最近在测试 Krea 2 时，我发现了一个很有意思的现象：很多人在第一次接触这个模型时，都会下意识地把它当成又一个“更快更强的文生图工具”。但真正用下来，你会发现它的核心价值其实不在速度或画质上——而是它把“风格探索”这件事，从一次性的随机尝试，变成了可复用、可积累的系统工程。

这个变化的关键，就在于 Krea 2 最近上线的身份保留功能。过去，如果你想在 AI 生成中保持角色一致性，要么靠复杂的提示词工程，要么依赖第三方扩展工具。而现在，Krea 2 把这件事做成了模型层面的原生能力。但问题也来了：这个功能到底怎么用？它和传统的 LoRA 训练有什么区别？在实际工作流中，我们又该如何把它和 ComfyUI 结合起来，真正发挥出价值？

1. 先搞清楚身份保留功能到底解决了什么问题

身份保留功能的核心，不是简单地“记住一张脸”，而是把角色特征从单次生成中抽离出来，变成一个可复用的视觉元素。这意味着你可以用同一套角色设定，生成不同场景、不同风格、不同构图的图片，而角色本身的视觉特征保持稳定。

1.1 为什么传统的角色一致性方案总是差点意思

在身份保留功能出现之前，我们通常用几种方法来实现角色一致性：

• 提示词描述：通过详细的文字描述来固定角色特征。这种方法的问题在于，描述越详细，生成结果越容易僵化，而且很难保证多张图片中的角色完全一致。
• 参考图+ControlNet：上传一张角色图片作为参考，配合 ControlNet 等控制工具。这种方法能保证一致性，但灵活性很差——角色姿势、服装、背景往往被限制在参考图的框架内。
• 训练专属 LoRA：为特定角色训练一个 LoRA 模型。效果最好，但成本最高，需要收集训练数据、调整参数，而且每个角色都要单独训练。

这些方法要么效果不稳定，要么使用门槛高，要么灵活性不足。而 Krea 2 的身份保留功能，本质上是在模型内部建立了一个“角色特征提取器”，它能够从少量参考图片中学习到角色的核心视觉特征，然后把这些特征应用到新的生成过程中。

1.2 身份保留功能的工作原理：特征提取而非记忆复制

与常见的误解不同，身份保留功能并不是简单地把参考图片“记住”然后复制粘贴到新图片中。它实际做的是：

1. 特征编码：从参考图片中提取角色的面部特征、发型、体型等关键信息，编码成一个紧凑的特征向量。
2. 特征融合：在生成新图片时，将这个特征向量与文本提示词、风格设定等进行融合，确保角色特征能够自然地融入到新场景中。
3. 条件生成：整个生成过程仍然受你的文本提示词控制，只是额外增加了角色特征作为生成条件。

这种机制的好处是，你既保持了角色的一致性，又保留了生成的灵活性。比如你可以让同一个角色出现在夏日海滩和冬日雪景中，而角色的服装、表情、姿势都可以根据场景自然变化。

2. 在 ComfyUI 中配置身份保留功能的关键步骤

虽然 Krea 2 的身份保留功能是模型层面的能力，但要充分发挥它的价值，还需要在 ComfyUI 中正确配置工作流。下面是一个从零开始的配置指南。

2.1 环境准备与模型下载

首先确保你的 ComfyUI 是最新版本。身份保留功能需要 Krea 2 Turbo 模型的支持，推荐使用 FP8 量化版本以平衡质量与性能：

模型文件下载清单： - 扩散模型：krea2_turbo_fp8_scaled.safetensors - 文本编码器：qwen3vl_4b_fp8_scaled.safetensors - VAE：qwen_image_vae.safetensors

将这些文件分别放入 ComfyUI 对应的模型目录中。特别要注意的是，身份保留功能需要 Qwen3VL-4B 作为文本编码器，这是与其他文生图模型最大的区别之一。

