事前学習からAI生成画像を除外
Kreaは、事前学習に使う画像群からAI生成画像を除外したと説明しています。少量でも生成画像を混ぜると、特定の見た目へ偏り、モデル品質の上限につながるという同社の判断に基づくものです。そのため、生成画像を検出する社内分類器を作ったとしています。
重複画像、画像理解モデル（VLM）が重要な内容を読み取れない画像、望ましくない偏りや不具合を生む画像、低解像度では扱いにくい複雑な画像も除外対象です。一方、ぼけや柔らかい描写を一律に低品質と見なさず、意図的な表現を残す方針を示しています。
256・512・1024ピクセルで段階的に学習
事前学習は256、512、1024ピクセルの段階に分け、低解像度で基本的な構図と言葉との対応を学び、その後に解像度を上げています。低解像度の段階では数十億枚規模の画像を扱うため、ファイルの破損や解像度・縦横比を確認し、条件を満たさない画像や極端なノイズを比較的軽い処理で除外します。
画像の説明文には、OCRで抽出した文字、撮影設定、既知の対象に関する情報を加えています。長い説明文を中心に学習しつつ、短い指示や中程度の長さにも対応できるよう複数の形式へ整えたと説明しています。
DiTを基盤に複数構成を比較
モデルの基盤にはDiffusion Transformer（DiT）を使っています。Attention、MLP、テキストエンコーダー、時間情報の与え方、位置情報、画像を潜在表現へ変換するVAEなどについて複数構成を比較し、安定性、性能、効率、単純さの四つの観点で選んでいます。
最終構成にはGQAとゲート付きSigmoid Attention、SwiGLU、Qwen 3 VL、時間情報を軽量に取り込む仕組み、3D Axial RoPEなどが採用されています。Kreaは、自社の比較実験で安定性、性能、効率、単純さを評価して構成を選びました。
短い指示を補うPrompt Expander
学習時の詳しい説明文と、利用者が入力する短い指示には差があります。この差を埋めるため、Krea 2は短い指示文に視覚的な詳細を補うPrompt Expanderを備えています。
Kreaは、利用者の意図を保ったまま、描写の詳細や表現の選択肢を補うことを狙ったと説明しています。オープンソースの大規模言語モデルを基盤に、教師あり学習と強化学習を組み合わせています。
複数の参照画像と強度を調整
言葉だけでは伝えにくい見た目や雰囲気は、Style Referenceで画像から指定できます。各画像の重みを調整して組み合わせ、参照の強さを細かく変えられる仕組みです。
Kreaは、参照画像の内容そのものが出力へ過度に混ざることを抑えながら、見た目を反映する設計だと説明しています。ただし、第三者の表現を自由に利用できる許可ではありません。参照画像の権利確認は別に必要です。
評価順位は公開時点の結果
報告書は、Artificial AnalysisのText-to-Image順位で上位10モデル、独立系開発元の中で2位と記載しています。ランキングは評価対象、投票、モデル追加で変わるため、2026年6月23日の報告書に記載された結果として扱います。
技術報告は、学習データの出所、全学習画像の利用権限、分類器の精度に対する第三者監査を掲載していません。公開されたのは、Krea自身の選別方針、モデル設計、評価方法です。
Krea 2 Technical Reportに関する公式情報
- Krea 2 Technical Report：学習データの選別方針、説明文、学習段階、モデル設計、Prompt Expander、Style Reference、評価を確認できます。
- Krea 2公式ページ：執筆時点のモデル説明と利用入口を確認できます。
- Artificial Analysis Text to Image Arena：執筆時点の評価画面を確認できます。
- Krea利用規約：サービス、入力素材、生成物の契約条件を確認できます。
構成図、比較表、生成例は、Kreaの公式報告で閲覧できます。