Fibo 2.0 vs Gemma 4 12B: Yang Satu Menggambar Citranya, yang Lain Menulis Prompt untuknya

Jika Fibo 2.0 dan Gemma 4 12B diletakkan berdampingan di lembar spesifikasi, perbandingannya langsung runtuh, karena keduanya tidak menjawab pertanyaan yang sama. Fibo 2.0 adalah model gambar 8B yang dirilis Bria pada 20 Oktober 2026: Anda memberinya deskripsi atau gambar, lalu ia mengembalikan piksel. Gemma 4 12B adalah model bahasa multimodal dense 11,95B milik Google, Apache-2.0, aktif sejak 23 Mei 2026: Anda memberinya teks, gambar, atau audio dan ia mengembalikan teks, tidak pernah gambar. Setiap halaman "Fibo 2.0 vs Gemma 4 12B" yang memeringkat keduanya satu sama lain sebenarnya memeringkat mesin render melawan penulis. Versi perbandingan yang berguna adalah ketika keduanya sama sekali bukan pesaing — ketika Gemma 4 12B menulis prompt terstruktur dan Fibo 2.0 merendernya, dan pertanyaannya menjadi apakah pasangan itu mengalahkan masing-masing model bila digunakan sendirian. Lembar spesifikasi tidak mencatat bagaimana model gambar dan bahasa gagal setelah berada di produksi, dan insiden-insiden itu dikatalogkan dalam OrcaRouter AI Incident Archive yang setiap entrinya mencantumkan sumber, tingkat keparahan, tingkat keyakinan, dan penanda sengketa masing-masing.

Apa yang sebenarnya dikembalikan oleh masing-masing

Inilah keseluruhan argumennya dalam dua baris, dan inilah sebabnya perbandingan ini layak dituliskan alih-alih diabaikan: tipe output-nya saling lepas.

• Output — Fibo 2.0 mengembalikan gambar, hingga tingkat fidelitas penyuntingan multi-referensi; Gemma 4 12B mengembalikan token teks dan sama sekali tidak memiliki dekoder gambar apa pun.

• Input — Fibo 2.0 menerima teks dan hingga empat gambar referensi; Gemma 4 12B menerima teks, gambar, dan audio dalam satu stack tanpa encoder, dengan konteks 256.000 token.

• Tugas — Fibo 2.0 adalah renderer dengan bottleneck prompt; Gemma 4 12B adalah reasoner dengan jendela yang sangat panjang dan tanpa jalur rendering.

Konsekuensinya bukanlah bahwa yang satu lebih baik. Konsekuensinya adalah bahwa perbandingan Elo secara head-to-head antara keduanya bukan sekadar tidak tersedia, melainkan tidak bermakna — tidak pernah ada yang meminta khalayak untuk memilih antara JPEG dan paragraf.

Angka-angka yang orang cari, dan mengapa angka-angka itu tidak dapat dikurangkan.

Kedua model memiliki skor independen yang kredibel, dan keduanya mengukur hal yang berbeda pada skala yang berbeda. Fibo 2.0 berada di 1.087,05 Elo pada papan AA-Image-Editing v2.1 milik Artificial Analysis, peringkat ke-20 secara keseluruhan dan pertama di antara model open-weight, dengan interval kepercayaan 1.073,05 hingga 1.101,05 atas 4.819 pertandingan. Pada AA-Image-T2I v2.1, nilainya 1.038,79, peringkat ke-21 secara keseluruhan. Gemma 4 12B membawa Intelligence Index 14,18 — sebuah komposit teks-dan-penalaran, bukan skor preferensi — bersama MMLU Pro 77,2, GPQA 78,8, AIME 77,5, Codeforces 1.659, dan MMMU Pro 69,1.

Elo dan indeks bukanlah satuan yang sama, sehingga "Fibo 2.0 lebih baik 1.072 poin" adalah aritmetika pada skala yang tidak sebanding. Yang didukung oleh angka-angka tersebut adalah pembagian kerja, karena MMMU Pro pada 69,1 — penalaran multimodal atas gambar — justru merupakan kemampuan yang membaca foto sumber dan memutuskan apa yang harus diubah di dalamnya. Fibo 2.0 tidak dapat melakukan itu. Ia hanya dapat menjalankan deskripsi yang diberikan kepadanya.