2.2 构建基础的身份保留工作流

在 ComfyUI 中，身份保留功能的实现依赖于特定的节点组合。以下是核心节点的配置顺序：

1. 加载 Krea 2 Turbo 模型：使用 Load Checkpoint 节点加载 krea2_turbo_fp8_scaled.safetensors。
2. 配置文本编码器：确保使用 Qwen3VL-4B 编码器处理提示词。
3. 设置身份参考图：使用专门的 Identity Reference 节点加载角色参考图片。
4. 调整身份强度参数：控制角色特征的应用强度，通常在 0.7-0.9 之间效果较好。
5. 配置采样器：Krea 2 Turbo 只需要 8 步采样，使用 DPM++ 2M Karras 或类似采样器。

关键是要理解身份参考节点与其他控制节点的区别。它不控制姿势、不控制构图，只影响角色的视觉特征。这意味着你可以同时使用 ControlNet 控制姿势，使用身份保留固定角色，实现更精细的控制。

2.3 参数调优：找到适合你需求的身份强度

身份强度参数是影响效果的关键因素，但很多人对这个参数的理解有偏差：

• 强度过低（<0.5）：角色特征保留不足，生成结果与参考图相似度低。
• 强度适中（0.7-0.9）：在保持角色特征的同时，允许足够的创造性变化。
• 强度过高（>1.0）：可能导致生成结果过于僵化，甚至出现 artifacts。

我的建议是：先用默认强度（0.8）测试，观察生成结果中角色特征的保留程度。如果特征保留不足，适当提高强度；如果生成结果看起来不自然，则降低强度。

更重要的是，身份强度应该与提示词的详细程度配合调整。当提示词比较简略时，可以适当提高身份强度；当提示词已经包含详细的角色描述时，身份强度可以适当降低。

3. 身份保留功能在实际创作中的进阶用法

掌握了基础用法后，我们来看看如何把这个功能真正用到创作流程中。

3.1 多参考图策略：提升角色特征稳定性

单张参考图有时候无法覆盖角色的所有角度和表情。身份保留功能支持使用多张参考图来提升特征提取的准确性：

1. 选择互补的参考图：包括正面、侧面、不同表情的图片，让模型更全面地理解角色特征。
2. 控制参考图数量：通常 3-5 张参考图效果最好，过多可能造成特征冲突。
3. 注意参考图质量：选择清晰、光线均匀的图片，避免极端角度或遮挡严重的图片。

在实际操作中，你可以先测试单张参考图的效果，如果发现某些角度生成效果不稳定，再逐步添加补充参考图。

3.2 与风格 LoRA 的协同使用

Krea 2 官方提供了一系列风格 LoRA，这些 LoRA 可以与身份保留功能完美配合：

风格 LoRA 应用示例： 1. 先启用身份保留功能，固定角色特征 2. 再加载风格 LoRA（如 krea2_warmpastel） 3. 调整 LoRA 强度（通常 0.6-0.8） 4. 在提示词中加入对应的触发词

这种组合使用的关键是理解处理顺序：身份特征先被提取，然后风格特征被应用。这意味着角色的一致性不会受到风格变化的影响，你可以在保持角色不变的情况下尝试多种艺术风格。

3.3 批量生成中的身份保留应用

身份保留功能在批量生成场景下价值最大。比如你要为同一个角色生成一系列不同场景的图片：

1. 建立角色模板：先配置好身份参考图和基础参数，保存为模板工作流。
2. 批量修改提示词：保持身份设置不变，只修改场景和动作描述。
3. 使用队列功能：ComfyUI 的批量处理功能可以大幅提升效率。
4. 质量检查：定期检查生成结果，确保角色特征在不同场景下都保持稳定。

