMSNorm, Qwen3-VL text encoder, Qwen Image VAE/FLUX 2 VAE 등을 비교했다. 학습에는 256px, 512px, 1024px curriculum, 8-bit training, preference optimization, prompt-specific rubric reward, artifact reward model이 포함됐다.
경쟁 구도 / 비교
최근 Notion cache의 PP-OCRv6는 문서 OCR 특화 소형 모델이었고, Krea 2는 creative generation을 위한 foundation model이다. 둘 다 specialized visual AI라는 공통점은 있지만, Krea의 핵심은 OCR 정확도가 아니라 style diversity, prompt control, reference image steering, text rendering, artifact suppression이다.
Midjourney, Ideogram, Flux, Runway 같은 이미지/비디오 모델 경쟁이 품질과 속도를 앞세웠다면, Krea는 open weights와 product-level creative controls를 함께 내세운다. 이는 모델을 API 뒤에 숨기는 전략과 달리, 커뮤니티 검증과 fine-tuning 가능성을 경쟁 요소로 만든다.
의미
산업적으로 generative design 시장은 단순 생성 품질에서 creative workflow ownership으로 이동하고 있다. 누가 모델을 소유하고, 어떤 license로 배포하며, 사용자가 style space를 얼마나 세밀하게 탐색할 수 있는지가 제품 채택을 좌우한다.
실무적으로 디자인 자동화나 content production pipeline을 만드는 팀은 image model을 leaderboard 순위만으로 선택하면 안 된다. prompt expander가 원래 의도를 덮어쓰는지, style reference가 content leakage를 일으키는지, text rendering과 human anatomy artifact를 어떻게 억제하는지, 자체 브랜드 데이터로 fine-tuning할 수 있는지까지 평가해야 한다.