Fibo 2.0 Dev arriva su ModelScope: il checkpoint che Bria ha davvero creato per il fine-tuning

La scheda di Fibo 2.0 Dev sul sito cinese di ModelScope è stata creata alle 17:03 UTC del 20 ottobre 2026 — lo stesso giorno in cui Bria ha pubblicato il modello — e una copia sul sito internazionale è comparsa due giorni dopo, alle 09:55 UTC del 22 ottobre. Da allora nessuno dei due mirror si è mosso granché: la scheda cinese riportava 691 download e quella internazionale 59 al momento del controllo questa settimana, e entrambe presentano un campo licenza che, in modo poco utile, recita "other". I conteggi dei download non sono il punto. Il punto è ciò che lo stack ingegneristico di ModelScope dice sui checkpoint, perché la documentazione di Fibo di DiffSynth-Studio ora lo afferma chiaramente: solo Fibo 2.0 Dev è addestrabile.

Vale la pena rallentare per questo. Bria (l'azienda dietro il modello) ha rilasciato Fibo 2.0 il 20 ottobre 2026 come modello a pesi aperti da 8,13 miliardi di parametri che esegue generazione testo-immagine ed editing guidato da istruzioni con un unico set di pesi, e ha pubblicato due checkpoint con quel nome — la versione base completa e un editor distillato. ModelScope, l'hub cinese di modelli il cui progetto DiffSynth-Studio fornisce gli script di training, ha ora integrato entrambi e ha segnato il confine che gli sviluppatori aspettavano di vedere: il checkpoint distillato è un artefatto di deployment, quello non distillato è ciò che puoi insegnare.

Che cosa c’è effettivamente su ModelScope e che cosa non c’è

Esistono due inserzioni, e sono copie speculari degli stessi pesi, non una ricostruzione. Il sito cinese elenca briaai/Fibo-2.0-dev nell'attività di sintesi testo-immagine con le librerie pytorch, lora, safetensors e diffusers: la presenza di lora in quell'elenco è un piccolo indizio sulle intenzioni. Il sito internazionale riporta lo stesso ID del modello con un proprio contatore dei download molto più basso. Entrambe rimandano al repository Hugging Face ad accesso limitato anziché ospitare una copia separata, quindi chiunque abbia bisogno dei file effettivi deve comunque passare attraverso il modulo di accesso non commerciale di Bria.

Due dettagli meritano di essere segnalati perché confonderanno chi legge la scheda in modo isolato. Il tag del task indica solo text-to-image, il che sminuisce il checkpoint: Fibo 2.0 Dev esegue generazione ed editing dagli stessi pesi, e il percorso di editing è quello a cui tiene la maggior parte dei team. Inoltre, il campo della licenza dice "other" invece di "CC BY-NC 4.0", il che è una lacuna nei metadati, non una concessione diversa — la concessione resta comunque la licenza non commerciale di Bria, ed è il singolo più grande vincolo su qualsiasi cosa tu faccia fine-tuning sopra questo checkpoint.

Anche la tempistica conta per come interpretare la notizia. I pesi sono stati pubblicati sull'Hub il 18–19 ottobre, Artificial Analysis disponeva di uno snapshot entro il 20 ottobre, ComfyUI ha integrato il supporto nativo il 21 ottobre e lo specchio internazionale di ModelScope è stato completato il 22 ottobre. Fibo 2.0 Dev è un checkpoint vecchio di nove giorni, in una fase di distribuzione ancora in movimento, non una vecchia release riportata in auge.

Dev versus Edit Turbo è un vero fork, non una stranezza di denominazione

Bria ha pubblicato due checkpoint sotto un unico nome di rilascio, e la differenza decide tutto a valle:

• Campionamento — Fibo 2.0 Dev esegue 50 step con classifier-free guidance a 5.0; Fibo 2.0 Edit Turbo esegue 4 step con guidance fissata a 1.0, vale a dire nessuna guidance.

• Copertura delle attività — Dev si occupa di text-to-image e editing; Turbo fa solo editing, quindi un prompt text-to-image con Turbo è lo strumento sbagliato anziché una risposta più lenta.

