Fibo 2.0 Dev erreicht ModelScope: Der Checkpoint, den Bria tatsächlich fürs Fine-Tuning gebaut hat

Der Eintrag für Fibo 2.0 Dev auf der China-Website von ModelScope wurde am 20. Oktober 2026 um 17:03 UTC erstellt – am selben Tag, an dem Bria das Modell veröffentlichte – und eine Kopie auf der internationalen Website erschien zwei Tage später, am 22. Oktober um 09:55 UTC. Keine der beiden Spiegelkopien hat sich seitdem wesentlich verändert: Der China-Eintrag verzeichnete bei der Prüfung in dieser Woche 691 Downloads, der internationale 59, und beide enthalten ein Lizenzfeld, in dem wenig hilfreich „other“ steht. Die Downloadzahlen sind nicht das Entscheidende. Entscheidend ist, was der eigene Engineering-Stack von ModelScope über die Checkpoints aussagt, denn die Fibo-Dokumentation von DiffSynth-Studio stellt es jetzt unmissverständlich klar: Nur Fibo 2.0 Dev ist trainierbar.

Das ist es wert, einen Gang herunterzuschalten. Bria (das Unternehmen hinter dem Modell) hat Fibo 2.0 am 20. Oktober 2026 als Open-Weights-Modell mit 8,13 Milliarden Parametern veröffentlicht, das Text-zu-Bild-Generierung und instruktionsbasiertes Editieren mit einem einzigen Gewichtssatz beherrscht, und unter diesem Namen zwei Checkpoints publiziert – das vollständige Basismodell und einen destillierten Editor. ModelScope, der chinesische Modell-Hub, dessen Projekt DiffSynth-Studio die Trainingsskripte bereitstellt, hat nun beide integriert und die Grenze gezogen, auf die Entwickler gewartet haben: Der destillierte Checkpoint ist ein Deployment-Artefakt, der nicht destillierte ist der, dem man etwas beibringen kann.

Was ist tatsächlich auf ModelScope und was nicht?

Es gibt zwei Einträge, und sie sind Spiegel derselben Gewichte, kein Neuaufbau. Die China-Website führt briaai/Fibo-2.0-dev unter der Aufgabe text-to-image-synthesis mit den Bibliotheken pytorch, lora, safetensors und diffusers auf – dass lora in dieser Liste vorkommt, ist ein kleiner Hinweis auf die Absicht. Die internationale Website führt dieselbe Modell-ID mit einem eigenen, deutlich kleineren Download-Zähler. Beide verweisen zurück auf das zugangsbeschränkte Hugging-Face-Repository, statt eine separate Kopie zu hosten, sodass jeder, der die tatsächlichen Dateien benötigt, weiterhin das Formular von Bria für nichtkommerziellen Zugang durchlaufen muss.

Zwei Details sollte man hervorheben, weil sie jemanden verwirren werden, der das Listing isoliert liest. Das Task-Tag gibt nur Text-to-Image an, was den Checkpoint untertreibt: Fibo 2.0 Dev erledigt Generierung und Bearbeitung mit denselben Gewichten, und der Bearbeitungspfad ist der, der die meisten Teams interessiert. Und das Lizenzfeld sagt „other“ statt „CC BY-NC 4.0“, was eine Metadatenlücke ist, keine andere Lizenzvergabe – die Vergabe ist weiterhin Bris non-commercial Lizenz, und sie ist die größte einzelne Einschränkung für alles, was man auf diesem Checkpoint fine-tuned.

Auch der Zeitpunkt ist wichtig dafür, wie die Meldung gelesen werden sollte. Die Gewichte wurden am 18. und 19. Oktober auf dem Hub veröffentlicht, Artificial Analysis hatte bis zum 20. Oktober einen Snapshot, ComfyUI hat am 21. Oktober native Unterstützung integriert, und ModelScopes internationaler Mirror wurde am 22. Oktober ergänzt. Fibo 2.0 Dev ist ein neun Tage alter Checkpoint in einer Distributionsphase, die sich noch bewegt – keine alte Veröffentlichung, die wiederbelebt wird.

Dev versus Edit Turbo ist eine echte Abspaltung, keine bloße Namensspielerei

Bria hat zwei Checkpoints unter einem Release-Namen veröffentlicht, und der Unterschied entscheidet über alles Nachgelagerte:

• Sampling — Fibo 2.0 Dev führt 50 Schritte mit Classifier-Free Guidance bei 5,0 aus; Fibo 2.0 Edit Turbo führt 4 Schritte aus, wobei die Guidance fest auf 1,0 gesetzt ist, was so viel heißt wie: überhaupt keine Guidance.

