Fibo 2.0 vs. Gemma 4 12B: Der eine zeichnet das Bild, der andere schreibt den Prompt dafür

Stellt man Fibo 2.0 und Gemma 4 12B auf einem Spec-Sheet nebeneinander, zerfällt der Vergleich sofort, weil sie nicht dieselbe Frage beantworten. Fibo 2.0 ist ein 8B-Bildmodell, das Bria am 20. Oktober 2026 veröffentlicht hat: Man gibt ihm eine Beschreibung oder ein Bild, und es liefert Pixel zurück. Gemma 4 12B ist Googles dichtes multimodales Sprachmodell mit 11,95B Parametern, Apache-2.0, verfügbar seit 23. Mai 2026: Man gibt ihm Text, Bilder oder Audio, und es liefert Text zurück, niemals ein Bild. Jede Seite zu „Fibo 2.0 vs. Gemma 4 12B“, die die beiden gegeneinander einordnet, stellt einen Renderer gegen einen Schreiber. Die nützliche Version dieses Vergleichs ist die, in der sie gar keine Rivalen sind – in der Gemma 4 12B den strukturierten Prompt schreibt und Fibo 2.0 ihn rendert, und in der sich die Frage stellt, ob dieses Paar eines der beiden Modelle allein schlägt.Spec-Sheets halten nicht fest, wie Bild- und Sprachmodelle im Produktivbetrieb scheitern, und diese Vorfälle sind im OrcaRouter AI Incident Archive katalogisiert, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig trägt.

Was jedes Einzelne tatsächlich zurückgibt

Das ist die ganze Argumentation in zwei Zeilen, und deshalb lohnt es sich, über diese Gegenüberstellung zu schreiben, statt sie abzutun: Die Ausgabetypen sind disjunkt.

• Ausgabe — Fibo 2.0 gibt ein Bild zurück, und zwar mit bis zu Multi-Referenz-Bearbeitungstreue; Gemma 4 12B gibt Text-Tokens zurück und verfügt über keinerlei Bilddecoder.

• Eingabe — Fibo 2.0 nimmt Text und bis zu vier Referenzbilder entgegen; Gemma 4 12B nimmt Text, Bilder und Audio in einem einzigen encoderfreien Stack mit einem 256.000-Token-Kontext auf.

• Job — Fibo 2.0 ist ein Renderer mit einem Prompt-Engpass; Gemma 4 12B ist ein Reasoner mit einem sehr langen Kontextfenster und ohne Rendering-Pfad.

Die Konsequenz ist nicht, dass eines besser ist. Sie ist, dass ein direkter Elo-Vergleich zwischen ihnen nicht nur nicht verfügbar, sondern bedeutungslos ist — niemand hat je eine Menschenmenge gebeten, zwischen einem JPEG und einem Absatz zu wählen.

Die Zahlen, nach denen Menschen greifen – und warum sie sich nicht subtrahieren lassen

Beide Modelle haben glaubwürdige unabhängige Scores, und sie messen unterschiedliche Dinge auf unterschiedlichen Skalen. Fibo 2.0 liegt bei 1.087,05 Elo auf dem AA-Image-Editing-v2.1-Board von Artificial Analysis, insgesamt auf Platz 20 und an erster Stelle unter den Open-Weights-Modellen, mit einem Konfidenzintervall von 1.073,05 bis 1.101,05 über 4.819 Battles. Auf AA-Image-T2I v2.1 sind es 1.038,79, insgesamt Platz 21. Gemma 4 12B hat einen Intelligence Index von 14,18 – ein Text-and-Reasoning-Composite, kein Präferenzscore – zusammen mit MMLU Pro 77,2, GPQA 78,8, AIME 77,5, Codeforces 1.659 und MMMU Pro 69,1.

Ein Elo-Wert und ein Index sind nicht dieselbe Einheit, daher ist „Fibo 2.0 ist 1.072 Punkte besser“ Arithmetik auf inkompatiblen Skalen. Was die Zahlen jedoch stützen, ist eine Arbeitsteilung: Denn MMMU Pro mit 69,1 – multimodales Schlussfolgern über Bilder – ist genau die Fähigkeit, ein Quellfoto zu lesen und zu entscheiden, was daran geändert werden sollte. Fibo 2.0 kann das nicht. Es kann nur eine Beschreibung ausführen, die es erhält.

Gemma 4 12B ist die fehlende Hälfte einer Fibo-Pipeline.

Der Grund für ihre Kombination hängt spezifisch damit zusammen, wie Fibo 2.0 aufgebaut wurde. Bria trainiert und dokumentiert es anhand von VGL – Visual GenAI Language – einem strukturierten JSON-Caption-Format mit benannten Feldern für Motiv, Komposition, Beleuchtung, Kamera, Stil und Text im Bild. Das Modell akzeptiert einen Satz, ist aber mit dem Schema berechenbarer, weil sein Qwen3-VL-4B-Prompt-Encoder durch einen zweischichtigen Perceiver-Resampler auf 256 bis 512 Gist-Tokens komprimiert wird und Feldgrenzen diese Engstelle auf eine Weise überstehen, die ein Bandwurmsatz nicht übersteht.

