Fibo 2.0 Dev arrive sur ModelScope : le checkpoint que Bria a réellement conçu pour le fine-tuning

La fiche Fibo 2.0 Dev sur le site chinois de ModelScope a été créée à 17h03 UTC le 20 octobre 2026 — le jour même où Bria a publié le modèle — et une copie sur le site international est apparue deux jours plus tard, à 09h55 UTC le 22 octobre. Depuis, aucun des deux miroirs n’a beaucoup évolué : la fiche chinoise affichait 691 téléchargements et l’internationale 59 lors d’une vérification cette semaine, et toutes deux comportent un champ de licence qui indique, sans grande utilité, « other ». Les chiffres de téléchargement ne sont pas l’essentiel. L’essentiel, c’est ce que la pile d’ingénierie propre à ModelScope dit des checkpoints, car la documentation Fibo de DiffSynth-Studio l’affirme désormais clairement : seul Fibo 2.0 Dev est entraînable.

Cela mérite qu'on s'y attarde. Bria (l'entreprise derrière le modèle) a lancé Fibo 2.0 le 20 octobre 2026 sous la forme d'un modèle à poids ouverts de 8,13 milliards de paramètres qui assure la génération texte-vers-image et l'édition sur instruction avec un seul jeu de poids, et a publié deux checkpoints sous ce nom — la base complète et un éditeur distillé. ModelScope, le hub de modèles chinois dont le projet DiffSynth-Studio fournit les scripts d'entraînement, a désormais intégré les deux et établi la distinction que les développeurs attendaient : le checkpoint distillé est un artefact de déploiement, celui qui ne l'est pas est celui que l'on peut enseigner.

Qu’y a-t-il réellement sur ModelScope, et qu’est-ce qui n’y est pas ?

Deux fiches existent, et ce sont des miroirs des mêmes poids, et non une reconstruction. Le site chinois répertorie briaai/Fibo-2.0-dev sous la tâche text-to-image-synthesis avec les bibliothèques pytorch, lora, safetensors et diffusers — la présence de lora dans cette liste est un petit indice sur l’intention. Le site international affiche le même ID de modèle avec son propre compteur de téléchargements, bien plus petit. Les deux renvoient au dépôt Hugging Face à accès restreint plutôt que d’héberger une copie séparée, de sorte que quiconque a besoin des fichiers réels passe encore par le formulaire d’accès non commercial de Bria.

Deux détails méritent d'être signalés, car ils risquent de dérouter quiconque lit la fiche de présentation isolément. L'étiquette de tâche indique uniquement text-to-image, ce qui sous-estime le checkpoint : Fibo 2.0 Dev réalise la génération et l'édition à partir des mêmes poids, et c'est la voie d'édition qui intéresse le plus d'équipes. Par ailleurs, le champ de licence indique « other » plutôt que « CC BY-NC 4.0 », ce qui constitue une lacune de métadonnées et non une licence différente : il s'agit toujours de la licence non commerciale de Bria, et c'est la contrainte la plus importante pour tout ce que vous affinerez à partir de ce checkpoint.

La chronologie compte aussi pour la manière dont il faut lire cette nouvelle. Les poids ont été mis en ligne sur le Hub les 18 et 19 octobre, Artificial Analysis disposait d’un instantané au 20 octobre, ComfyUI a intégré la prise en charge native le 21 octobre, et le miroir international de ModelScope a été complété le 22 octobre. Fibo 2.0 Dev est un checkpoint âgé de neuf jours, dans une phase de diffusion encore en mouvement, et non une ancienne version que l’on relancerait.

Dev versus Edit Turbo est un véritable fork, pas une simple bizarrerie de nommage

Bria a publié deux checkpoints sous un même nom de version, et la différence détermine tout ce qui se passe en aval :

• Échantillonnage — Fibo 2.0 Dev effectue 50 étapes avec un guidage sans classificateur à 5,0 ; Fibo 2.0 Edit Turbo effectue 4 étapes avec un guidage fixé à 1,0, ce qui revient à dire aucun guidage du tout.