• Aufgabenabdeckung — Dev übernimmt Text-zu-Bild und Bearbeitung; Turbo übernimmt nur Bearbeitung, daher ist ein Text-zu-Bild-Prompt bei Turbo das falsche Werkzeug und keine langsamere Antwort.

• Negative Prompts – sie funktionieren auf Dev, weil CFG aktiv ist; bei Turbo gibt es kein CFG zum Steuern, daher hat ein Negative Prompt keinen Hebel, an dem man ziehen kann.

• Trainierbarkeit — das ist hier die entscheidende Weggabelung. Die Fibo-Seite von DiffSynth-Studio stellt ausdrücklich klar, dass nur Fibo-2.0-dev ein Trainingsziel ist; Turbo wird als nicht für Fine-Tuning vorgesehen beschrieben.

• Kosten pro Bild bei der Inferenz – Turbo ist für die enge Aufgabe, die es erledigt, ungefähr eine Größenordnung günstiger im Betrieb, und genau deshalb sollte niemand es feinabstimmen, um diese Lücke aufzuholen.

Unter der Haube sind sie gleich aufgebaut: ein Flow-Matching-Diffusions-Transformer, der im latenten Raum des FLUX.2-VAE arbeitet, ein BF16-DiT mit 8.127.342.213 Parametern und 44 Single-Stream-Blöcken, von denen fünf per Cross-Attention auf einen Qwen3-VL-4B-Instruct-Textencoder zugreifen, dessen Ausgabe ein zweilagiger Perceiver-Resampler auf 256–512 „Gist“-Token komprimiert. Das Repository kommt alles in allem auf rund 25,5 GB – ein 16,3-GB-Transformer, ein 8,9-GB-Textencoder und ein 0,34-GB-VAE –, und das ist die Zahl, die man veranschlagen sollte, nicht die 8B aus der Schlagzeile.

Das Trainingsrezept: eingefrorene Encoder, ein trainierbares DiT

Der Beitrag von ModelScope ist kein weiterer Mirror, sondern ein Skriptsatz, und seine Form ist auf eine Weise konventionell, die ihn nutzbar macht. Das Training verwendet dieselbe FiboPipeline, die auch für die Inferenz genutzt wird, und läuft über examples/fibo/model_training/train.py. Der VAE und der Text-Encoder sind eingefroren; der DiT wird mit Flow Matching trainiert. Diese Wahl ist die vernünftige – einen Qwen3-VL-4B-Encoder zusammen mit einem 16-GB-Transformer auf einem einzelnen Knoten zu fine-tunen, ist ein anderes Projekt –, aber sie bedeutet auch, dass ein Fine-Tune Stil, Komposition und Bearbeitungsverhalten umlenken kann, ohne dem Modell eine wirklich neue Sprache von Prompts beizubringen.

Zwei Ebenen werden unterstützt, und beide sind ausschließlich DiT:

• Vollständiges Fine-Tuning — übergib `--trainable_models "dit"` und lass Accelerate die Distributed-Konfiguration übernehmen; der gesamte Transformer wird verschoben, sonst nichts.

• LoRA — Adapter mit --lora_base_model "dit" an das DiT anhängen, Zielmodule und Rang festlegen und optional von einem Checkpoint fortsetzen; die bereitgestellten LoRA-Skripte verwenden standardmäßig eine einzelne GPU.

Editing ist ein Trainingsziel erster Klasse und kein nachträglicher Zusatz. Editing-Läufe übergeben edit_image und eine optionale Maske über --extra_inputs, und ein UnifiedDataset liest diese Spalten aus den Metadaten; Zeilen ohne Masken werden als gewöhnliche Editing-Beispiele trainiert, statt verworfen zu werden. Da Generierung und Editing gemeinsame Gewichte nutzen, kann ein einziges Fine-Tuning eine neue Domäne und zugleich vermitteln, wie man darin editiert — die eigene Model Card von Bria wirbt damit für Brand- und Style-LoRAs, vertikale Spezialisten und eng gefasste Task-Editoren und liefert einen Single-GPU-LoRA-Trainer mit einem Leitfaden zur Datenvorbereitung im fine_tuning/-Ordner des Repositorys mit.

