【ComfyUI】爆速なのに高画質なKrea 2で画像生成してみた

Krea社の画像生成AI「Krea 2」がオープンウェイトで公開されてComfyUIでも生成可能になったので画像生成してみました。

Krea 2 について

Krea 2は、画像生成モデルの最近の課題である “出力がどれも似たような綺麗さに収束する問題” に対して、美的多様性・スタイル探索・ユーザー制御性 を重視して設計されたモデルです。最近の画像生成モデルは安定してきた一方で、デフォルトの絵柄が狭くなりがちだ、という問題意識が出発点です。

AI生成画像を少しでも混ぜると、モデルがその偏りを学びやすくなり、出力分布に上限のようなものができてしまうと説明しています。そのため、AI生成画像を除外するための社内分類器も作ったとしています。

AI生成画像を事前学習データに入れない
短いプロンプトを内部で豊かな画像指示に展開する Prompt Expander
参照画像の“内容”ではなく“スタイル”だけを反映する Style Reference

2種類のモデルが公開

どちらのモデルもパラメーター数は120億です。

Krea 2 Raw(学習用)：LoRAなどのファインチューニングのベースとして適した、加工前（未蒸留）の基本チェックポイントです。
Krea 2 Turbo(生成用)：8ステップの推論ステップでネイティブ高品質な2K解像度の画像を生成できるよう最適化（蒸留）された高速モデル。 ComfyUIなどの外部ツールへの組み込み可能。

CFGスケール

推論時のガイダンススケール（CFG）は 1.0、」またはそれ以下に固定して使用することが推奨されています。わずか8ステップ、かつCFG=1.0で高品質な画像が出せるのは、このモデルの基礎理論に「Flow Matching（フロー・マッチング）」という最新の生成アルゴリズムが組み込まれているためです。

ラインセンス

「Krea 2 Community License Agreement」

直近12ヶ月の関連会社を含めた企業全体の年間総収益が100万米ドル（$1,000,000 USD）未満である場合に限り、本規約に基づく無料での商用利用が認められます。

ユーザーコミュニティでの反響と検証

リリース直後、画像生成コミュニティでは推論時のプロンプト追従性やセーフティフィルター（検閲）の度合いについて様々な議論が行われました。「プロンプトが無視されやすい」という初期評価の一方で、これはRawモデルがCFG（Classifier-Free Guidance）や特定の設定に敏感なベースモデル（未蒸留）であるためであり、適切な設定やLoRAの適用、またはTurboモデル側の使用によって解決することが確認されています。

対応エコシステムの広がり

リポジトリ内でも言及されている通り、すでに Ostris AI toolkit、Kohya (musubi tuner)、Diffusers といった主要な学習ツールでのサポートが明記されています。また、ComfyUIコミュニティ（Comfy-Org）によって公式にパッケージ化されたモデルファイルも迅速に用意され、ローカル環境でのLoRA学習環境が整備されつつあります。

モデルの配置

ComfyUI公式テンプレートから下記をダウロードして適切な場所に配置しします。

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   └── krea2_turbo_fp8_scaled.safetensors 12.83GB
│   ├── 📂 text_encoders/
│   │   └── qwen3vl_4b_fp8_scaled.safetensors 5.12GB
│   ├── 📂 vae/
│   │   └── qwen_image_vae.safetensors 242MB
│   └── 📂 loras/
│       └── krea2_darkbrush.safetensors 458MB

ComfyUIを再起動して「Run」で実行。

リアルな手・グラス・レモンとイラストが一緒に描画されました。

このワークフローの流れ

ユーザーが User Prompt（マティーニグラスの文章）に入力する。
その文字が TextGenerate（Prompt Expander）に送られて、自動で長文に拡張される。
拡張されたテキストが、動的に CLIPTextEncode の中に流し込まれて上書きされる。
その上書きされた内容を元に、画像が生成される。

各ノード

「Generate Text」：Krea 2専用に訓練されたLLM（大規模言語モデル）を動かすノードです。
「Text String (System Prompt)」：「プロンプトエンジニアとしてステップバイステップで忠実かつ実用的なT2Iプロンプトへと拡張する」というシステムプロンプト。
「Boolean (Refine Prompt?)」：PrimitiveBoolean（オン/オフのスイッチ）。デフォルトでは true（有効）になっています。
「Switch」：ComfySwitchNode（ルート切り替え分岐）上記のスイッチが true の場合は、1.で拡張された長文プロンプトを採用し、false の場合は、ユーザーが入力した原文をそのまま下記の「CLIP Text Encode (Prompt)」ノードへ流すというルート切り替えを行っています。
「CLIP Text Encode (Prompt)」：現在の公式テンプレートには「パンク女性」のダミー文字列が入っています。

Krea 2のベースモデルは、「どこに何があるか」「質感はどうか」「ライティングはどうか」を1文に詰め込んだ高密度なキャプションで学習されています。

ユーザーが「モヒカンのパンクな女性とワシ、背景は黄色」とだけ入力しても、内部のPrompt Expander（LLM）がシステムプロンプトの指示に従ってステップバイステップで思考し、「AIが最も得意とする形式の超長文プロンプト」へと自動で仕立て上げてから画像生成（KSampler）へ送り込みます。