这种工作流特别适合角色设计、漫画创作、游戏美术等需要角色一致性的场景。

4. 常见问题排查与性能优化

即使按照教程配置，在实际使用中还是可能遇到各种问题。下面是一些常见的排查思路。

4.1 身份特征不稳定的排查步骤

如果发现生成结果中角色特征时好时坏，可以按以下顺序排查：

1. 检查参考图质量：确保参考图清晰、光线正常、角色特征明显。
2. 验证模型加载：确认使用的是 Krea 2 Turbo 模型，而不是其他模型。
3. 调整身份强度：在 0.6-1.0 范围内微调身份强度参数。
4. 检查提示词冲突：提示词中不要包含与参考图角色特征矛盾的描述。
5. 测试不同采样器：有些采样器对身份特征的保持效果更好。

如果以上调整后问题依旧，可以尝试减少参考图数量，或者更换参考图重新测试。

4.2 显存与性能优化建议

身份保留功能会增加一定的显存开销，特别是在使用多张参考图时：

• 8GB 显存：建议使用单张参考图，分辨率不超过 1024x1024。
• 12GB 显存：可以处理 2-3 张参考图，支持 2K 分辨率生成。
• 16GB+ 显存：可以充分发挥功能优势，支持多参考图和高分辨率。

如果遇到显存不足的问题，可以尝试以下优化：

• 使用 FP8 量化版本的模型
• 降低生成分辨率
• 减少参考图数量
• 关闭不必要的控制节点

4.3 输出质量提升技巧

要获得最佳的身份保留效果，除了正确配置参数外，还有一些经验性的技巧：

• 参考图选择：选择面部清晰、无遮挡、光线均匀的图片作为参考。
• 提示词配合：在提示词中避免过于详细的角色描述，让身份保留功能发挥作用。
• 分阶段生成：可以先生成小图测试角色效果，满意后再生成高分辨率版本。
• 后期微调：如果生成结果基本满意但有些细节不理想，可以先用身份保留生成基础图，再用图生图微调。

5. 身份保留功能的边界与长期价值

任何技术方案都有其适用边界，身份保留功能也不例外。理解这些边界，才能更好地规划它的使用场景。

5.1 什么情况下身份保留功能效果最好

身份保留功能在以下场景中表现最佳：

• 人类角色：特别是面部特征明显的肖像类角色。
• 风格化角色：动漫、插画风格的角色，特征提取效果很好。
• 一致性要求高的项目：需要角色在多张图片中保持一致的创作项目。

相比之下，以下场景可能效果有限：

• 非生物角色：机械、建筑等无生命物体的特征保持。
• 特征模糊的角色：全身小图、遮挡严重的参考图。
• 极端风格变化：从写实到抽象漫画的跨度可能过大。

5.2 身份保留与传统 LoRA 训练的对比

很多人会问：既然身份保留这么方便，还有必要训练 LoRA 吗？实际上两者是互补关系：

身份保留的优势：

• 无需训练，即时使用
• 灵活性高，可以快速切换不同角色
• 适合短期项目或原型设计

LoRA 训练的优势：

• 特征保持更精确稳定
• 支持更复杂的角色特征
• 适合长期使用的核心角色

我的建议是：先用身份保留功能测试角色设计的可行性，如果某个角色需要长期大量使用，再考虑为其训练专属 LoRA。

5.3 从工具使用到工作流重构

身份保留功能的价值不仅仅是一个新特性，它实际上改变了 AI 绘画的工作流：

以前的工作流是：提示词 → 生成 → 筛选 → 再生成 现在的工作流可以变为：角色设定 → 身份保留 → 场景批量生成 → 后期优化

这种变化让创作过程更加可控，特别是对于需要角色一致性的商业项目来说，大幅降低了沟通和修改成本。

更重要的是，身份保留功能降低了角色一致性的技术门槛，让更多创作者能够专注于创意本身，而不是技术实现。这可能是它最大的长期价值——不是让生成更快，而是让创作更自由。

在实际项目中，我通常会先花时间建立核心角色的身份参考集，然后在此基础上进行批量创作。这种工作流不仅效率更高，而且输出质量更加稳定。对于需要交付一致性强内容的项目来说，这种可控性比单纯的生成速度提升更有价值。