Fibo 2.0 vs LFM2.5 2.6B Base: 2,7 Miliar Parameter Teks, atau 8,1 Miliar Parameter Gambar

Kesenjangan ukuran adalah hal pertama yang disadari siapa pun dan hal paling tidak berguna tentangnya. Fibo 2.0, dirilis oleh Bria pada 20 Oktober 2026, membawa 8,127,342,213 parameter dan mengembalikan gambar. LFM2.5 2.6B Base, dirilis oleh Liquid AI pada 1 Agustus 2026, membawa 2,69 miliar parameter dan mengembalikan teks — dan bukan teks yang sudah selesai, melainkan perilaku kelanjutan mentah dari checkpoint basis terlatih tanpa penerapan penyetelan instruksi. Menanyakan mana yang lebih baik seperti menanyakan apakah kamera lebih baik daripada kamus. Pertanyaan yang memiliki jawaban lebih sempit dan lebih praktis: masing-masing adalah opsi terbuka kredibel terkecil di jalurnya sendiri, dan mengetahui di mana batas bawah setiap jalur berada memberi tahu Anda mana yang sebenarnya disingkirkan oleh kendala Anda.Tidak ada kartu model yang mencatat apa yang terjadi ketika checkpoint seperti ini diterapkan dengan buruk, dan insiden yang tercatat dikatalogkan di Arsip Insiden OrcaRouter AI di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan tanda sengketa.

Lantai, di kedua arah

Kedua model itu menarik karena alasan struktural yang sama — masing-masing berada di dekat batas bawah kelayakan untuk pekerjaannya — dan itulah satu-satunya sumbu yang membuat keduanya dapat dibandingkan sama sekali.

• Parameter — Fibo 2.0 8.127.342.213 dalam BF16; LFM2.5 2.6B Base 2,69 miliar. Rasio bobotnya kira-kira tiga banding satu, yang kira-kira juga merupakan rasio memorinya.

• Keluaran — Fibo 2.0 mengembalikan sebuah gambar; LFM2.5 2.6B Base mengembalikan token teks dan tidak ada yang lain.

• Di mana ia berjalan — Fibo 2.0 memerlukan GPU dengan VRAM yang cukup untuk diffusion transformer 44 blok pada 50 langkah, atau empat langkah pada varian Turbo; LFM2.5 2.6B Base tersedia dalam format GGUF, ONNX, dan MLX serta dirancang untuk berjalan di ponsel, laptop, atau komputer papan tunggal.

• Status penyetelan — Fibo 2.0 Dev adalah base non-distilled dengan classifier-free guidance, didokumentasikan untuk fine-tuning; LFM2.5 2.6B Base hanya pre-trained, tanpa perilaku mengikuti instruksi sampai ada yang menyetelnya.

• Lisensi — Fibo 2.0 adalah CC BY-NC 4.0 untuk penggunaan non-komersial dengan penggunaan komersial berdasarkan perjanjian; LFM2.5 2.6B Base berada di bawah lisensi LFM 1.0, yang mengizinkan penggunaan komersial dengan tunduk pada ketentuannya sendiri.

• Skor — Fibo 2.0 berada pada 1,087.05 Elo di AA-Image-Editing v2.1, peringkat pertama di antara bobot terbuka; LFM2.5 2.6B Base memiliki estimasi Intelligence Index sebesar 8.39, GPQA 55.8%, Terminal-Bench 2.1 sebesar 4.5%, dan HLE 6.2%.

Dua baris skor itu tidak dapat ditempatkan dalam satu kalimat sebagai perbandingan. Yang satu adalah skor preferensi kerumunan atas gambar hasil render; yang lain adalah komposit atas tolok ukur teks. Satu-satunya penggunaan jujur dari keduanya adalah untuk mencirikan untuk apa masing-masing model digunakan.

Apa sebenarnya base checkpoint, karena namanya menyesatkan

"Base" dalam LFM2.5 2.6B Base bukanlah cara sederhana untuk mengatakan "standar". Ini berarti model telah dilatih dengan 34 triliun token untuk prediksi token berikutnya dan tidak ada yang lain — tanpa tuning instruksi, tanpa templat obrolan, tanpa perilaku menolak, tanpa kesadaran bahwa sebuah pertanyaan adalah pertanyaan. Beri ia "Summarise this email:" dan ia akan melanjutkan string tersebut dengan gaya apa pun yang disarankan oleh data pra-pelatihan, yang mungkin merupakan sisa dari rangkaian email, bukan ringkasan.

