Fibo 2.0 vs Gemma 4 12B : l’un dessine l’image, l’autre écrit le prompt pour celle-ci

Put Fibo 2.0 and Gemma 4 12B next to each other on a spec sheet and the comparison falls apart immediately, because they do not answer the same question. Fibo 2.0 is an 8B image model released by Bria on 20 October 2026: you give it a description or a picture, it returns pixels. Gemma 4 12B is G​oogle's 11.95B dense multimodal language model, Apache-2.0, live since 23 May 2026: you give it text, images or audio and it returns text, never an image. Every "Fibo 2.0 vs Gemma 4 12B" page that ranks them against each other is ranking a renderer against a writer. The useful version of this comparison is the one where they are not rivals at all — where Gemma 4 12B writes the structured prompt and Fibo 2.0 renders it, and the question becomes whether that pair beats either model used alone. Spec sheets do not record how image and language models fail once they are in production, and those incidents are catalogued in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

Ce que chacun renvoie réellement

Voilà tout l’argument en deux lignes, et c’est pourquoi cette confrontation mérite d’être traitée plutôt que balayée : les types de sortie sont disjoints.

• Sortie — Fibo 2.0 renvoie une image, avec une fidélité d’édition multi-référence pouvant atteindre ; Gemma 4 12B renvoie des tokens de texte et ne dispose d’aucun décodeur d’image, quel qu’il soit.

• Entrée — {{1}}Fibo 2.0{{/1}} prend en entrée du texte et jusqu’à quatre images de référence ; {{2}}Gemma 4 12B{{/2}} prend en charge le texte, les images et l’audio dans une architecture unique sans encodeur, avec un contexte de {{3}}256 000 jetons{{/3}}.

• Tâche — Fibo 2.0 est un moteur de rendu avec un goulot d'étranglement lié au prompt ; Gemma 4 12B est un raisonneur doté d'une très longue fenêtre et sans voie de rendu.

La conséquence n’est pas que l’un soit meilleur. C’est qu’une comparaison Elo en face à face entre les deux n’est pas seulement indisponible, elle est dénuée de sens — personne n’a jamais demandé à une foule de choisir entre un JPEG et un paragraphe.

Les chiffres vers lesquels on se tourne, et pourquoi ils ne peuvent pas être soustraits

Les deux modèles ont des scores indépendants crédibles, et ils mesurent des choses différentes sur des échelles différentes. Fibo 2.0 se situe à 1 087,05 Elo sur le tableau AA-Image-Editing v2.1 d’Artificial Analysis, 20e au classement général et premier parmi les modèles à poids ouverts, avec un intervalle de confiance de 1 073,05 à 1 101,05 sur 4 819 confrontations. Sur AA-Image-T2I v2.1, il est à 1 038,79, 21e au classement général. Gemma 4 12B affiche un Intelligence Index de 14,18 — un composite texte-et-raisonnement, et non un score de préférence — aux côtés de MMLU Pro 77,2, GPQA 78,8, AIME 77,5, Codeforces 1 659 et MMMU Pro 69,1.

Un score Elo et un indice ne sont pas la même unité : affirmer que « Fibo 2.0 est meilleur de 1 072 points » relève donc d'une arithmétique sur des échelles incompatibles. Ce que les chiffres permettent en revanche d'étayer, c'est une division du travail, car MMMU Pro à 69,1 — le raisonnement multimodal sur des images — correspond précisément à la capacité qui lit une photographie source et décide de ce qu'il faut y modifier. Fibo 2.0 en est incapable. Il ne peut qu'exécuter une description qu'on lui fournit.

Gemma 4 12B est la moitié manquante d’un pipeline Fibo

La raison de les associer est spécifique à la façon dont Fibo 2.0 a été conçu. Bria l’entraîne et le documente sur VGL — Visual GenAI Language — un format de légende JSON structuré avec des champs nommés pour le sujet, la composition, l’éclairage, la caméra, le style et le texte dans l’image. Le modèle acceptera une phrase, mais il est plus prévisible avec le schéma, car son encodeur de prompt Qwen3-VL-4B est compressé via un resampler Perceiver à deux couches en 256 à 512 gist tokens, et les frontières entre champs survivent à ce goulot d’étranglement contrairement à une phrase interminable.