• Prompt negativi — funzionano su Dev perché CFG è attivo; su Turbo non c'è alcun CFG da guidare, quindi un prompt negativo non ha nessuna leva su cui agire.

• Addestrabilità — questo è il bivio che conta qui. La pagina Fibo di DiffSynth-Studio afferma esplicitamente che solo Fibo-2.0-dev è un target di addestramento; Turbo è descritto come non destinato al fine-tuning.

• Costo per immagine in fase di inferenza — Turbo costa all'incirca un ordine di grandezza in meno da eseguire per la ristretta funzione che svolge, ed è proprio per questo che nessuno dovrebbe farvi fine-tuning per colmare quel divario.

Sotto il cofano, hanno la stessa forma: un diffusion transformer con flow matching che opera nello spazio latente del VAE di FLUX.2, un DiT BF16 da 8.127.342.213 parametri con 44 blocchi single-stream, cinque dei quali eseguono cross-attention verso un text encoder Qwen3-VL-4B-Instruct il cui output viene compresso in 256–512 token "gist" da un resampler Perceiver a due strati. Il repository occupa complessivamente circa 25,5 GB — un transformer da 16,3 GB, un text encoder da 8,9 GB e un VAE da 0,34 GB — ed è questo il numero da considerare nel budget, non l'8B del titolo.

La ricetta di addestramento: encoder congelati, un DiT addestrabile

Il contributo di ModelScope non è un altro mirror ma un set di script, e la sua struttura è convenzionale nel modo che lo rende utilizzabile. L'addestramento riutilizza lo stesso FiboPipeline usato per l'inferenza e viene eseguito tramite examples/fibo/model_training/train.py. Il VAE e l'encoder di testo sono congelati; il DiT viene addestrato con flow matching. Questa scelta è quella sensata — fare fine-tuning di un encoder Qwen3-VL-4B insieme a un transformer da 16 GB su un singolo nodo è un altro progetto — ma significa anche che un fine-tuning può reindirizzare stile, composizione e comportamento di modifica senza insegnare al modello un linguaggio dei prompt realmente nuovo.

Sono supportati due livelli, ed entrambi sono esclusivamente DiT:

Fine-tuning completo — passa `--trainable_models "dit"` e lascia che Accelerate gestisca la configurazione distribuita; si sposta l'intero transformer, nient'altro.

• LoRA — collega gli adapter al DiT con --lora_base_model "dit", imposta i moduli di destinazione e il rank e, facoltativamente, riprendi da un checkpoint; gli script LoRA forniti utilizzano per impostazione predefinita una singola GPU.

L'editing è un obiettivo di addestramento di prim'ordine, non un ripensamento. Le esecuzioni di editing iniettano edit_image e una maschera opzionale tramite --extra_inputs, e UnifiedDataset legge quelle colonne dai metadati; le righe senza maschera vengono addestrate come normali campioni di editing invece di essere scartate. Poiché generazione ed editing condividono i pesi, un singolo fine-tuning può insegnare un nuovo dominio e come eseguire l'editing al suo interno — la model card di Bria stessa presenta questa proposta per LoRA di brand e stile, specialisti verticali ed editor per compiti specifici, e include un trainer LoRA per singola GPU con una guida alla preparazione dei dati nella cartella fine_tuning/ del repository.

I due dataset di esempio mostrano lo schema che ci si aspetta tu produca: DiffSynth-Studio/diffsynth_example_dataset, con uno split fibo/Fibo-2.0-dev che porta un CSV di metadati di image e prompt, e uno split fibo/Fibo-2.0-dev-Edit che porta un JSON di metadati di image, prompt, edit_image e mask opzionale. Nulla in quello schema è esotico; il lavoro sta nel produrre le didascalie.

