Krea 2 Turbo SDA LoRA 恢复采样多样性

最清晰的示例是 "一只猫坐在窗台上" 的 16 个种子。基线 Turbo 每次都会重绘同一只虎斑白猫。启用 LoRA 后，不同种子会呈现不同的毛色图案、光线、季节甚至窗户场景：

基线 Turbo：同一只猫重复 16 次	使用 SDA LoRA：毛色、光线和场景各不相同

同样的模式也适用于静物（单一菠萝模板 vs 多样构图）和肖像（相同的影棚头像取景 vs 不同的年龄、发型和场景）。

SDA 的工作原理

语义方向对齐将多样性折叠视为一个方向问题。对于一张训练图像，会抽取两个随机噪波并将其噪化至 sigma 0.9567，即 8 步 Turbo 调度中决定构图的可学习最高步。冻结的教师模型（Krea 2 RAW，即未蒸馏的父模型）和学生模型（Turbo 加上 LoRA）各自预测两个噪波对应的图像，然后一个冻结的 CLIP 堆栈对预测结果进行嵌入。教师模型在感知方向上的变化记录了噪波交换应该如何移动图像；损失函数则教导学生模型的方向与之匹配，而不是将所有噪波折叠到单一模板上。最佳 5 候选探索在此基础上额外提供了约 3 倍的学习速度。

训练仅使用了 109 张 1024x1024 的图像，这解释了为什么一个小型适配器能够改变构图而不漂移风格。

门控至关重要：前 2 步，然后关闭

该 LoRA 在单一高噪波节点上训练，因此它必须仅在 8 个去噪步骤中的前 2 步 处于激活状态。作者的测量结果：

ComfyUI 默认会在每一步应用 LoRA，因此需要使用逐步 LoRA 调度节点（约束或调度自定义节点）来在第 2 步之后切换关闭该适配器。该仓库还附带了一个现成的工作流 Krea2_turbo_sda_workflow.json，该工作流围绕 ClownsharKSampler 测试版构建并已接入门控。

文件

模型卡片中的 diffusers pipeline 代码片段将门控实现为一行步骤回调。仓库中还包含一份中文模型卡片。