Gemma 4 12B adalah separuh yang hilang dari pipeline Fibo

Alasan untuk memasangkannya spesifik pada cara Fibo 2.0 dibangun. Bria melatih dan mendokumentasikannya terhadap VGL — Visual GenAI Language — format caption JSON terstruktur dengan field bernama untuk subjek, komposisi, pencahayaan, kamera, gaya, dan teks-dalam-gambar. Model akan menerima sebuah kalimat, tetapi lebih dapat diprediksi dengan skema tersebut, karena prompt encoder Qwen3-VL-4B-nya dikompresi melalui resampler Perceiver dua lapis menjadi 256 hingga 512 token inti, dan batas-batas field bertahan melewati hambatan tersebut dengan cara yang tidak dapat dilakukan oleh kalimat yang berlarut-larut.

Menulis JSON yang sesuai skema secara manual itu membosankan dan rawan kesalahan. Menyerahkannya kepada model bahasa tidak demikian. Gemma 4 12B dengan konteks 256K dapat menampung skema, gambar sumber, panduan gaya internal, dan sekumpulan contoh dalam satu jendela, mengeluarkan objek VGL yang tervalidasi, dan — inilah bagian yang penting — melihat hasil yang dirender dan memutuskan apakah suntingan itu berhasil. Peran kedua itu adalah loop umpan balik yang tidak dapat dijalankan Fibo 2.0 sendirian, karena tidak memiliki cara untuk memeriksa keluarannya sendiri.

• Langkah pertama — Gemma 4 12B membaca gambar referensi beserta brief dan mengeluarkan VGL JSON. MMMU Pro 69.1-nya adalah kredensial yang relevan, bukan skor kodenya.

• Langkah dua — Fibo 2.0 merender atau mengedit dari JSON tersebut, dalam Dev mode pada 50 langkah jika kualitas penting atau Edit Turbo pada empat langkah jika throughput menjadi prioritas.

• Langkah tiga — Gemma 4 12B membandingkan hasilnya dengan brief dan menyetujui atau mengeluarkan JSON yang telah dikoreksi. Dua putaran pemeriksaan menangkap sebagian besar kegagalan teks-dalam-gambar dan tepi mask.

• Langkah keempat — apa pun yang lolos dari loop diteruskan ke manusia, yang merupakan antrean jauh lebih kecil daripada harus meninjau setiap render.

Tidak ada model yang bisa melakukannya dengan baik sendirian. Fibo 2.0 tidak memiliki pemeriksaan mandiri; Gemma 4 12B tidak memiliki perender. Pipeline-nya adalah produknya.

Lisensi: satu-satunya baris yang perbandingannya benar-benar langsung

Keduanya adalah open weights. Hanya satu yang dapat digunakan dalam produk tanpa percakapan.

• Fibo 2.0 — CC BY-NC 4.0 pada kartu model untuk penggunaan nonkomersial; penggunaan komersial memerlukan perjanjian terpisah dengan Bria. Repositori Hugging Face dibatasi dengan setelan "auto" dan formulir perusahaan serta tujuan penggunaan.

• Gemma 4 12B — Apache-2.0, tanpa pembatasan akses, tanpa batasan bidang penggunaan, tanpa perjanjian terpisah. Unduh dan rilis.

• Apa artinya bagi pasangan ini — pipeline riset internal dapat menggunakan keduanya hari ini. Produk komersial dapat menggunakan Gemma 4 12B hari ini dan memerlukan tanda tangan Bria untuk renderer.

• Mengapa ketentuan Bria dapat dipertahankan — korpus pelatihannya sekitar satu miliar gambar berlisensi yang dibayar oleh perusahaan. Merilis bobot yang memungkinkan siapa pun menyaingi API-nya sendiri dengan harga lebih murah pada korpus itu, secara gratis, akan memberikan aset yang telah dibeli oleh korpus tersebut. Ketentuan non-komersial adalah mekanisme yang mencegahnya.

Ini adalah satu-satunya perbandingan dalam artikel ini yang berperilaku seperti perbandingan model biasa: pertanyaan sama, format jawaban sama, pemenang jelas. Apache-2.0 menang. Hanya saja, baris ini kebetulan merupakan baris yang paling tidak menarik, karena lisensi tidak memberi tahu model mana yang harus digunakan untuk apa — lisensi memberi tahu apakah Anda diizinkan menggunakannya, dan itu adalah hal pertama yang harus diperiksa, bukan yang terakhir.

Biaya pair dibandingkan dengan biaya API

Fibo 2.0 melalui API Bria adalah $0,032 per gambar, $0,0288 untuk tier Fibo Lite yang lebih murah, dan $0,02 per panggilan jika Anda menggunakan layanan prompt terstruktur milik Bria sendiri alih-alih menulis VGL sendiri. Artificial Analysis mencantumkan pricePer1kImages sebesar $32,00, konsisten dengan tarif utamanya. Baris prompt terstruktur $0,02 itu layak direnungkan, karena itu persis pekerjaan yang diserahkan kepada Gemma 4 12B di atas — dan Gemma 4 12B dengan 12B parameter cukup murah untuk dijalankan sehingga pertanyaannya adalah apakah menulis JSON sendiri lebih murah daripada membayar dua kali per gambar.