• Couverture des tâches — Dev se charge de la génération d'images à partir de texte et de l'édition ; Turbo ne se charge que de l'édition, donc un prompt de génération d'images à partir de texte adressé à Turbo est le mauvais outil plutôt qu'une réponse plus lente.

• Prompts négatifs — ils fonctionnent sur Dev parce que le CFG est activé ; sur Turbo, il n'y a pas de CFG à orienter, donc un prompt négatif n'a aucun levier sur lequel agir.

• Entraînabilité — c’est la distinction qui compte ici. La page Fibo de DiffSynth-Studio précise explicitement que seul Fibo-2.0-dev est une cible d’entraînement ; Turbo est présenté comme non destiné au fine-tuning.

• Coût par image à l'inférence — Turbo revient environ un ordre de grandeur moins cher à exécuter pour le cas étroit qui est le sien, et c'est précisément pourquoi personne ne devrait le fine-tuner pour tenter de combler cet écart.

Sous le capot, ils partagent la même architecture : un transformer de diffusion à flow matching opérant dans l’espace latent du VAE FLUX.2, un DiT BF16 de 8 127 342 213 paramètres comptant 44 blocs à flux unique, dont cinq recourent à l’attention croisée vers un encodeur de texte Qwen3-VL-4B-Instruct dont la sortie est compressée en 256 à 512 jetons « gist » par un rééchantillonneur Perceiver à deux couches. Le dépôt occupe environ 25,5 Go tout compris — un transformer de 16,3 Go, un encodeur de texte de 8,9 Go et un VAE de 0,34 Go — c’est ce chiffre qu’il faut prévoir, et non le 8B mis en avant.

La recette d'entraînement : des encodeurs gelés, un DiT entraînable

La contribution de ModelScope n’est pas un autre miroir, mais un ensemble de scripts, et sa structure est conventionnelle d’une manière qui le rend utilisable. L’entraînement réutilise le même FiboPipeline que celui employé pour l’inférence et passe par examples/fibo/model_training/train.py. Le VAE et l’encodeur de texte sont gelés ; le DiT est entraîné avec flow matching. Ce choix est le plus judicieux — affiner un encodeur Qwen3-VL-4B aux côtés d’un transformeur de 16 Go sur un seul nœud constitue un autre projet — mais il signifie aussi qu’un fine-tuning peut réorienter le style, la composition et le comportement d’édition sans enseigner au modèle un langage d’invites véritablement nouveau.

Deux niveaux sont pris en charge, et les deux sont uniquement DiT :

• Fine-tuning complet — passez --trainable_models "dit" et laissez Accelerate gérer la configuration distribuée ; tout le transformer est déplacé, rien d'autre ne l'est.

• LoRA — attachez des adaptateurs au DiT avec --lora_base_model "dit", définissez les modules cibles et le rang, et reprenez éventuellement à partir d’un checkpoint ; les scripts LoRA fournis utilisent par défaut un seul GPU.

L'édition est une cible d'entraînement de premier ordre plutôt qu'une réflexion après coup. Les exécutions d'édition injectent edit_image et un masque facultatif via --extra_inputs, et un UnifiedDataset lit ces colonnes dans les métadonnées ; les lignes sans masque sont entraînées comme des échantillons d'édition ordinaires au lieu d'être écartées. Comme la génération et l'édition partagent les mêmes poids, un seul fine-tuning peut enseigner un nouveau domaine et la manière d'y effectuer des éditions — la fiche modèle de Bria elle-même défend cette approche pour les LoRA de marque et de style, les spécialistes verticaux et les éditeurs de tâches ciblées, et fournit un entraîneur LoRA mono-GPU avec un guide de préparation des données dans le dossier fine_tuning/ du dépôt.