Schemakonformes JSON von Hand zu schreiben, ist mühsam und fehleranfällig. Das an ein Sprachmodell zu übergeben, ist weder mühsam noch fehleranfällig. Gemma 4 12B mit 256K Kontext kann das Schema, das Quellbild, einen hausinternen Styleguide und eine Reihe von Beispielen in einem Fenster halten, ein validiertes VGL-Objekt ausgeben und – das ist der entscheidende Punkt – das gerenderte Ergebnis betrachten und entscheiden, ob die Änderung gegriffen hat. Diese zweite Rolle ist eine Rückkopplungsschleife, die Fibo 2.0 nicht allein ausführen kann, weil es keine Möglichkeit hat, seine eigene Ausgabe zu prüfen.

• Schritt eins — Gemma 4 12B liest das Referenzbild sowie das Briefing und gibt VGL JSON aus. Sein MMMU Pro 69.1 ist die relevante Qualifikation, nicht sein Code-Score.

• Schritt zwei — Fibo 2.0 rendert oder bearbeitet aus diesem JSON, im Dev-Modus mit 50 Schritten, wenn Qualität zählt, oder Edit Turbo mit vier Schritten, wenn Durchsatz zählt.

• Schritt drei — Gemma 4 12B vergleicht das Ergebnis mit dem Briefing und genehmigt es entweder oder gibt ein korrigiertes JSON aus. Zwei Durchläufe fangen die meisten Fehler bei Text im Bild und an Maskenrändern ab.

• Schritt vier — alles, was die Schleife übersteht, geht an einen Menschen, was eine weit kleinere Warteschlange ist als die Prüfung jedes Renderings.

Keines der Modelle kann das allein gut. Fibo 2.0 hat keine Selbstprüfung; Gemma 4 12B hat keinen Renderer. Die Pipeline ist das Produkt.

Lizenz: die einzige Zeile, in der der Vergleich tatsächlich direkt ist

Beide haben offene Gewichte. Nur eines davon ist in einem Produkt ohne Konversation nutzbar.

• Fibo 2.0 — CC BY-NC 4.0 auf der Modellkarte für nicht-kommerzielle Nutzung; die kommerzielle Nutzung erfordert eine gesonderte Vereinbarung mit Bria. Das Hugging-Face-Repository ist auf „auto“ beschränkt und erfordert ein Formular zu Unternehmen und beabsichtigter Nutzung.

• Gemma 4 12B — Apache-2.0, keine Zugriffsbeschränkung, keine Einschränkung des Nutzungsbereichs, keine separate Vereinbarung. Herunterladen und ausliefern.

• Was das für das Paar bedeutet – eine interne Forschungs-Pipeline kann heute beide nutzen. Ein kommerzielles Produkt kann heute Gemma 4 12B nutzen und benötigt für den Renderer Brias Unterschrift.

• Warum Brias Klausel verteidigbar ist – der Trainingskorpus umfasst rund eine Milliarde lizenzierter Bilder, für die das Unternehmen bezahlt hat. Die Gewichte zu veröffentlichen und damit jedem zu ermöglichen, die eigene API auf diesem Korpus kostenlos zu unterbieten, hieße, das Gut zu verschenken, das der Korpus erkauft hat. Die Nicht-kommerziell-Klausel ist der Mechanismus, der genau das verhindert.

Dies ist der einzige Vergleich im Beitrag, der sich wie ein normaler Modellvergleich verhält: gleiche Frage, gleiches Antwortformat, ein klarer Gewinner. Apache-2.0 gewinnt. Sie ist nur zufällig die am wenigsten interessante Zeile, weil die Lizenz dir nicht sagt, welches Modell du wofür verwenden sollst — sie sagt dir, ob du es darfst, und sie ist das Erste, was du prüfen solltest, nicht das Letzte.

Kosten des Paares gegenüber den Kosten der API

Fibo 2.0 über die API von Bria kostet 0,032 $ pro Bild, 0,0288 $ für die günstigere Fibo-Lite-Stufe und 0,02 $ pro Aufruf, wenn Sie statt selbst VGL zu schreiben den eigenen Structured-Prompt-Dienst von Bria nutzen. Artificial Analysis führt pricePer1kImages mit 32,00 $ auf, was mit dem genannten Ausgangspreis übereinstimmt. Der Posten von 0,02 $ für strukturierte Prompts verdient einen Moment des Innehaltens, denn genau diese Aufgabe wird oben an Gemma 4 12B übergeben – und Gemma 4 12B mit 12B-Parametern ist günstig genug im Betrieb, dass sich die Frage stellt, ob das selbstständige Schreiben des JSON günstiger ist als zweimal pro Bild zu zahlen.

