Krea2-Turbo-Distill-3step-LoRA

LoRA для Krea 2 Turbo от автора lvladikov сокращает генерацию с 8 шагов до 3 при CFG 1. Это rank-64 адаптер на тех же 228 модулях, что и 4-step/2-step версии; обучение шло на одном H100/H200 около 115 часов на 42 000 сэмплах.

🤓 Ключевые особенности

• 😎 8 → 3 шага: денойзинг ускорен в 2.6× — 65.4 с против 24.9 с при 1024×1024 (float16, без text encoding и VAE decode).
• 👍 Детализация выше учителя: 1.23× тонкой текстуры и 1.29×/1.24× в полосах 16 и 8 пикселей на 22 тестовых промптах; цвет на уровне учителя.
• 🫡 11 обученных разрешений — от 512×768 до 1440×1440 и 1824×1024.
• 👌 Drop-in LoRA: stock Euler, diffusers / ComfyUI / MLX, без кастомных нод и сэмплера.
• 🤔 Обучение начато с весов 4-step адаптера; опубликованы «settled weights», а не усреднение.

📝 Пример

pipe = Krea2Pipeline.from_pretrained("krea/Krea-2-Turbo", torch_dtype=torch.bfloat16).to("cuda")
lora = hf_hub_download("lvladikov/Krea2-Turbo-Distill-3step-LoRA", "krea2_turbo_3step_rank_64_lora.safetensors")
state = load_file(lora)
state = {f"transformer.{k}": v for k, v in state.items() if not k.endswith(".alpha")}
pipe.load_lora_weights(state, adapter_name="3step")
image = pipe("a fox in the snow", num_inference_steps=3, guidance_scale=0.0).images[0]
image.save("krea2_3step.png")

Подробнее

Денойзинг: 65.4 с против 24.9 с при 1024×1024, в 2.6× быстрее.
В ComfyUI: steps 3, cfg 1.0, euler/simple, LoRA strength 1.0; cfg 0.0 ломает изображение.
Обучение: один H100/H200, около 115 ч; released LoRA в bf16; MLX — около 64 ГБ памяти под bf16.
Ограничения: дальше от картинки учителя, чем 4-step (distance 0.379 против 0.320), текстура сильнее (grain 1.74×), возможны удвоенные края; мелкие лица в толпе слабее.
Для Krea 2 Raw — бонусный режим на 6–20 шагах с CFG, не поддерживаемый.