🖼 Krea 2 LoRA training — бета-версия кастомного fine-tuning запущена

Krea AI объявила о запуске бета-версии LoRA training для модели Krea 2. Новая функция доступна подписчикам Max и Business и позволяет обучать модель на собственных стилях, объектах или персонажах с последующим использованием в Image tool.

Процесс состоит из трёх шагов: загрузка минимум трёх изображений в разделе /train, выбор модели (Krea 2 Medium для скорости или Krea 2 Large для качества), настройка шагов обучения и автоматическое captioning датасета. После завершения LoRA появляется в библиотеке с превью — её можно применять в генерации с регулировкой strength и комбинировать несколько LoRA одновременно.

В отличие от предыдущих версий на Flux, Qwen и Wan, Krea 2 LoRA обеспечивает более точное удержание стиля, персонажа и материальной идентичности. LoRA особенно полезна, когда визуальное направление должно быть переиспользуемым: текстуры, лица, брендовые объекты, sketch-стили или освещение, которые сложно описать промптом.

Все обученные LoRA приватны по умолчанию. Можно делиться с коллегами или публиковать — в последнем случае другие пользователи смогут генерировать с вашим стилем, но исходные изображения остаются скрытыми.

#Ai #Media #KreaAI #LoRA #ImageGen

❗️LoRA — не единственный выбор: стоит ли выходить за рамки популярного метода дообучения?

Команда Hugging Face опубликовала разбор, почему LoRA, будучи самой популярной техникой параметро-эффективного дообучения (PEFT), не всегда является оптимальным выбором. По статистике, 98.4% моделей на Hugging Face Hub, упоминающих PEFT, используют именно LoRA, а на GitHub 71.3% всех PEFT-сниппетов относятся к LoRA. Однако авторы блога предупреждают: популярность не равна эффективности. LoRA стала стандартом во многом благодаря раннему выходу, обилию туториалов и лучшей интеграции в экосистему, а не объективному превосходству.

Библиотека PEFT от Hugging Face поддерживает десятки альтернативных методов: LoHa, AdaLoRA, DoRA, IA3 и другие. Каждый из них может давать лучшие результаты на определённых задачах — от генерации изображений до работы с LLM. Авторы подчёркивают, что выбор техники вслепую по заявлениям из научных статей проблематичен: результаты часто несопоставимы из-за разных условий экспериментов. Вместо этого они предлагают использовать встроенные в PEFT инструменты для автоматического подбора метода под конкретную задачу и модель.

Практический вывод: разработчикам и исследователям стоит тестировать несколько PEFT-методов, а не полагаться на LoRA по умолчанию. Это особенно актуально для работы с quantized-моделями и сценариев, где критично качество при минимальном потреблении памяти.

#AI #PEFT #LoRA #Studying #HuggingFace #MachineLearning