Krea 3 テクニカルレポート: 8枚の参照画像編集を8秒未満で実現
Krea 3は最大8枚の参照画像からネイティブ2Kで画像を編集し、8秒未満で完了、コストは$0.06です。ComfyUIではKrea 3 画像ノードを通じて実行できます。
このレポートはモデルに関する初の公開解説記事です。アーキテクチャ、画像から画像へのトレーニングパイプライン、編集報酬に対する強化学習、推論の最適化を扱い、ローンチ時に掲げられた速度と価格の主張を実測値で裏付けています。
KreaのモデルページにあるKrea 3の出力。
数値
| 編集あたりの時間 | Kreaの本番トラフィックでは8秒未満。レポートでは同程度の編集におけるNano Banana Proを20〜40秒としている |
| 価格 | 1画像あたり$0.06（Kreaの料金ページ） |
| リーダーボード | ArenaのMulti-Image Editボードでスコア1,435（Krea 3 Ultra）の4位、Artificial Analysis Image Editing and Design Arenaで4位 |
| 参照 | 1回の生成で最大8枚。画像ごとに解像度を個別に指定可能 |
| 出力 | ネイティブ2K、1Kオプションあり |
 |  |
|---|---|
| 入力 | 1つの指示: 同じ通りをブルーアワーに、車の塗装を変更 |
構成
Krea 3はKrea 2の事前学習から出発し、画像から画像へと拡張しています。参照画像はVAEでエンコードされ、タイムステップ0のクリーンなトークンとしてDiTの潜在シーケンスに追加されます。これにより参照画像は分布内に保たれ、推論時にキーバリューペアをキャッシュできます。視覚言語テキストエンコーダが384²で参照画像を指示とともに参照し、DiTには指示トークンのみが渡されます。
トレーニングでは、参照画像とターゲットの解像度を切り離してサンプリングする手法に加え、長さごとにビン分けするパッキングを導入しているため、バッチ内で異なる参照枚数とネイティブ2Kターゲットを混在させられます。ポストトレーニングはエージェント型の報酬ハーネスに対する強化学習で、その後に選好最適化を行います。
 |  |  |
|---|---|---|
| 入力1 | 入力2 | 出力: 入力1の人物、入力2の衣装 |
ComfyUIでの利用
Krea 3 画像ノードは、2026年10月15日にPR #17067でpartner/image/Kreaとして提供開始されました。最大8枚の画像を受け取り、順番に接続してプロンプト内で@Image1、@Image2などのように参照します。テキストから画像を生成する場合は入力を空のままにします。
| 入力 | 機能 |
|---|---|
resolution | 1Kまたは2K、デフォルトは2K |
thinking_mode | fast（Krea推奨）、high（複雑な編集でより多くの計画を立てる）、ultra（複数の候補を生成し最良のものを返す。参照画像が必要で、常に2Kを出力、precise editは使用不可） |
precise_edit | 編集領域以外を変更しない。少なくとも1つの画像が必要 |
aspect_ratio | auto、または1:1から21:9までの固定比率 |
seed | Kreaは生成前にプロンプトを書き換えるため、同じシードでも同じ画像は再現されない |
実行は画像単位で課金され、接続した参照画像ごとに追加料金がかかります。おおよそ1K fastで$0.043、2K fastで$0.086、2K highで$0.114、ultraで$0.372、さらに参照画像1枚あたり約$0.03です。
弱点
レポート自身が2つの弱点を挙げています。密集した小さな文字はまだ不完全で、連続した編集では同一性がドリフトします。Kreaは、キャラクターについてはプロンプトのみの編集ではなく、LoRAを主要な手段として頼る方針だと述べています。
局所編集: ラベルのみが変わり、ボトル、グラス、照明はそのまま。
コメント
GitHubでサインインしてディスカッションに参加しましょう。