Fibo 2.0 vs LFM2.5 2.6B Base: 2,7 mil millones de parámetros de texto, u 8,1 mil millones de parámetros de imágenes

La diferencia de tamaño es lo primero que cualquiera nota y lo menos útil de todo. Fibo 2.0, lanzado por Bria el 20 de octubre de 2026, tiene 8.127.342.213 parámetros y devuelve imágenes. LFM2.5 2.6B Base, lanzado por Liquid AI el 1 de agosto de 2026, tiene 2690 millones y devuelve texto —y no texto terminado, sino el comportamiento de continuación en bruto de un checkpoint base preentrenado al que no se le ha aplicado ajuste por instrucciones. Preguntar cuál es mejor es como preguntar si una cámara es mejor que un diccionario. La pregunta que sí tiene respuesta es más estrecha y más práctica: cada uno es la opción abierta creíble más pequeña en su propia categoría, y saber dónde se sitúa el mínimo de cada categoría te indica cuál descarta realmente tu restricción.Ninguna de las dos fichas de modelo registra lo que ocurre cuando un checkpoint como este se despliega mal, y los incidentes registrados están catalogados en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, la gravedad, el grado de confianza y el indicador de disputa.

El suelo, en ambas direcciones

Ambos modelos son interesantes por la misma razón estructural —cada uno se sitúa cerca del límite inferior de lo que es viable para su función— y ese es el único eje en el que resultan comparables en absoluto.

• Parámetros — Fibo 2.0 8.127.342.213 en BF16; LFM2.5 2.6B Base 2,69 mil millones. Aproximadamente una proporción de tres a uno en los pesos, que es más o menos también la proporción en memoria.

• Salida — Fibo 2.0 devuelve una imagen; LFM2.5 2.6B Base devuelve tokens de texto y nada más.

• Dónde se ejecuta — Fibo 2.0 necesita una GPU con suficiente VRAM para un transformer de difusión de 44 bloques a 50 pasos, o cuatro pasos en la variante Turbo; LFM2.5 2.6B Base se distribuye en formatos GGUF, ONNX y MLX y está diseñado para funcionar en un teléfono, un portátil o un ordenador de placa única.

• Estado de ajuste — Fibo 2.0 Dev es una base no destilada con guía libre de clasificador, documentada para el ajuste fino; LFM2.5 2.6B Base solo está preentrenada, sin comportamiento de seguimiento de instrucciones hasta que alguien la ajuste.

• Licencia — Fibo 2.0 es CC BY-NC 4.0 para uso no comercial, con uso comercial mediante acuerdo; LFM2.5 2.6B Base está bajo la licencia LFM 1.0, que permite el uso comercial sujeto a sus propios términos.

• Puntuaciones — Fibo 2.0 se sitúa en 1.087,05 Elo en AA-Image-Editing v2.1, primero entre los pesos abiertos; LFM2.5 2.6B Base tiene un Índice de Inteligencia estimado de 8,39, GPQA 55,8 %, Terminal-Bench 2.1 en 4,5 % y HLE 6,2 %.

Esas dos líneas de puntuación no pueden colocarse en la misma frase como comparación. Una es una puntuación de preferencia del público sobre imágenes renderizadas; la otra es un compuesto sobre benchmarks de texto. El único uso honesto de ambas es caracterizar para qué sirve cada modelo.

Qué es en realidad un checkpoint base, porque el nombre engaña

«Base» en LFM2.5 2.6B Base no es una forma modesta de decir «estándar». Significa que el modelo se ha entrenado con 34 billones de tokens de predicción del siguiente token y nada más: sin ajuste por instrucciones, sin plantilla de chat, sin comportamiento de rechazo, sin conciencia de que una pregunta es una pregunta. Si se le da «Resume este correo:», continuará la cadena con el estilo que sugieran los datos de preentrenamiento, que puede ser el resto de un hilo de correo en lugar de un resumen.

