Fibo 2.0 vs LFM2.5 2.6B Base : 2,7 milliards de paramètres de texte, ou 8,1 milliards de paramètres d’images

L'écart de taille est la première chose que l'on remarque, et l'aspect le moins utile. Fibo 2.0, publié par Bria le 20 octobre 2026, compte 8 127 342 213 paramètres et renvoie des images. LFM2.5 2.6B Base, publié par Liquid AI le 1er août 2026, en compte 2,69 milliards et renvoie du texte — et non du texte abouti, mais le comportement de continuation brut d'un point de contrôle de base pré-entraîné, sans réglage d'instruction appliqué. Demander lequel est meilleur, c'est comme demander si un appareil photo est meilleur qu'un dictionnaire. La question qui a une réponse est plus étroite et plus pratique : chacun est la plus petite option ouverte crédible dans sa propre catégorie, et savoir où se situe le plancher de chaque catégorie vous indique lequel votre contrainte exclut réellement.Aucune des deux fiches de modèle ne consigne ce qui se passe lorsqu'un point de contrôle comme celui-ci est déployé de manière inadéquate, et les incidents recensés sont catalogués dans the OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

Le sol, dans les deux sens

Les deux modèles sont intéressants pour la même raison structurelle — chacun se situe près du plancher de ce qui est viable pour sa tâche — et c’est le seul axe sur lequel ils sont tant soit peu comparables.

• Paramètres — Fibo 2.0 8 127 342 213 en BF16 ; LFM2.5 2.6B Base 2,69 milliard. Un rapport d’environ trois pour un au niveau des poids, ce qui correspond à peu près aussi au rapport en mémoire.

• Sortie — Fibo 2.0 renvoie une image ; LFM2.5 2.6B Base renvoie des jetons de texte et rien d'autre.

• Où il s'exécute — Fibo 2.0 nécessite un GPU disposant de suffisamment de VRAM pour un transformateur de diffusion à 44 blocs en 50 étapes, ou en quatre étapes dans la variante Turbo ; LFM2.5 2.6B Base est disponible aux formats GGUF, ONNX et MLX et est conçu pour fonctionner sur un téléphone, un ordinateur portable ou un ordinateur monocarte.

• État d'affinage — Fibo 2.0 Dev est une base non distillée avec guidage sans classifieur, documentée pour l'affinage ; LFM2.5 2.6B Base est uniquement pré-entraîné, sans comportement de suivi d'instructions tant que quelqu'un ne l'affine pas.

• Licence — Fibo 2.0 est sous CC BY-NC 4.0 pour un usage non commercial, l’usage commercial étant possible sur accord ; LFM2.5 2.6B Base est sous licence LFM 1.0, qui autorise l’usage commercial sous réserve de ses propres conditions.

• Scores — Fibo 2.0 se situe à 1 087,05 Elo sur AA-Image-Editing v2.1, premier parmi les modèles à poids ouverts ; LFM2.5 2.6B Base affiche un indice d’intelligence estimé à 8,39, GPQA 55,8 %, Terminal-Bench 2.1 à 4,5 % et HLE 6,2 %.

Ces deux lignes de score ne peuvent pas être placées dans la même phrase à titre de comparaison. L’une est un score de préférence du public sur des images rendues ; l’autre est un score composite sur des benchmarks textuels. La seule utilisation honnête des deux consiste à caractériser la finalité de chaque modèle.

Ce qu’est réellement un checkpoint de base, car le nom est trompeur

« Base » dans LFM2.5 2.6B Base n'est pas une façon modeste de dire « standard ». Cela signifie que le modèle a été entraîné sur 34 billions de tokens de prédiction du token suivant, et rien d'autre — pas de réglage par instructions, pas de template de chat, pas de comportement de refus, aucune conscience qu'une question est une question. Donnez-lui « Résume cet e-mail : » et il poursuivra la chaîne dans le style que suggèrent les données de pré-entraînement, ce qui peut être la suite d'un fil d'e-mails plutôt qu'un résumé.