• Fibo 2.0 saja, prompt teks bebas — $0,032 per gambar.

• Fibo 2.0 plus layanan prompt terstruktur Bria — $0.052 per gambar, dan tidak perlu model penalaran.

• Fibo 2.0 plus Gemma 4 12B yang menulis JSON — $0.032 per gambar ditambah berapa pun biaya 12B bagi Anda. Pada GPU sewaan yang menjalankan 12B secara lokal, itu biasanya kurang dari dua sen untuk generasi per prompt; melalui endpoint yang dihosting, sepenuhnya bergantung pada harga input penyedia, karena prompt membawa gambar.

Rute self-hosted juga memberikan sesuatu yang tidak bisa diberikan API: pemeriksaan mandiri dua tahap. Layanan prompt terstruktur Bria menghasilkan JSON; layanan itu tidak melihat hasil render setelahnya. Gemma 4 12B lokal bisa melakukannya, dan untuk apa pun yang mementingkan rendering teks atau tepi mask, tinjauan itulah sumber kualitas sebenarnya.

Menjalankan Gemma 4 12B di samping renderer

Gemma 4 12B dalam bentuk 12B-nya tidak ada di katalog OrcaRouter, jadi anggap itu sebagai fakta, bukan sesuatu yang perlu diakali. Yang ada di katalog adalah saudara Gemma 4 yang lebih besar: google/gemma-4-26b-a4b-it dengan $0.06 untuk input dan $0.33 untuk output per juta token, dan google/gemma-4-31b-it dengan $0.13 dan $0.38. Keduanya akan menulis JSON VGL; keduanya lebih mahal per panggilan daripada 12B, tetapi memberi Anda margin penalaran yang lebih besar untuk langkah peninjauan, yaitu separuh dari loop yang diuntungkan oleh kemampuan lebih.

Itulah bentuk argumen OrcaRouter di sini, dan cakupannya sempit. Renderer-nya milik Bria, diakses melalui API Bria atau bobot yang di-self-host. Model yang menulis dan memeriksa prompt dapat berada di balik satu kunci bersama semua hal lain di stack Anda — lebih dari 200 model, harga daftar penyedia diteruskan dengan markup 0%, failover otomatis saat endpoint menurun, dan DSL routing untuk merangkai langkah tulis-render-tinjau menjadi satu panggilan alih-alih tiga pustaka klien. Jika Bria memotong tarif per gambar, separuh tagihan Anda yang tidak berubah tidak perlu migrasi untuk mencerminkannya.

Yang tidak dilakukan OrcaRouter adalah menyajikan Fibo 2.0. Halaman mana pun yang mengklaim bahwa satu endpoint mencakup kedua bagian pipeline ini sedang menggambarkan produk yang tidak ada.

Yang mana yang sebenarnya kamu butuhkan?

Tanyakan apa deliverable-nya. Jika deliverable-nya adalah gambar, Gemma 4 12B bukan kandidat dan tidak pernah menjadi kandidat — model itu tidak dapat menghasilkannya, dengan harga berapa pun, di bawah lisensi apa pun, tidak peduli bagaimana papan peringkat dibaca. Jika deliverable-nya adalah keputusan tentang sebuah gambar — apakah foto ini dapat digunakan, apakah tata letak ini sesuai dengan panduan merek, apa yang harus diubah dalam adegan ini — Fibo 2.0 adalah alat yang salah dan 1.087 Elo-nya tidak relevan.

Kasus pemasangan adalah kasus yang layak untuk dibangun, dan itulah yang baru menjadi praktis berkat rilis ini. Format VGL Fibo 2.0 adalah antarmuka yang dapat dibaca mesin, dan antarmuka yang dapat dibaca mesin itulah yang memungkinkan model bahasa mengendalikan renderer secara andal alih-alih berharap prompt teks bebas berhasil. Sebelum rilis ini, generasi dan penyuntingan Fibo adalah checkpoint terpisah dengan perilaku terpisah; sekarang satu set bobot mencakup keduanya, skemanya terdokumentasi, dan paket bria-vgl memberi model bahasa sesuatu yang konkret untuk divalidasi. Perbandingan yang menarik bukanlah Fibo 2.0 melawan Gemma 4 12B. Melainkan Fibo 2.0 plus Gemma 4 12B melawan direktur seni manusia dengan langganan foto stok, dan dalam hal volume, persaingannya tidak seimbang.