Itu menjadikannya titik awal yang baik sekaligus produk yang buruk. Liquid AI merilisnya untuk orang-orang yang berniat melakukan fine-tuning, dan arsitekturnya dipilih untuk tugas itu: 30 lapisan, 22 konvolusi pendek bergerbang ganda dan 8 lapisan attention grouped-query, kosakata 128K, konteks 131.072 token, serta cakupan 16 bahasa dalam pra-pelatihan. Tumpukan yang didominasi konvolusi itulah alasan model ini muat di ponsel — biaya attention tumbuh seiring konteks dan konvolusi tidak, yang merupakan keseluruhan tesis desainnya.

• Arsitektur — 30 lapisan: 22 blok konvolusi pendek dengan gerbang ganda dan 8 blok GQA, kosakata 128K.

• Pelatihan — 34 triliun token, 16 bahasa, hanya pra-pelatihan.

• Konteks — 131.072 token, yaitu jumlah yang dirancang agar terjangkau oleh tumpukan konvolusi.

• Format — GGUF, ONNX, dan MLX, sehingga llama.cpp, ONNX Runtime, dan Apple silicon semuanya menjadi target kelas satu.

• Apa yang tidak dilakukannya — mengikuti instruksi, mengadakan percakapan, atau menghasilkan apa pun selain kelanjutan teks, sampai Anda menyetelnya.

Perbandingan dengan checkpoint Dev Fibo 2.0 lebih dekat daripada yang terlihat pada pandangan pertama. Fibo 2.0 Dev juga merupakan model dasar — tanpa distilasi, 50 langkah dengan classifier-free guidance pada 5.0, secara eksplisit merupakan checkpoint yang Bria tunjuk untuk fine-tuning. Kedua proyek menyertakan target tuning bersama dengan—atau sebagai ganti—produk yang dapat digunakan. Perbedaannya adalah Fibo 2.0 Edit Turbo ada sebagai versi yang dapat digunakan dari bobot yang sama, didistilasi menjadi empat langkah tanpa guidance, sedangkan LFM2.5 2.6B harus di-tuning sebelum dapat digunakan sama sekali.

Lisensi dan biaya sebenarnya dari "terbuka"

Kedua model dapat diunduh. Apa yang boleh Anda lakukan dengan keduanya berbeda tajam, dan ke arah yang membalik intuisi biasa tentang ukuran: model mungil itulah yang dapat digunakan secara komersial.

• Fibo 2.0 — CC BY-NC 4.0 untuk penggunaan non-komersial. Penggunaan komersial memerlukan perjanjian terpisah dengan Bria. Repositori Hugging Face dibatasi aksesnya dengan formulir perusahaan dan tujuan penggunaan.

• LFM2.5 2.6B Base — lisensi LFM 1.0, yang mengizinkan penerapan komersial berdasarkan ketentuannya sendiri. Tidak ada negosiasi per penggunaan, meskipun ketentuannya bukan Apache-2.0 dan layak dibaca alih-alih diasumsikan.

• Mengapa ketentuan Bria seperti itu — korpus pelatihannya sekitar satu miliar gambar berlisensi yang dibayar perusahaan. Bobot gratis yang memungkinkan siapa pun menawarkan harga lebih murah daripada API Bria sendiri pada korpus itu akan menyerahkan aset yang dibeli oleh korpus tersebut.

• Perbedaan praktisnya — pipeline riset internal dapat menggunakan keduanya besok. Produk yang akan dirilis dapat menyematkan LFM2.5 2.6B Base di perangkat besok dan tidak dapat merilis Fibo 2.0 tanpa tanda tangan.

Ini bukan celaan terhadap Bria. Ini adalah struktur biaya dari kedua masalah tersebut. Liquid AI dilatih dengan teks, yang sebagian besar gratis untuk dilisensikan; Bria dilatih dengan foto, yang tidak satu pun gratis untuk dilisensikan. Ketentuan lisensi mengikuti data masukan, bukan kualitas model, dan itulah tempat yang tepat untuk mengikutinya.

Tempat keduanya bertemu: asisten on-device yang mendeskripsikan sebelum merender

Ada satu arsitektur di mana kedua model ini berada dalam sistem yang sama, dan itulah alasan tulisan ini merupakan perbandingan, bukan penolakan. Jalur pengondisian Fibo 2.0 menerima keterangan JSON terstruktur — VGL, Visual GenAI Language dari Bria — dengan bidang bernama untuk subjek, komposisi, pencahayaan, kamera, gaya, dan teks-dalam-gambar. Model teks 2,6B yang muat di perangkat yang mengambil foto adalah persis jenis hal yang dapat menulis JSON itu secara lokal, tanpa perjalanan bolak-balik.