Écrire à la main du JSON conforme à un schéma est fastidieux et source d’erreurs. Le confier à un modèle de langage ne l’est pas. Gemma 4 12B avec un contexte de 256K peut contenir le schéma, l’image source, un guide de style maison et une série d’exemples dans une seule fenêtre, produire un objet VGL validé et — c’est là que tout se joue — examiner le résultat rendu et déterminer si la modification a bien été appliquée. Ce second rôle est une boucle de rétroaction que Fibo 2.0 ne peut pas exécuter seul, car il n’a aucun moyen d’inspecter sa propre sortie.

• Première étape — Gemma 4 12B lit l'image de référence ainsi que le brief et produit le JSON VGL. Son score de 69,1 à MMMU Pro est la référence pertinente, et non son score en code.

• Étape deux — Fibo 2.0 effectue le rendu ou les modifications à partir de ce JSON, en mode Dev à 50 étapes si la qualité importe, ou en Edit Turbo à quatre étapes si c’est le débit qui compte.

• Étape trois — Gemma 4 12B compare le résultat au brief, puis approuve ou émet un JSON corrigé. Deux passes permettent de détecter la plupart des échecs liés au texte intégré à l’image et aux bords du masque.

• Étape quatre — tout ce qui survit à la boucle est transmis à un humain, ce qui représente une file d’attente bien plus réduite que la révision de chaque rendu.

Aucun des deux modèles ne fait cela correctement seul. Fibo 2.0 n'a pas d'auto-vérification ; Gemma 4 12B n'a pas de moteur de rendu. Le pipeline est le produit.

Licence : la seule ligne où la comparaison est véritablement directe

Les deux sont à poids ouverts. Un seul est utilisable dans un produit sans conversation.

• Fibo 2.0 — CC BY-NC 4.0 sur la fiche du modèle pour une utilisation non commerciale ; l’utilisation commerciale nécessite un accord distinct avec Bria. Le dépôt Hugging Face est soumis à un accès restreint en mode « auto » avec un formulaire sur l’entreprise et l’usage prévu.

• Gemma 4 12B — Apache-2.0, sans contrôle d'accès, sans restriction de domaine d'utilisation, sans accord distinct. Téléchargez et déployez.

• Ce que cela signifie pour le duo — un pipeline de recherche interne peut utiliser les deux dès aujourd’hui. Un produit commercial peut utiliser Gemma 4 12B dès aujourd’hui et a besoin de la signature de Bria pour le moteur de rendu.

• Pourquoi la clause de Bria est défendable — le corpus d’entraînement compte environ un milliard d’images sous licence que l’entreprise a payées. Publier des poids qui permettraient à n’importe qui de proposer gratuitement une offre moins chère que sa propre API sur ce corpus reviendrait à céder l’actif que ce corpus a servi à acquérir. La clause de non-commercialité est le mécanisme qui l’en empêche.

C'est la seule comparaison de l'article qui se comporte comme une comparaison de modèles ordinaire : même question, même format de réponse, un gagnant évident. Apache-2.0 l'emporte. Il se trouve simplement que c'est la ligne la moins intéressante, car la licence ne vous dit pas quel modèle utiliser pour quoi — elle vous dit si vous êtes autorisé à l'utiliser, et c'est la première chose à vérifier plutôt que la dernière.

Coût de la paire par rapport au coût de l’API

Fibo 2.0 via l’API de Bria coûte 0,032 $ par image, 0,0288 $ pour l’offre Fibo Lite moins chère, et 0,02 $ par appel si vous utilisez le service de prompts structurés de Bria au lieu d’écrire le VGL vous-même. Artificial Analysis indique son pricePer1kImages à 32,00 $, ce qui est cohérent avec le tarif annoncé. Cette ligne à 0,02 $ pour le prompt structuré mérite qu’on s’y arrête, car c’est exactement la tâche confiée ci-dessus à Gemma 4 12B — et Gemma 4 12B, avec ses 12 milliards de paramètres, est suffisamment peu coûteux à exécuter pour que la question soit de savoir si écrire soi-même le JSON revient moins cher que payer deux fois par image.