Les deux jeux de données d’exemple montrent le schéma que vous êtes censé produire : DiffSynth-Studio/diffsynth_example_dataset, avec un split fibo/Fibo-2.0-dev contenant un CSV de métadonnées avec image et prompt, et un split fibo/Fibo-2.0-dev-Edit contenant un JSON de métadonnées avec image, prompt, edit_image et masque facultatif. Rien dans ce schéma n’est exotique ; le travail consiste à produire les légendes.

VRAM : la partie que la fiche modèle ne quantifie pas

Il n’existe aucun minimum publié. La documentation de DiffSynth recommande des configurations à faible VRAM et une gestion automatique de la VRAM selon la mémoire restante plutôt que de fixer un seuil minimal, et la configuration d’exemple indique ce qu’ils attendent : charger et préparer en FP8 E4M3, calculer en BF16, décharger vers le disque et plafonner l’utilisation totale à la mémoire CUDA totale moins 0,5 Go. C’est une recette écrite par des personnes qui savent que la réponse dépend de votre carte, de votre résolution et de l’activation ou non du gradient checkpointing — et elle est honnête à ce sujet. Prévoyez le déchargement et acceptez qu’un fine-tuning sur un mégapixel soit lent avant d’être de bonne qualité.

Le JSON structuré est l’interface : votre jeu de données doit donc le parler.

La surface de contrôle de Fibo n’est pas une zone de prompt. Le modèle a été entraîné sur des légendes Visual GenAI Language (VGL) — du JSON structuré dans lequel l’éclairage, la composition, le style, la caméra et les objets sont des champs adressables indépendamment — et le pipeline d’inférence renvoie la légende avec l’image qu’il a produite. L’utilitaire bria-vgl expose create() pour la génération et modify() pour les modifications, donc vous n’êtes pas censé écrire le JSON à la main ; un VLM hébergé effectue l’expansion, sauf si vous le rédigez vous-même.

Cela a une conséquence directe sur le fine-tuning que la couverture du lancement a largement passée sous silence. Si vous entraînez sur des invites en texte libre, vous entraînez le DiT sur un format de légende pour lequel il n’a pas été conçu, et le contrôle que vous espériez obtenir est la première chose à disparaître. Stocker des légendes VGL dans vos métadonnées — qu’elles soient générées par le pipeline puis modifiées, ou rédigées délibérément — préserve le comportement des champs adressables, et c’est la différence entre un LoRA qui déplace un style et un LoRA qui déplace un style sans abîmer le reste du cadre. Si votre jeu d’entraînement est constitué d’images sans légendes, la passe de légendage est l’étape coûteuse, et c’est un travail de modèle de langage.

L'outillage est arrivé plus vite que la plupart des nouveaux checkpoints

Pour un modèle qui n’a que neuf jours, la pile technique environnante est inhabituellement complète, ce qui explique en partie pourquoi l’intégration ModelScope est un enjeu plus modeste qu’il n’y paraît, et plus utile qu’un simple miroir.

• diffusers — un BriaFibo2Pipeline a été intégré via la PR #14991, qui est la voie que la plupart du code d'inférence empruntera.

• ComfyUI — prise en charge native fusionnée le 21 octobre via la PR #17240 et livrée dans la v0.43.0, ajoutant un type d'encodeur texte fibo2 qui charge le Qwen3-VL-4B officiel et un nœud TextEncodeFibo2 qui gère les prompts VGL et les images de référence. Les repacks BF16 et INT8 suivent cette structure de chargeur, et une prise en charge de l'architecture GGUF est disponible pour les exécutions locales quantifiées.

• ModelScope / DiffSynth-Studio — des scripts d'inférence et d'entraînement au même endroit, soit précisément l'élément dont une équipe qui standardise sur DiffSynth a réellement besoin avant de pouvoir planifier un fine-tuning.

