---
license: apache-2.0
tags:
  - lora
  - reference-conditioning
  - anima
  - krea-2
  - diffusion-pipe
---

# Reference adapters — Anima e Krea 2 (bateria de 2026-07-25/26)

Adapters de referência treinados no fork
[adbrasi/diffusion-pipe-easycontrol](https://github.com/adbrasi/diffusion-pipe-easycontrol),
branch `ic-lora`. Documentação completa em `docs/` daquele repo — em especial
`ANIMA_FUTURO_TREINO.md` e `KREA2_MULTIREF_RECEITA.md`.

Dois projetos separados aqui:

| pasta | modelo | tarefa |
|---|---|---|
| `anima/` | Anima (2B, DiT de vídeo derivado do Cosmos-Predict2) | uma referência, "próxima cena" |
| `krea2/` | Krea 2 (22B... na prática 12,8B de DiT) | **N referências separadas**, endereçadas por texto |

---

## `krea2/` — multi-referência (o resultado novo)

**Método `krea2_multiref_grounded`.** Krea 2 recebendo N referências
**separadas** (não coladas numa imagem só), endereçadas por texto no caption:
`"Generate an image of the woman from image 1 holding the bag from image 2."`

Treinado no [Azily/Macro-Dataset](https://huggingface.co/datasets/Azily/Macro-Dataset)
(bracket 1-3, filtrado pelas notas do juiz do próprio dataset), 512px,
`max_refs = 2`.

- `multiref_step500` — 2.200 amostras, 500 steps
- `multiref_step250` — mesmo run, checkpoint anterior

### O achado que fez funcionar

O `width_shift` do Krea 2 soma uma **constante** ao deslocar a referência no
RoPE. Um laço sobre N reusando aquilo daria a todos os spans posições
**idênticas** — e aí a saída do DiT fica *exatamente invariante* à troca de
duas referências: a atenção é permutation-invariant sobre keys, o `tvec` e as
máscaras são uniformes, MLP e norm são pointwise.

**Não é "difícil de aprender", é impossível em princípio.** A correção é
offset **cumulativo**: slot *i* em `w += (i+1) * W`.

### Formato de caption

`image 1` / `image 2`, **sem** os sinais `<` `>`. Treinar com `<image 1>` fez
o modelo *renderizar o marcador como texto dentro da imagem*. Os blocos de
visão do Qwen3-VL são rotulados com o mesmo vocabulário (`image 1:`), então
não há ponte entre dois vocabulários para o modelo aprender.

### Resultados

Avaliação held-out em **anime** (domínio totalmente fora da distribuição — o
Macro é quase todo fotográfico): **6/6 corretos a 1024px**, 4/6 a 512px. As
duas falhas de 512 eram limitação de resolução, não de capacidade: a
referência é codificada na resolução do alvo, então em 1024 ela carrega 4×
mais tokens.

Num exemplo com posição explícita (*"os dois personagens de image 1 na
esquerda e o homem de image 2 na direita"*), a saída obedece — e **trocar a
ordem das referências troca quem está de cada lado**. Isso é endereçamento,
não mistura.

### Uso

Requer o fork (o runner constrói o modelo a partir do `to_layers()` do
pipeline, então treino e inferência compartilham o packing exato):

```bash
python tools/infer_reference_adapter.py \
  --config examples/macro_multiref/run2_multiref.toml \
  --adapter multiref_step500/ \
  --reference ref1.jpg --reference ref2.jpg \
  --prompt "Generate an image of the woman from image 1 holding the bag from image 2." \
  --width 1024 --height 1024 \
  --turbo-lora krea2_turbo_lora_rank_64_bf16.safetensors
```

A **ordem das flags `--reference` é a ordem dos slots**. `--turbo-lora` usa a
LoRA turbo oficial (8 steps, CFG 1.0, mu 1.15).

---

## `anima/` — bateria de métodos de adapter de referência

Sete braços de uma bateria controlada, todos com o mesmo dataset, seed e
protocolo de avaliação (10 exemplos held-out × 4 colunas: sem referência /
força 1.0 / ref_cfg 1.75 / referência embaralhada).

| adapter | método | veredito |
|---|---|---|
| **`M1_armD_dropout_step2000_VENCEDOR`** | `ic_lora_v3` target-first, `llm_adapter` congelado, adaln fora, `condition_dropout 0.1`, 2000 steps | 🏆 **vencedor** (visual, do usuário) |
| `M1_arm1_llm_frozen_step500` / `step1000` | mesma receita, sem dropout | empata em qualidade, caráter diferente |
| `M1_armB_dropout_step1000` | mesma receita com dropout, só 1000 steps | perde — não convergiu ainda |
| `M2_arm3_llm_trainable_step1000` | `llm_adapter` treinável | ❌ perde ("praticamente não pega a referência") |
| `M3_armA_adaln_in_step1000` | LoRA também no adaln | ❌ perde (artefato de instabilidade) |
| `M4_armC_routing_step1000` | routing condition-only | ❌ perde |

### Os dois achados

**1. O `condition_dropout` não remove a referência — ele a ZERA.** O frame
continua concatenado, com o mesmo timestep e as mesmas posições de RoPE; só
fica em branco. Consequência: o modelo ganha um *nulo calibrado* e passa a
tratar a referência como entrada **separável que consulta** (atribui), em vez
de fundir referência e alvo (acopla). Para um contrato do tipo *"o que não
está escrito é herdado"*, atribuição é exatamente o que se precisa.

**2. Dropout sem aumentar os steps é estritamente PIOR que não usar dropout.**
Sensibilidade medida: armB (dropout, 1000 steps) 0.589 < arm1 (sem, 1000)
0.657 < armD (dropout, 2000) 0.921. O dropout bloqueia a rota fácil, então o
modelo aprende mais devagar — as duas mudanças andam juntas ou nenhuma delas.

### Receita vencedora

```toml
[model]
type = 'ic_lora_v3'
llm_adapter_lr = 0           # CONGELADO — bate com a recomendação oficial do Anima

[ic_lora_full]
ref_first = false            # target-first
condition_dropout = 0.1
include_adaln = false

[adapter]
rank = 32

[optimizer]
type = 'adamw_optimi'
lr = 1e-4                    # batch efetivo 8
# 2000 steps, não 500
```

Inferência: `--mode ominicontrol_subject --lora_strength 1.0 --ref_cfg 1.0`.
⚠️ **`M4_armC_routing` precisa de `--mode ic_lora_dual`** — o modo padrão funde
a LoRA em todos os pesos e destrói o adapter routado, produzindo ruído puro
que *parece* "o método falhou".

---

## Ressalvas honestas

- Nenhum ranking fino entre `arm1`, `armB` e `armD` sobrevive à estatística
  (Welch t=1.74 com 6 seeds, crítico 2.23). O que sobrevive são os efeitos
  grandes: `llm_adapter` congelado vence, adaln fora, routing perde.
- Os adapters do Anima foram treinados num dataset com **captions
  exaustivas**, que causam "atalho de caption" — a caption descreve o alvo por
  completo e a referência vira supérflua. É plausível que o ranking mude com
  delta-captions.
- O `krea2/multiref` é de um treino de 500 steps sobre 2.200 amostras. A
  capacidade está demonstrada; não é um modelo de produção.