Die beiden Beispieldatensätze zeigen das Schema, das Sie erstellen sollen: DiffSynth-Studio/diffsynth_example_dataset, mit einem fibo/Fibo-2.0-dev-Split, der eine Metadaten-CSV mit Bild und Prompt enthält, und einem fibo/Fibo-2.0-dev-Edit-Split, der Metadaten-JSON mit Bild, Prompt, edit_image und optionaler Maske enthält. Nichts an diesem Schema ist exotisch; die Arbeit besteht darin, die Captions zu erstellen.

VRAM: der Teil, den die Modellkarte nicht quantifiziert

Es gibt kein veröffentlichtes Minimum. Die DiffSynth-Dokumentation empfiehlt Low-VRAM-Konfigurationen und automatisches VRAM-Management anhand des verbleibenden Speichers, statt einen Mindestwert zu nennen, und die Beispielkonfiguration zeigt dir, was sie erwarten: Laden und Vorbereiten in FP8 E4M3, Berechnen in BF16, Auslagern auf die Festplatte und Begrenzung der Gesamtnutzung auf den gesamten CUDA-Speicher minus 0,5 GB. Das ist ein Rezept von Leuten, die wissen, dass die Antwort von deiner Karte, deiner Auflösung und davon abhängt, ob Gradient Checkpointing aktiviert ist — und sie sind ehrlich darüber. Plane das Auslagern ein und akzeptiere, dass ein Fine-Tune bei einem Megapixel langsam sein wird, bevor es gut ist.

Strukturiertes JSON ist die Schnittstelle, also muss Ihr Datensatz es sprechen.

Fibos Steuerungsoberfläche ist kein Prompt-Feld. Das Modell wurde auf Captions der Visual GenAI Language (VGL) trainiert – strukturiertem JSON, in dem Beleuchtung, Komposition, Stil, Kamera und Objekte unabhängig adressierbare Felder sind – und die Inferenz-Pipeline liefert die Caption zusammen mit dem erzeugten Bild zurück. Der bria-vgl-Helfer stellt create() für die Generierung und modify() für Bearbeitungen bereit, Sie müssen das JSON also nicht von Hand schreiben; ein gehostetes VLM übernimmt die Erweiterung, es sei denn, Sie verfassen es selbst.

Das hat eine direkte Konsequenz für das Fine-Tuning, die in der Berichterstattung zum Launch weitgehend ausgelassen wurde. Wenn man mit Freitext-Prompts trainiert, trainiert man das DiT gegen ein Caption-Format, für das es nicht konzipiert wurde, und die Kontrolle, die man gewinnen wollte, ist das Erste, was verloren geht. VGL-Captions in den Metadaten zu speichern – entweder von der Pipeline generiert und anschließend bearbeitet oder bewusst verfasst – erhält das Verhalten der adressierbaren Felder intakt, und es ist der Unterschied zwischen einem LoRA, das einen Stil verschiebt, und einem LoRA, das einen Stil verschiebt, ohne den Rest des Bildes zu zerstören. Wenn das Trainingsset aus Bildern ohne Captions besteht, ist der Captioning-Durchlauf der teure Schritt, und es ist eine Aufgabe für ein Sprachmodell.

Das Tooling landete schneller, als die meisten neuen Checkpoints erscheinen.

Für ein neun Tage altes Modell ist der umgebende Stack ungewöhnlich vollständig, was teilweise der Grund dafür ist, warum die ModelScope-Integration weniger bedeutsam ist, als es den Anschein hat, und zugleich nützlicher als ein bloßer Spiegel.

• diffusers — eine BriaFibo2Pipeline wurde als PR #14991 eingeführt, und das ist der Weg, den der Großteil des Inferenzcodes nehmen wird.

ComfyUI — die native Unterstützung wurde am 21. Oktober als PR #17240 zusammengeführt und in v0.43.0 ausgeliefert; hinzugefügt wurden ein fibo2-Text-Encoder-Typ, der das offizielle Qwen3-VL-4B lädt, sowie ein TextEncodeFibo2-Knoten, der VGL-Prompts und Referenzbilder verarbeitet. BF16- und INT8-Repacks folgen diesem Loader-Layout, und für quantisierte lokale Ausführungen ist GGUF-Architekturunterstützung vorhanden.

• ModelScope / DiffSynth-Studio — Inferenz- und Trainingsskripte an einem Ort, genau das, was ein Team, das sich auf DiffSynth standardisiert, tatsächlich braucht, bevor es ein Fine-Tuning planen kann.