Eso lo convierte en un buen punto de partida y en un mal producto. Liquid AI lo distribuye para quienes tienen la intención de ajustarlo con fine-tuning, y la arquitectura está elegida para esa tarea: 30 capas, 22 convoluciones cortas de doble compuerta y 8 capas de atención con consultas agrupadas, un vocabulario de 128K, un contexto de 131.072 tokens y cobertura de 16 idiomas en el preentrenamiento. Que la pila esté cargada de convoluciones es la razón por la que cabe en un teléfono: el coste de la atención crece con el contexto y el de las convoluciones no, y esa es toda la tesis de diseño.

• Arquitectura — 30 capas: 22 bloques de convolución corta con doble compuerta y 8 bloques GQA, vocabulario de 128K.

• Entrenamiento — 34 billones de tokens, 16 idiomas, solo preentrenado.

• Contexto: 131.072 tokens, que es la cifra que la pila de convolución está diseñada para hacer asequible.

• Formatos — GGUF, ONNX y MLX, por lo que llama.cpp, ONNX Runtime y Apple silicon son todos objetivos de primera clase.

• Lo que no hace — seguir instrucciones, mantener una conversación o producir algo que no sea una continuación de texto, hasta que lo ajustes.

La comparación con el checkpoint Dev de Fibo 2.0 es más cercana de lo que parece a primera vista. Fibo 2.0 Dev también es una base —no destilada, 50 pasos con guía sin clasificador a 5.0, y explícitamente el checkpoint que Bria señala para el ajuste fino—. Ambos proyectos ofrecen un objetivo de ajuste fino junto con un producto utilizable, o en lugar de este. La diferencia es que Fibo 2.0 Edit Turbo existe como la versión utilizable de los mismos pesos, destilada a cuatro pasos sin guía, mientras que LFM2.5 2.6B tiene que ajustarse antes de ser utilizable en absoluto.

Licencia y el coste real de lo «abierto»

Ambos modelos se pueden descargar. Lo que puedes hacer con ellos diverge radicalmente, y en una dirección que invierte la intuición habitual sobre el tamaño: el modelo minúsculo es el que se puede usar comercialmente.

• Fibo 2.0 — CC BY-NC 4.0 para uso no comercial. El uso comercial requiere un acuerdo por separado con Bria. El repositorio de Hugging Face está restringido mediante un formulario de empresa y uso previsto.

• LFM2.5 2.6B Base — licencia LFM 1.0, que permite el despliegue comercial según sus propios términos. Sin negociación por uso, aunque los términos no son Apache-2.0 y conviene leerlos en lugar de darlos por supuestos.

• Por qué los términos de Bria son los que son: el corpus de entrenamiento es de aproximadamente mil millones de imágenes con licencia que la empresa pagó. Unos pesos gratuitos que permitieran a cualquiera ofrecer precios por debajo de la propia API de Bria sobre ese corpus regalarían el activo que ese corpus compró.

• La división práctica: un pipeline de investigación interno puede usar ambos mañana. Un producto comercializable puede integrar LFM2.5 2.6B Base en un dispositivo mañana y no puede lanzar Fibo 2.0 sin una firma.

Esto no es una crítica a Bria. Es la estructura de costes de los dos problemas. Liquid AI se entrenó con texto, la mayor parte del cual es libre de licenciar; Bria se entrenó con fotografías, ninguna de las cuales lo es. Los términos de licencia dependen de los datos de entrada, no de la calidad del modelo, y ese es el lugar correcto para que dependan.

Donde se encuentran: el asistente en el dispositivo que describe antes de renderizar

Hay una arquitectura en la que estos dos modelos pertenecen al mismo sistema, y es la razón por la que este artículo es una comparación y no una desestimación. La ruta de condicionamiento de Fibo 2.0 toma una descripción JSON estructurada —VGL, el Visual GenAI Language de Bria— con campos con nombre para sujeto, composición, iluminación, cámara, estilo y texto en la imagen. Un modelo de texto de 2.6B que cabe en el dispositivo que captura la foto es justo el tipo de cosa que podría escribir ese JSON localmente, sin una ida y vuelta.