Le mur dont personne ne parle : CC BY-NC 4.0

Fibo 2.0 est à poids ouverts, pas open source, et l’écart entre ces deux expressions constitue toute la question commerciale. Les checkpoints sont sous CC BY-NC 4.0 : usage non commercial uniquement, le déploiement commercial exigeant un accord séparé avec Bria, et les dépôts Hugging Face étant soumis à un formulaire d’entreprise et d’usage prévu. Un LoRA de marque entraîné sur Fibo 2.0 Dev est un artefact de recherche tant que cet accord n’existe pas — ce qui est un endroit étrange pour placer « exactement ce sur quoi les développeurs veulent bâtir », mais c’est l’endroit exact. Comparez les alternatives à poids ouverts qui autorisent carrément l’usage commercial : c’est alors la licence, et non l’Elo, qui devient le critère décisif pour quiconque livre un produit.

Le tableau de la qualité est lui aussi plus étroit que ne le laisse entendre le titre. Sur AA-Image-Editing v2.1 d’Artificial Analysis, Fibo 2.0 affiche 1 088 Elo avec un intervalle de ±14 sur 5 009 votes à l’aveugle — vingt-troisième au classement général et premier parmi les éditeurs à pondérations ouvertes, même s’il a reculé d’une ou deux places depuis l’instantané de lancement. Qwen-Image-2.1 se situe à 1 081 ±13, et les intervalles se chevauchent presque entièrement ; l’avantage des pondérations ouvertes relève donc du départage plutôt que de la preuve. Sur AA-Image-T2I v2.1, l’ordre s’inverse : 1 039 ±12 pour Fibo 2.0 contre 1 042 ±12 pour Qwen-Image-2.1. La fiche modèle de Bria elle-même est encore moins flatteuse dans les catégories étroites — elle place le rendu de texte et la mise en page aux environs de la 18e à la 22e place, et l’anatomie humaine à la dix-huitième place. Un fine-tune peut s’attaquer à ces faiblesses, mais il ne peut pas dépasser ce que l’encodeur comprend.

Là où le routage a sa place, et là où il ne l’a pas

La répartition honnête : Fibo 2.0 lui-même ne figure pas au catalogue d’OrcaRouter, donc rien ici n’est un argument « appelez Fibo via nous ». Ce que le routage apporte, c’est l’autre moitié du pipeline. Les deux tâches de modèle de langage autour de ce checkpoint — écrire des légendes VGL pour un jeu d’entraînement et développer des prompts courts en JSON structuré à l’inférence — sont des charges de travail textuelles ordinaires, et ce sont elles qui déterminent si un fine-tuning est possible tout court. OrcaRouter propose une API pour plus de 200 modèles avec 0 % de marge, donc les prix catalogue des fournisseurs sont répercutés tels quels et une commission fournisseur arrive sur votre facture le jour même ; le basculement automatique entre fournisseurs signifie qu’une campagne de légendage sur quelques milliers d’images ne s’arrête pas à cause d’un seul fournisseur en amont ; et le DSL de routage peut épingler un modèle bon marché pour le légendage en volume tout en envoyant les cas difficiles à un modèle plus puissant, avec la fusion de modèles disponible lorsqu’un seul légendeur continue de manquer un champ. Le modèle d’image reste où il est ; le texte autour est routable.

Ce qu’il faut surveiller ensuite, c’est la feuille de route propre à Bria, que la fiche du modèle répertorie comme l’édition locale multitour, la suppression d’arrière-plan, un LoRA de photo produit, l’effacement de masque et l’outpainting — autant d’éléments qui arriveraient d’abord sur le checkpoint Dev, car Dev est celui qui dispose d’une boucle d’entraînement. Les miroirs ModelScope sont la moitié ennuyeuse de cette histoire. La phrase de DiffSynth « seul Fibo-2.0-dev est entraînable » est la moitié utile, et c’est la raison de télécharger le dépôt de 25,5 Go plutôt que d’appeler l’API.