Cela en fait un excellent point de départ et un piètre produit. Liquid AI le livre aux personnes qui comptent le fine-tuner, et l'architecture est choisie pour cette tâche : 30 couches, 22 convolutions courtes à double porte et 8 couches d'attention à requêtes groupées, un vocabulaire de 128 K, un contexte de 131 072 jetons et une couverture de 16 langues lors du pré-entraînement. C'est cette pile à forte composante convolutionnelle qui lui permet de tenir sur un téléphone — le coût de l'attention croît avec le contexte, contrairement à celui des convolutions, et c'est là toute la thèse de conception.

• Architecture — 30 couches : 22 blocs de convolution courte à double porte et 8 blocs GQA, vocabulaire de 128 K.

• Entraînement — 34 billions de tokens, 16 langues, pré-entraînement uniquement.

• Contexte — 131 072 tokens, soit le nombre que la pile de convolution est conçue pour rendre abordable.

• Formats — GGUF, ONNX et MLX, donc llama.cpp, ONNX Runtime et Apple silicon sont tous des cibles de premier ordre.

• Ce qu’il ne fait pas — suivre des instructions, tenir une conversation ou produire autre chose qu’une continuation de texte, tant que vous ne l’ajustez pas.

La comparaison avec le checkpoint Dev de Fibo 2.0 est plus proche qu’il n’y paraît à première vue. Fibo 2.0 Dev est lui aussi une base — non distillée, 50 étapes avec classifier-free guidance à 5.0, explicitement le checkpoint que Bria indique pour le fine-tuning. Les deux projets livrent une cible de réglage en parallèle d’un produit utilisable, ou à sa place. La différence, c’est que Fibo 2.0 Edit Turbo existe comme version utilisable des mêmes poids, distillée en quatre étapes sans guidance, tandis que LFM2.5 2.6B doit être réglé avant de pouvoir être utilisé tout court.

Licence et coût réel de l’« open »

Les deux modèles sont téléchargeables. Ce que vous pouvez en faire diverge radicalement, et dans une direction qui inverse l'intuition habituelle concernant la taille : c'est le modèle minuscule qui est utilisable commercialement.

• Fibo 2.0 — CC BY-NC 4.0 pour un usage non commercial. L'usage commercial nécessite un accord distinct avec Bria. Le dépôt Hugging Face est soumis à un formulaire d'accès indiquant l'entreprise et l'usage prévu.

• LFM2.5 2.6B Base — licence LFM 1.0, qui autorise le déploiement commercial selon ses propres conditions. Aucune négociation au cas par cas, bien que ces conditions ne soient pas Apache-2.0 et méritent d’être lues plutôt que présumées.

• Pourquoi les conditions de Bria sont ce qu’elles sont — le corpus d’entraînement compte environ un milliard d’images sous licence que l’entreprise a payées. Des poids libres qui permettraient à quiconque de casser les prix de l’API de Bria sur ce corpus reviendraient à céder l’atout que ce corpus a permis d’acquérir.

• La distinction pratique — un pipeline de recherche interne peut utiliser les deux dès demain. Un produit destiné à la commercialisation peut intégrer LFM2.5 2.6B Base dans un appareil dès demain, mais ne peut pas commercialiser Fibo 2.0 sans signature.

Ce n’est pas un reproche adressé à Bria. C’est la structure de coûts des deux problèmes. Liquid AI a été entraînée sur du texte, dont l’essentiel est libre de droits ; Bria a été entraînée sur des photographies, dont aucune ne l’est. Les conditions de licence suivent les données d’entrée, et non la qualité du modèle, et c’est bien là qu’il est correct qu’elles suivent.

Là où ils se rencontrent : l’assistant embarqué qui décrit avant d’effectuer le rendu

Il existe une architecture dans laquelle ces deux modèles appartiennent au même système, et c’est la raison pour laquelle cet article est une comparaison plutôt qu’un rejet. Le chemin de conditionnement de Fibo 2.0 reçoit une légende JSON structurée — VGL, le Visual GenAI Language de Bria — avec des champs nommés pour le sujet, la composition, l’éclairage, la caméra, le style et le texte dans l’image. Un modèle textuel de 2,6 B qui tient sur l’appareil qui prend la photo est exactement le genre de chose qui pourrait écrire ce JSON localement, sans aller-retour.

