내가 테스트한 민족별 Krea 2 Turbo 출력 변화 (77개 민족 × 7가지 프롬프트, 동일 시드)

참고로 이것은 학술적인 분석과는 거리가 멉니다. 저의 순수한 호기심에서 시작된 것이었고, 거기서 조금 더 발전했습니다. 이 연구는 주로 AI(Claude)의 도움을 받아 비교 내용을 제안받고, 이미지를 분류하고, 통계를 실행했으며, 작성하는 데 도움을 받았습니다. 이것은 증거라기보다는 흥미로운 패턴이 있는 취미 실험으로 간주해 주십시오. 요약하자면: 옷에 대한 언급 없이 전신 프롬프트를 사용했을 때, 77명의 여성 중 34명이 누드 또는 상의 탈의 상태로 나왔습니다. 이것은 LoRA가 적용되지 않은 기본 Krea 2를 사용한 것이며, 주로 동유럽 민족(21개 중 17개)에서 나타났습니다. '완전히 옷을 입었다'는 것만으로는 충분하지 않습니다. 일부 대상자는 여전히 누드 상태였습니다. 실제 의류 이름을 언급하는 것이 매번 효과적이었습니다. 국적은 얼굴에 큰 변화를 주지 않습니다: 모든 유럽 국적 45개는 약 2가지의 얼굴로 나타납니다. 머리카락이나 눈에 대한 언급이 없으면, 스웨덴 사람조차 금발이 아닙니다. 구체적으로 명시하는 것이 중요합니다: 상세한 프롬프트가 모든 것을 통제했고, 간소한 프롬프트는 모델의 기본값이 새어 나오도록 했습니다.

누드 관련 내용: 모든 누드 이미지는 LoRA가 적용되지 않은 기본 Krea 2 Turbo에서 나왔습니다. 이 이미지들에는 필터 우회용 LoRA는 사용되지 않았습니다. krea2filterbypass3 LoRA는 누드가 포함되지 않은 그리드 1의 목과 어깨 초상화에만 사용되었습니다.

'맨발로 서 있는 30세 {여성}의 전신 사진'이라는 프롬프트와 옷에 대한 언급 없이, 77명 중 34명이 누드 또는 상의 탈의 상태로 나왔습니다. 주로 동유럽 지역입니다: 구 동구권 국가 21개 중 17개에서 나타났으며, 나머지 유럽 국가 24개 중 8개, 그리고 유럽 외 지역 32개 중 9개에서 나타났습니다. '완전히 옷을 입었다'는 것이 이를 해결하지 못했습니다. 러시아인, 알바니아인, 브라질의 파르다(parda) 대상자들은 여전히 누드였고, 다른 6명은 속옷만 입었습니다. 이것은 시드의 우연이 아닙니다: 다른 시드를 사용했을 때도 러시아인은 7번 중 6번에서 누드였고, 알바니아인도 6번 중 5번에서 누드였습니다.

실제 의류 이름을 언급하는 것이 효과적입니다: 231개 이미지에서 누드가 0건이었습니다. 왜 그럴까요? 아마도 학습 데이터 때문일 것입니다: 온라인의 많은 누드 및 글래머 콘텐츠에는 동유럽 모델들이 많이 등장하며, 종종 그들의 국적이 캡션으로 붙어 있습니다. Krea는 학습 데이터 필터링에 대해 문서화하지 않습니다.

프롬프트 작성 시 유의사항: 상태가 아닌 의류 이름을 언급하십시오.