• Fibo 2.0 seul, prompt en texte libre — 0,032 $ par image.

• Fibo 2.0 et le service de prompts structurés de Bria — 0,052 $ par image, et aucun modèle de raisonnement requis.

• Fibo 2.0 plus Gemma 4 12B rédigeant le JSON — 0,032 $ par image, plus ce que le 12B vous coûte. Sur un GPU loué faisant tourner le 12B en local, cela représente généralement moins de deux centimes de génération par prompt ; via un point de terminaison hébergé, cela dépend entièrement de la tarification des entrées du fournisseur, car le prompt contient une image.

La voie auto-hébergée apporte aussi quelque chose que l’API ne peut pas offrir : l’auto-vérification en deux passes. Le service de prompts structurés de Bria produit le JSON ; il ne regarde pas le rendu ensuite. Un Gemma 4 12B local le peut, et pour tout ce où le rendu du texte ou les bords de masque comptent, c’est de cette relecture que vient réellement la qualité.

Exécuter Gemma 4 12B à côté du moteur de rendu

Gemma 4 12B, dans sa version 12B, ne figure pas au catalogue OrcaRouter ; considérez donc cela comme un fait plutôt que de chercher à le contourner. Ce qui figure au catalogue, ce sont les grands frères de Gemma 4 : google/gemma-4-26b-a4b-it à 0,06 $ en entrée et 0,33 $ en sortie par million de tokens, et google/gemma-4-31b-it à 0,13 $ et 0,38 $. L’un comme l’autre rédigera du JSON VGL ; tous deux coûtent plus cher par appel que le 12B, tout en vous offrant une marge de raisonnement plus grande pour l’étape de revue, qui est la moitié de la boucle qui bénéficie d’une capacité accrue.

Telle est la forme de l'argument d'OrcaRouter ici, et il est étroit. Le moteur de rendu est celui de Bria, accessible via l'API de Bria ou via des poids auto-hébergés. Le modèle qui rédige et vérifie les prompts peut se trouver derrière une seule clé, aux côtés de tout le reste de votre stack — plus de 200 modèles, prix catalogue des fournisseurs répercutés à 0 % de marge, un basculement automatique en cas de dégradation d'un endpoint, et le DSL de routage pour enchaîner les étapes rédaction-rendu-vérification en un seul appel plutôt qu'en trois bibliothèques clientes. Si Bria baisse son tarif par image, la moitié inchangée de votre facture n'a pas besoin d'une migration pour en tenir compte.

Ce qu'OrcaRouter ne fait pas, c'est servir Fibo 2.0. Toute page qui prétend qu'un point de terminaison unique couvre les deux moitiés de ce pipeline décrit un produit qui n'existe pas.

Lequel vous faut-il réellement ?

Demandez quel est le livrable. S’il s’agit d’une image, Gemma 4 12B n’est pas un candidat et ne l’a jamais été — il ne peut en produire une, à aucun prix, sous aucune licence, quelle que soit la façon dont le classement est lu. Si le livrable est une décision concernant une image — cette photo est-elle utilisable, cette mise en page correspond-elle au guide de marque, que faut-il changer dans cette scène — Fibo 2.0 est le mauvais outil et son Elo de 1 087 n’a aucune pertinence.

Le cas du couplage est celui pour lequel il vaut la peine de développer, et c’est celui que cette version rend désormais réellement exploitable. Le format VGL de Fibo 2.0 est une interface lisible par machine, et c’est une interface lisible par machine qui permet à un modèle de langage de piloter un moteur de rendu de manière fiable, au lieu d’espérer qu’un prompt en texte libre tombe juste. Avant cette version, la génération et l’édition de Fibo constituaient des checkpoints distincts avec des comportements distincts ; désormais, un seul jeu de poids couvre les deux, le schéma est documenté, et le package bria-vgl donne à un modèle de langage un élément concret sur lequel s’appuyer pour valider. La comparaison intéressante n’a jamais été Fibo 2.0 face à Gemma 4 12B. C’est Fibo 2.0 associé à Gemma 4 12B face à un directeur artistique humain disposant d’un abonnement à des photos de stock, et en termes de volume, l’écart est considérable.