Bisa atau tidaknya adalah pertanyaan yang berbeda dari seharusnya atau tidak. Base pra-terlatih dengan estimasi indeks 8,39, GPQA 55,8%, dan HLE 6,2% tidak akan secara andal menghasilkan JSON yang valid secara skema dari sebuah foto tanpa fine-tuning khusus tugas — dan melakukan fine-tuning pada korpus VGL adalah pekerjaan yang terdefinisi dengan baik dan berukuran model kecil. Itulah versi jujur dari argumen meet-in-the-middle: LFM2.5 2.6B Base adalah substrat yang masuk akal untuk penulis caption yang di-fine-tune, bukan yang siap pakai.

• Apa yang dibawa model 2.6B — ia berjalan di tempat foto diambil, dengan bobot di bawah 3 GB, tanpa jaringan, tanpa biaya per panggilan.

• Yang dibutuhkannya terlebih dahulu — fine-tuning terawasi pada contoh berformat VGL, ditambah constrained decoding atau tata bahasa JSON untuk menjamin output yang valid.

• Apa yang dibawa renderer — ia tetap membutuhkan GPU. Bagian di perangkat menjelaskan; bagian server menggambar. Itulah satu-satunya pembagian yang berfungsi saat ini.

• Apa yang menggagalkan ide ini — jika keterangannya harus bagus, model multimodal kelas 12B membaca gambar sumber lebih baik daripada model hanya-teks 2.6B, karena yang 2.6B sama sekali tidak bisa melihat fotonya.

Poin terakhir itulah yang menentukan sebagian besar desain nyata. LFM2.5 2.6B Base bersifat text-in, text-out. Model ini dapat menulis caption VGL dari brief tertulis; ia tidak dapat melihat gambar yang dideskripsikannya. Siapa pun yang memadukan keduanya harus jelas tentang pekerjaan mana yang sebenarnya mereka beli.

Mendapatkan masing-masingnya

Fibo 2.0 berasal dari API Bria seharga $0.032 per gambar, dari alat pembuatan yang dihosting Bria, melalui node ComfyUI, atau sebagai bobot dengan akses terbatas di Hugging Face. LFM2.5 2.6B Base tersedia di Hugging Face dalam format GGUF, ONNX, dan MLX, tanpa pembatasan akses pada rilis base-nya. Keduanya tidak ada di katalog OrcaRouter, dan tidak ada klaim yang perlu dilembutkan: Fibo 2.0 adalah endpoint gambar dan base 2.6B milik Liquid adalah checkpoint yang dapat diunduh, dan sebuah router tidak dapat melayani keduanya dengan baik.

Yang dilayani router adalah segala hal di sekitar model-model itu. OrcaRouter menggunakan satu kunci untuk lebih dari 200 model dengan harga daftar penyedia diteruskan dengan markup 0%, sehingga perubahan harga vendor di sisi teks langsung terlihat pada hari yang sama saat terjadi. Jika Anda membangun pipeline fine-tuning untuk penulis caption VGL, model yang menghasilkan pasangan pelatihan sintetis dan model yang menilainya dapat sama-sama berada di balik satu kunci itu, dengan failover otomatis saat Anda beriterasi dan DSL routing untuk menyebarkan benchmark ke beberapa model dalam satu panggilan. Renderer tetap milik Bria. Di loop tuning-lah routing membuktikan nilainya.

Keputusan itu, dinyatakan secara gamblang.

Jika batasan Anda adalah di mana model berjalan, LFM2.5 2.6B Base tidak bersaing dengan Fibo 2.0 — hanya satu dari keduanya yang sama sekali dapat berjalan di perangkat, dan indeks perkiraan 8,39-nya adalah batas atas yang sengaja Anda pilih sebagai imbalannya. Jika batasan Anda adalah seperti apa outputnya, Fibo 2.0 adalah satu-satunya dari keduanya yang menghasilkan output tersebut, dan Elo 1.087-nya di antara bobot terbuka adalah tonggak tertinggi saat ini untuk pengeditan gambar yang dapat diunduh. Tidak ada yang memilih di antara model-model ini. Mereka memilih antara target penerapan dan hasil yang dapat diserahkan, dan itu adalah keputusan berbeda yang kebetulan muncul dalam berita minggu yang sama.

Satu-satunya pertanyaan yang benar-benar sama adalah lisensi, dan pertanyaan itu terselesaikan dengan cara yang sama untuk kedua bagian dari build komersial: basis 2.6B dapat digunakan berdasarkan ketentuannya, renderer 8B memerlukan persetujuan Bria, dan fakta bahwa model yang lebih kecil adalah yang lebih bebas merupakan fakta tentang data pelatihan, bukan tentang rekayasa. Rencanakan produk berdasarkan hal itu, bukan berdasarkan jumlah parameter.