Die Wand, die niemand erwähnt: CC BY-NC 4.0

Fibo 2.0 sind offene Gewichte, nicht Open Source, und die Kluft zwischen diesen beiden Formulierungen ist die gesamte kommerzielle Frage. Die Checkpoints stehen unter CC BY-NC 4.0: nur nichtkommerzielle Nutzung, wobei der kommerzielle Einsatz eine separate Vereinbarung mit Bria erfordert, und die Hugging-Face-Repositories sind durch ein Unternehmens- und beabsichtigte-Nutzung-Formular geschützt. Ein Marken-LoRA, der auf Fibo 2.0 Dev trainiert wurde, ist ein Forschungsartefakt, bis diese Vereinbarung existiert – ein seltsamer Ort für „genau das, worauf Entwickler aufbauen wollen“, aber es ist der zutreffende Ort. Vergleicht man die Open-Weight-Alternativen, die kommerzielle Nutzung uneingeschränkt erlauben, wird die Lizenz – nicht der Elo – zur entscheidenden Linie für alle, die ausliefern.

Das Qualitätsbild ist zudem enger, als es die Schlagzeile nahelegt. Bei AA-Image-Editing v2.1 von Artificial Analysis kommt Fibo 2.0 auf 1.088 Elo mit einem Intervall von ±14 über 5.009 Blindstimmen – insgesamt Platz 23 und Erster unter den Open-Weights-Editoren, auch wenn es seit dem Launch-Snapshot ein oder zwei Plätze verloren hat. Qwen-Image-2.1 liegt bei 1.081 ±13, und die Intervalle überschneiden sich nahezu vollständig, sodass die Open-Weights-Führung eher einem Stichentscheid als einem Beweis gleichkommt. Bei AA-Image-T2I v2.1 kehrt sich die Reihenfolge um: 1.039 ±12 für Fibo 2.0 gegenüber 1.042 ±12 für Qwen-Image-2.1. Die eigene Modellkarte von Bria ist in den engen Kategorien noch weniger schmeichelhaft – sie listet Textwiedergabe und Layout auf Plätzen im oberen 10er- bis niedrigen 20er-Bereich und menschliche Anatomie auf Platz achtzehn. Ein Fine-Tuning kann diese Schwächen angehen, aber nicht über das hinausgehen, was der Encoder versteht.

Wo Routing passt und wo nicht

Die ehrliche Aufteilung: Fibo 2.0 selbst ist nicht im Katalog von OrcaRouter, hier geht es also nicht um einen Pitch nach dem Motto „Fibo über uns aufrufen“. Was das Routing bringt, ist die andere Hälfte der Pipeline. Die beiden Sprachmodell-Aufgaben rund um diesen Checkpoint – VGL-Captions für ein Trainingsset schreiben und kurze Prompts zur Inferenzzeit in strukturiertes JSON ausbauen – sind gewöhnliche Text-Workloads, und genau sie entscheiden, ob ein Fine-Tuning überhaupt möglich ist. OrcaRouter bietet eine API für über 200 Modelle mit 0 % Aufschlag, sodass die Listenpreise der Anbieter durchgereicht werden und ein Vendor-Anteil noch am selben Tag auf Ihrer Rechnung landet; automatisches Failover über Anbieter hinweg bedeutet, dass ein Captioning-Lauf über ein paar tausend Bilder nicht an einem einzigen Upstream scheitert; und die Routing-DSL kann ein günstiges Modell für Massen-Captioning festlegen, während die schwierigen Fälle an etwas Stärkeres gehen, mit Modellfusion, wenn ein einzelner Captioner immer wieder ein Feld verfehlt. Das Bildmodell bleibt, wo es ist; der Text drumherum ist routbar.

Was als Nächstes zu erwarten ist, steht in Brias eigener Roadmap: Die Model Card führt Multi-Turn-lokale Bearbeitung, Hintergrundentfernung, ein Produkt-Shot-LoRA, Maskenlöschung und Outpainting auf – all das würde zuerst im Dev-Checkpoint erscheinen, weil Dev derjenige mit einer Trainingsschleife ist. Die ModelScope-Mirrors sind die langweilige Hälfte dieser Geschichte. Der DiffSynth-Satz „Nur Fibo-2.0-dev ist trainierbar“ ist die nützliche Hälfte, und er ist der Grund, das 25,5 GB große Repository herunterzuladen, statt die API aufzurufen.