Que pueda hacerlo es una cuestión distinta de si debería. Una base preentrenada con un índice estimado de 8.39, GPQA 55.8% y HLE 6.2% no va a emitir de forma fiable JSON válido según esquema a partir de una fotografía sin un fine-tuning específico para la tarea — y hacer fine-tuning sobre un corpus VGL es un trabajo bien definido y del tamaño de un modelo pequeño. Esa es la versión honesta del argumento del término medio: LFM2.5 2.6B Base es un sustrato plausible para un redactor de leyendas con fine-tuning, no para uno listo para usar.

• Lo que aporta el 2.6B: se ejecuta donde se toma la foto, con menos de 3 GB de pesos, sin red y sin coste por llamada.

• Lo que necesita primero — ajuste fino supervisado con ejemplos en formato VGL, además de decodificación restringida o una gramática JSON para garantizar una salida válida.

• Lo que aporta el renderizador — todavía necesita una GPU. La mitad en el dispositivo describe; la mitad en el servidor dibuja. Esa es la única división que funciona hoy.

• Qué rompe la idea: si la descripción tiene que ser buena, un modelo multimodal de clase 12B lee la imagen de origen mejor de lo que puede hacerlo uno de solo texto de 2.6B, porque el de 2.6B no puede ver la foto en absoluto.

Ese último punto es el que resuelve la mayoría de los diseños reales. LFM2.5 2.6B Base es texto de entrada, texto de salida. Puede escribir un pie de foto VGL a partir de un brief escrito; no puede mirar la imagen que describe. Quien combine ambos debe tener claro cuál de esas tareas está comprando realmente.

Consiguiendo cada uno

Fibo 2.0 proviene de la API de Bria a $0.032 por imagen, de la herramienta de creación alojada de Bria, a través de nodos de ComfyUI, o como pesos con acceso restringido en Hugging Face. LFM2.5 2.6B Base proviene de Hugging Face en GGUF, ONNX y MLX, sin restricciones de acceso en la versión base. Ninguno está en el catálogo de OrcaRouter, y ninguna de las afirmaciones necesita matizarse: Fibo 2.0 es un endpoint de imágenes y la base 2.6B de Liquid es un checkpoint descargable, y un router no sirve bien a ninguno de los dos.

Lo que un router sí ofrece es todo lo que hay a su alrededor. OrcaRouter permite usar una sola clave con más de 200 modelos, con precios de lista de los proveedores traspasados con un 0 % de margen, así que un cambio de precio del proveedor en el lado del texto se refleja el mismo día en que ocurre. Si estás creando el pipeline de ajuste fino para un redactor de subtítulos VGL, tanto el modelo que genera pares de entrenamiento sintéticos como el que los evalúa pueden estar detrás de esa única clave, con conmutación por error automática mientras iteras y el DSL de enrutamiento para distribuir un benchmark entre varios modelos en una sola llamada. El renderizador sigue siendo de Bria. El bucle de ajuste es donde el enrutamiento se gana su lugar.

La decisión, dicha claramente

Si tu restricción es dónde se ejecuta el modelo, LFM2.5 2.6B Base no compite con Fibo 2.0: es el único de los dos que se ejecuta en el dispositivo, y su índice estimado de 8.39 es un techo que eliges a propósito a cambio de eso. Si tu restricción es qué es la salida, Fibo 2.0 es el único de los dos que produce la salida, y sus 1,087 Elo entre pesos abiertos son la marca máxima actual para la edición de imágenes descargable. Nadie está eligiendo entre estos modelos. Están eligiendo entre un objetivo de despliegue y un entregable, y esas son decisiones distintas que casualmente han llegado en las noticias de la misma semana.

La única pregunta realmente compartida es la licencia, y se resuelve de la misma manera para las dos mitades de un build comercial: la base de 2,6B se puede usar según sus términos, el renderizador de 8B requiere el acuerdo de Bria, y que el modelo más pequeño sea el más libre es un hecho sobre los datos de entrenamiento, no sobre la ingeniería. Planifica el producto en torno a eso, no en torno al número de parámetros.