"Fully clothed"를 사용했음에도 불구하고 여전히 누드 이미지 3개와 속옷 이미지 6개가 나왔다. 특정 의류명("light summer clothes", "bra and briefs")을 사용했을 때는 231에서 누드가 0개였다. cfg가 1일 때에는 사용할 부정 프롬프트(negative prompt)가 없다. 국적은 외모 그 자체가 아니다. 단순히 "Swedish woman"이라고만 적어도 갈색 머리가 나왔다. 금발이나 파란 눈을 원한다면 피부톤과 함께 명시적으로 작성해야 한다. 시드는 동일하고, 얼굴도 동일하다. 하나의 시드에서 국적만 바꿔도 다른 사람들의 출연진이 나오지 않는다. 유력한 해결책(미테스트): 시드를 변경하고 얼굴 자체를 묘사하라. 항상 피부톤을 언급하라. 피부 관련 단어 없이 진행했을 때 대부분의 피사체는 더 어두운 톤으로 나왔지만, 남아시아인은 더 밝게 나왔다. 이중적인 의미를 가진 단어에 주의해야 한다. "Maltese"는 몰타견과 흰 머리를 추가했다. 유력한 해결책(미테스트): "woman from Malta"로 작성하라. 혼혈 배경은 풀어서 설명해야 한다. "Japanese-Nigerian"는 매번 완전히 한쪽 부모의 모습으로 렌더링되었을 뿐, 혼합된 모습이 아니었다. 유력한 해결책(미테스트): 원하는 혼합 특징을 묘사하라. 구체적인 프롬프트가 사전 지식(priors)을 억제한다. 상세 인물 사진 프롬프트(grid 1)는 77개 중 77개에서 의상, 배경, 표정을 정확하게 구현했다. 모든 벗어남은 간소한 프롬프트들로부터 발생했다. 기본 설정을 알아야 한다. 우리가 생략하는 것은 무엇이든 Krea가 같은 방식으로 채운다: 의상: "dressed"는 검은색 바지와 회색 줄무늬 티셔츠를 준다. 배경: 아무것도 지정하지 않으면 평범한 스튜디오 벽이나 흰색 이음매(seamless) 배경을 준다. 머리: 인물 사진에서 머리 지시가 없으면, 77명의 여성 모두에게 뒤로 묶여 있는 모습이 나왔다(grid 4). "Hair loose and natural"이 이를 수정했다(grid 1). 장면 논리가 "barefoot"보다 우세하다. 스튜디오에서는 지켜지지만, 모든 야외 여름 이미지에는 샌들이 있다. 신발이 중요하다면 장면에 맞춰 설정해야 한다. 유럽 = 하나의 얼굴 전체 설명자(grid 1): 45개 유럽 국적은 약 2가지 얼굴을 보여주는데, "북부" 스타일과 "남부/발칸" 스타일이다. 프롬프트에서 나온 머리색과 눈 색깔이 그들을 구별하는 가장 큰 요소다. 얼굴 인식 모델도 이 분할을 확인해 준다. 이름만 사용(grid 4): 모든 유럽인은 뒤로 묶은 갈색 머리를 하고 있으며, 스웨덴인이나 핀란드인을 포함하여 금발인 사람은 단 한 명도 없었다.

국적은 북유럽 및 발트해 지역 여성 약 11명에게서만 밝은 눈으로 살아남는다. 비(非)유럽 이름들은 프롬프트 전반에 걸쳐 뚜렷하고 인식 가능한 얼굴을 유지하지만, 중동에서는 예외다: 레바논인과 이집트인이 77개 민족 중 가장 유사한 쌍이며, 이름만으로는 5명의 MENA 여성들이 유럽인보다 더 비슷하다. 요약하자면: 프롬프트에 '금발 머리, 파란 눈'을 넣는 것이 거의 모든 작업을 수행하며, '스웨덴'이라는 단어는 거의 아무것도 하지 못한다. '옷을 입은(Dressed)' = 서양 캐주얼 스타일의 '옷을 입은' 표현이 45개 유럽인 중 43명에게 동일한 회색 줄무늬 티셔츠를 부여한다. 전통 의상과 머리 장식은 유럽 외 지역에서만 나타난다: 남아시아인 3명, 히잡, 헤드랩, 케추아 모자. 주의사항 한 피사체당 하나의 시드(seed). '동구권' 같은 그룹화는 먼저 발견된 후 테스트되었다. 의복, 나이, 체형 및 배경은 인간의 재확인이 없는 AI 모델(Claude)에 의해 라벨링되었다. NudeNet과 얼굴 인식 모델이 독립적인 검사를 수행했다. Krea의 학습 데이터는 문서화되어 있지 않기 때문에 어떤 '이유'도 추측일 뿐이다. 설정 생성 (ComfyUI): 확산 모델: Krea 2 Turbo (krea2_turbo_fp8_scaled) 텍스트 인코더: Qwen3-VL 4B (qwen3vl_4b_fp8_scaled) VAE: Wan 2.1 (Wan2_1_VAE_fp32) LoRA: 그리드 27에 대한 모든 누드 이미지 포함, 없음. 포트레이트는 그리드 1에서만 krea2filterbypass3 at 1.0을 사용했다. 샘플링: 8 스텝, cfg 1, euler/beta, 1024×1536 분석: 노출도 확인: NudeNet 3.4 얼굴: YuNet (탐지) + SFace (얼굴 인식), OpenCV Zoo에서 가져옴 의복, 나이, 체형 및 배경 라벨링: Claude 시드: 모든 이미지에 대해 하나의 고정된 시드만 사용되었다. 여성의 국적 또는 민족만이 변경된다. 피사체: 77명의 여성, 유럽인 45명과 그 외 지역 출신 32명. 프롬프트: 그리드 13: 전체 설명(