• Nur Fibo 2.0, Freitext-Prompt — 0,032 $ pro Bild.

• Fibo 2.0 plus Brias strukturierter Prompt-Dienst — 0,052 $ pro Bild, und kein Reasoning-Modell erforderlich.

• Fibo 2.0 plus Gemma 4 12B, die das JSON schreiben – 0,032 $ pro Bild plus dem, was Ihnen das 12B-Modell kostet. Auf einer gemieteten GPU, auf der das 12B-Modell lokal läuft, sind das in der Regel weniger als zwei Cent für die Generierung pro Prompt; über einen gehosteten Endpoint hängt es vollständig von den Eingabepreisen des Anbieters ab, da der Prompt ein Bild enthält.

Der Self-Hosted-Weg bringt außerdem etwas, das die API nicht kann: die Selbstprüfung in zwei Durchgängen. Brias strukturierter Prompt-Dienst erzeugt das JSON; er schaut sich das gerenderte Ergebnis danach nicht an. Ein lokales Gemma 4 12B kann das, und bei allem, wo Text-Rendering oder Maskenkanten eine Rolle spielen, kommt die Qualität tatsächlich aus dieser Prüfung.

Gemma 4 12B neben dem Renderer ausführen

Gemma 4 12B ist in seiner 12B-Form nicht im OrcaRouter-Katalog, also nimm das als Tatsache hin, statt einen Weg darum herum zu suchen. Im Katalog stehen die größeren Gemma-4-Geschwister: google/gemma-4-26b-a4b-it mit 0,06 $ für Input und 0,33 $ für Output pro Million Tokens sowie google/gemma-4-31b-it mit 0,13 $ und 0,38 $. Beide schreiben VGL-JSON; beide kosten pro Aufruf mehr als das 12B, geben dir aber einen größeren Reasoning-Spielraum für den Review-Schritt, also die Hälfte des Loops, die von mehr Fähigkeiten profitiert.

Das ist die Gestalt des OrcaRouter-Arguments hier, und sie ist eng gefasst. Der Renderer stammt von Bria und wird über Brias API oder selbst gehostete Gewichte erreicht. Das Modell, das die Prompts schreibt und prüft, kann hinter einem einzigen Schlüssel sitzen – zusammen mit allem anderen in Ihrem Stack: über 200 Modelle, Listenpreise der Anbieter zu 0 % Aufschlag weitergegeben, automatisches Failover, wenn ein Endpoint schlechter wird, und die Routing-DSL, um die Schritte Schreiben, Rendern und Prüfen zu einem einzigen Aufruf zu verketten statt zu drei Client-Bibliotheken. Wenn Bria den Preis pro Bild senkt, muss der unveränderte Teil Ihrer Rechnung nicht migriert werden, um das widerzuspiegeln.

Was OrcaRouter nicht tut, ist Fibo 2.0 bereitzustellen. Jede Seite, die behauptet, ein einziger Endpoint decke beide Hälften dieser Pipeline ab, beschreibt ein Produkt, das nicht existiert.

Welches du tatsächlich brauchst

Fragen Sie, was das Ergebnis ist. Wenn es ein Bild ist, ist Gemma 4 12B kein Kandidat und war es nie – es kann keines erzeugen, zu keinem Preis, unter welcher Lizenz auch immer, egal wie man die Bestenliste liest. Wenn das Ergebnis eine Entscheidung über ein Bild ist – ist dieses Foto verwendbar, entspricht dieses Layout dem Markenleitfaden, was sollte in dieser Szene geändert werden –, ist Fibo 2.0 das falsche Werkzeug und seine 1.087 Elo sind irrelevant.

Der Pairing-Fall ist der, für den es sich zu bauen lohnt, und genau ihn macht dieses Release erstmals praktisch umsetzbar. Das VGL-Format von Fibo 2.0 ist eine maschinenlesbare Schnittstelle, und eine maschinenlesbare Schnittstelle ist es, die ein Sprachmodell einen Renderer zuverlässig steuern lässt, statt darauf zu hoffen, dass ein Freitext-Prompt verfängt. Vor diesem Release waren Generierung und Bearbeitung bei Fibo getrennte Checkpoints mit getrenntem Verhalten; jetzt deckt ein einziger Satz Gewichte beides ab, das Schema ist dokumentiert, und das Paket bria-vgl gibt einem Sprachmodell etwas Konkretes, gegen das es validieren kann. Der interessante Vergleich war nie Fibo 2.0 gegen Gemma 4 12B. Er lautet Fibo 2.0 plus Gemma 4 12B gegen einen menschlichen Art Director mit Stockfoto-Abonnement, und beim Volumen ist das alles andere als knapp.