La question de savoir s’il le peut est différente de celle de savoir s’il le devrait. Un modèle de base pré-entraîné avec un indice estimé de 8,39, GPQA 55,8 % et HLE 6,2 % ne produira pas de manière fiable du JSON conforme au schéma à partir d’une photographie sans un ajustement fin spécifique à la tâche — et son ajustement fin sur un corpus VGL est une tâche bien définie, à la mesure d’un petit modèle. C’est la version honnête de l’argument du juste milieu : LFM2.5 2.6B Base est un substrat plausible pour un rédacteur de légendes ajusté finement, pas pour un modèle prêt à l’emploi.

• Ce que le 2.6B apporte — il s'exécute là où la photo est prise, avec moins de 3 Go de poids, sans réseau, sans coût par appel.

• Ce dont il a besoin en premier — un fine-tuning supervisé sur des exemples au format VGL, ainsi qu’un décodage contraint ou une grammaire JSON pour garantir une sortie valide.

• Ce que le moteur de rendu apporte — il a toujours besoin d’un GPU. La moitié sur l’appareil décrit ; la moitié côté serveur dessine. C’est la seule répartition qui fonctionne aujourd’hui.

• Ce qui fait échouer l’idée — si la légende doit être bonne, un modèle multimodal de classe 12B lit mieux l’image source qu’un modèle textuel de 2,6B ne peut le faire, car le 2,6B ne peut pas voir la photo du tout.

Ce dernier point est celui qui tranche la plupart des conceptions réelles. LFM2.5 2.6B Base fonctionne en entrée texte, sortie texte. Il peut rédiger une légende VGL à partir d’un brief écrit ; il ne peut pas regarder l’image qu’il décrit. Quiconque associe les deux doit savoir clairement lequel de ces rôles il achète réellement.

Obtenir chacun d'eux

Fibo 2.0 provient de l'API de Bria à 0,032 $ par image, de l'outil de création hébergé de Bria, via des nœuds ComfyUI, ou sous forme de poids à accès restreint sur Hugging Face. LFM2.5 2.6B Base est disponible sur Hugging Face en GGUF, ONNX et MLX, sans restriction d'accès sur la version de base. Aucun des deux ne figure au catalogue d'OrcaRouter, et aucune des deux affirmations n'a besoin d'être nuancée : Fibo 2.0 est un point de terminaison d'image et la base 2.6B de Liquid est un checkpoint téléchargeable, et un routeur ne sert bien ni l'un ni l'autre.

Ce qu’un routeur sert réellement, c’est tout ce qui les entoure. OrcaRouter utilise une seule clé sur plus de 200 modèles, avec les prix catalogue des fournisseurs répercutés à 0 % de marge, de sorte qu’un changement de prix d’un fournisseur côté texte apparaît le jour même. Si vous construisez le pipeline de fine-tuning d’un générateur de légendes VGL, le modèle qui génère les paires d’entraînement synthétiques et celui qui les évalue peuvent tous deux se trouver derrière cette même clé, avec un basculement automatique pendant vos itérations et le DSL de routage pour diffuser un benchmark sur plusieurs modèles en un seul appel. Le moteur de rendu reste celui de Bria. La boucle de réglage est l’endroit où le routage justifie sa place.

La décision, clairement énoncée

Si votre contrainte est de savoir où le modèle s’exécute, LFM2.5 2.6B Base n’est pas en concurrence avec Fibo 2.0 — c’est le seul des deux qui s’exécute réellement sur l’appareil, et son indice estimé de 8,39 est un plafond que vous choisissez délibérément en échange de cela. Si votre contrainte concerne ce qu’est la sortie, Fibo 2.0 est le seul des deux qui produit la sortie, et son Elo de 1 087 parmi les poids ouverts constitue le record actuel pour l’édition d’image téléchargeable. Personne ne choisit entre ces modèles. On choisit entre une cible de déploiement et un livrable, et ce sont des décisions différentes qui se trouvent être arrivées dans l’actualité de la même semaine.

La seule question réellement commune est celle de la licence, et elle se résout de la même manière pour les deux moitiés d’un build commercial : la base 2.6B est utilisable selon ses conditions, le moteur de rendu 8B nécessite l’accord de Bria, et le fait que le plus petit modèle soit le plus libre relève des données d’entraînement plutôt que de l’ingénierie. Concevez le produit autour de cela, et non autour du nombre de paramètres.