Krea 3: Bildbearbeitungsmodell zielt mit 8 Sekunden pro Bearbeitung auf Spitzenqualität

Das kann Krea 3

Krea 3 ist ein Bild-zu-Bild-Modell (I2I). Statt sich nur auf einen Text-Prompt zu stützen, verarbeitet es Referenzbilder als Eingabe und wertet sie gemeinsam mit der Anweisung aus. Krea argumentiert, dass sich viele visuelle Aufgaben nicht gut in Worten beschreiben lassen, weil sich eine Identität, ein Produkt oder ein Design leichter zeigen als erklären lässt.

Laut dem Bericht hält das Modell Figuren und Produkte über mehrere Bearbeitungen hinweg konsistent, nimmt gezielte Änderungen vor und lässt den Rest des Bildes unverändert. Außerdem kombiniert es bis zu 8 Referenzbilder in einer Generierung. Krea sieht Geschwindigkeit und Kosten als nächste Herausforderung, sobald ein Modell komplexe Aufgaben ausreichend gut bewältigt. Viele aktuelle Bildmodelle hätten sich bei nur geringfügigen Qualitätsgewinnen in Richtung langsamerer und teurerer Generierung entwickelt. Krea 3 verfolgt laut Unternehmen bewusst den entgegengesetzten Ansatz.

Ranglisten, Geschwindigkeit und Kosten

Krea zufolge debütierte Krea 3 Ultra auf allen unabhängigen Arenen auf Platz 4. Damit sei Krea das zweitgrößte Bildgenerierungs-Labor der Welt. Der Bericht nennt die Bild-zu-Bild-Ranglisten von Arena.ai, Artificial Analysis und Design Arena. In der Rangliste für Bildbearbeitung belegen GPT-Image-2.5 Sunburst, GPT-Image-2.5 Flare und GPT-Image-2 (Medium) die ersten drei Plätze. Krea 3 Ultra folgt auf Platz vier, vor Gemini Nano Banana 2.1 und Seedream 5.0 Pro.

Am deutlichsten unterscheidet sich Krea 3 laut Unternehmen bei der Geschwindigkeit. In der Produktion sind Bearbeitungen innerhalb von 8 Sekunden abgeschlossen. Krea berichtet, dass Nano Banana Pro im eigenen Produktionsverkehr für eine vergleichbare Bearbeitung etwa 20 bis 40 Sekunden benötigt. Damit ist Krea 3 ungefähr 3- bis 5-mal schneller. GPT-Image-Modelle können laut Krea bis zu mehrere Minuten benötigen.

In einem Latenzvergleich mit einer Referenz und einer 2K-Ausgabe, gemessen über die fal API, kam Krea 3 (Fast) auf durchschnittlich 8,0 Sekunden. Für andere Modelle wurden folgende Werte gemessen:

• Nano Banana 2.1: 19,3 s
• Nano Banana Pro: 22,3 s
• FLUX 3 Image: 41,1 s
• GPT Image 2 (high): 88,6 s
• GPT Image 2.5 Sunburst (max): 90,2 s

Beim Preis veranschlagt Krea für Krea 3 (Fast) 80,00 US-Dollar pro 1.000 Bearbeitungen. Bei API-Preisen entspricht das 8.000 US-Dollar pro Monat für 100.000 Bearbeitungen. Das gleiche Volumen würde mit Nano Banana Pro 15.000 US-Dollar kosten, mit FLUX 3 Image 19.200 US-Dollar und mit den genannten GPT-Image-Modellen 43.660 US-Dollar. Krea setzt diese Kosten mit dem 5,5-Fachen des Preises von Krea 3 an.

Architektur und Training

Krea beschreibt die Architektur als bewusst standardisiert. Die Beiträge des Unternehmens lägen bei Training, Daten und Nachtraining. Krea 3 wurde aus dem Krea-2-Pretraining initialisiert und setzt das Pretraining mit einem breiteren und verbesserten Text-zu-Bild-Datensatz fort, der Beispiele in nativer 2K-Auflösung enthält. Anschließend werden Bild-zu-Bild-Daten hinzugefügt.

Referenzbilder werden mit einem variationalen Autoencoder kodiert und als unveränderte Tokens an die latente Bildsequenz des Diffusion Transformers angehängt. Dabei kommt die Timestep-Modulation vector t = 0 zum Einsatz. Laut Krea entspricht diese Wahl bei der Initialisierung der Datenverteilung und ermöglicht später die kausale Destillation, wodurch sich die Key-Value-Caches der Referenz-Tokens wiederverwenden lassen. Der Text-Encoder ist ein Vision-Language-Modell, das neben der Bearbeitungsanweisung auch die auf eine Fläche von 384² Pixeln verkleinerten Referenzen verarbeitet. An den Diffusion Transformer werden nur die Anweisungs-Tokens weitergegeben, weil die VAE-Latents höherwertige Pixeldaten enthalten.

Für das Training beschreibt Krea drei Änderungen an den Systemen: eine entkoppelte Auflösungsabtastung für Referenz und Ziel, ein Packing nach Sequenzlänge sowie eine von der Sequenzlänge abhängige Speicheroptimierung für das Training in nativer 2K-Auflösung. Werden die Auflösungen des Ziels und jeder Referenz unabhängig voneinander ausgewählt, erhöht das die Flexibilität bei der Inferenz. Für das Kopieren von kleinem Text ist eine hochauflösende Referenz nötig, während das Platzieren eines einfachen Produkts dies nicht erfordert. Eine hochauflösende Ausgabe mit Referenzen niedrigerer Auflösung verkürzt die Sequenz und beschleunigt laut Krea die Abtastung bei geringem oder keinem Qualitätsverlust.

Der Bericht behandelt außerdem, wie Krea Bild-zu-Bild-Daten sammelt, synthetisiert und mit Bildunterschriften versieht, sowie Reinforcement Learning mit einem agentischen Belohnungssystem und die Optimierung nach Präferenzen.

Was das für Nutzer bedeutet

Für Teams, die viele Varianten einer Idee entwickeln, lautet das Argument des Berichts: Latenz und Preis sind ebenso wichtig wie Qualität. Sollten sich Kreas Zahlen in der Praxis bestätigen, bietet Krea 3 eine Bearbeitungsqualität, die mit Modellen wie Nano Banana Pro und GPT Image 2 konkurriert, aber nur einen Bruchteil kostet. Zu beachten ist, dass die Geschwindigkeits- und Kostenvergleiche auf Messungen von Krea beruhen, während die Ranglisten von unabhängigen Bestenlisten stammen.