VRAM: la parte che la scheda del modello non quantifica

Non esiste un minimo pubblicato. La documentazione di DiffSynth consiglia configurazioni con VRAM ridotta e una gestione automatica della VRAM in base alla memoria rimanente, invece di indicare un valore minimo, e la configurazione di esempio ti dice cosa si aspettano: caricare e preparare in FP8 E4M3, calcolare in BF16, eseguire l'offload su disco e limitare l'utilizzo totale alla memoria CUDA totale meno 0,5 GB. È una ricetta scritta da persone che sanno che la risposta dipende dalla tua scheda, dalla tua risoluzione e dal fatto che il gradient checkpointing sia attivo o meno — ed è onesta al riguardo. Pianifica l'offload e accetta che un fine-tuning a un megapixel sarà lento prima di essere buono.

Il JSON strutturato è l'interfaccia, quindi il tuo dataset deve parlarla

La superficie di controllo di Fibo non è una casella per i prompt. Il modello è stato addestrato sulle didascalie di Visual GenAI Language (VGL) — JSON strutturato in cui illuminazione, composizione, stile, camera e oggetti sono campi indirizzabili in modo indipendente — e la pipeline di inferenza restituisce la didascalia insieme all'immagine che ha prodotto. L'helper bria-vgl espone create() per la generazione e modify() per le modifiche, quindi non ci si aspetta che tu scriva il JSON a mano; un VLM ospitato esegue l'espansione a meno che tu non lo scriva tu stesso.

Ciò ha una conseguenza diretta per il fine-tuning che la copertura del lancio ha per lo più tralasciato. Se addestri su prompt in testo libero, stai addestrando il DiT rispetto a un formato di didascalie per cui non è stato concepito, e il controllo che speravi di acquisire è la prima cosa a venir meno. Memorizzare le didascalie VGL nei tuoi metadati — generate dalla pipeline e poi modificate, oppure redatte di proposito — mantiene intatto il comportamento dei campi indirizzabili, ed è la differenza tra una LoRA che trasferisce uno stile e una LoRA che trasferisce uno stile senza rovinare il resto dell'inquadratura. Se il tuo set di addestramento è composto da immagini senza didascalie, il passaggio di didascalia è la fase costosa, ed è un compito da modello linguistico.

Il tooling è arrivato più velocemente di quanto arrivi la maggior parte dei nuovi checkpoint.

Per un modello di appena nove giorni, lo stack che lo circonda è insolitamente completo, e questo è in parte il motivo per cui l'integrazione con ModelScope è una cosa meno importante di quanto sembri e più utile di un semplice mirror.

• diffusers — una BriaFibo2Pipeline è stata introdotta come PR #14991, che è il percorso che la maggior parte del codice di inferenza seguirà.

• ComfyUI — supporto nativo integrato il 21 ottobre come PR #17240 e rilasciato nella versione v0.43.0, aggiungendo un tipo di text-encoder fibo2 che carica l'ufficiale Qwen3-VL-4B e un nodo TextEncodeFibo2 che gestisce prompt VGL e immagini di riferimento. I repack BF16 e INT8 seguono quel layout del loader, e il supporto per l'architettura GGUF è disponibile per esecuzioni locali quantizzate.

• ModelScope / DiffSynth-Studio — script di inferenza e training in un unico posto, ovvero il tassello di cui un team che standardizza su DiffSynth ha davvero bisogno prima di poter pianificare un fine-tune.

Il muro di cui nessuno parla: CC BY-NC 4.0

Fibo 2.0 è a pesi aperti, non open source, e il divario tra queste due espressioni è l'intera questione commerciale. I checkpoint sono CC BY-NC 4.0: solo uso non commerciale, con l'implementazione commerciale che richiede un accordo separato con Bria, e i repository Hugging Face vincolati a un modulo aziendale e di uso previsto. Un LoRA di brand addestrato su Fibo 2.0 Dev è un artefatto di ricerca finché quell'accordo non esiste — che è un posto strano in cui mettere "esattamente ciò su cui gli sviluppatori vogliono costruire", ma è il posto corretto. Confronta le alternative a pesi aperti che consentono l'uso commerciale senza condizioni e la licenza, non l'Elo, diventa la linea decisiva per chiunque commercializzi.

Il quadro qualitativo è anche più ristretto rispetto a quanto suggerisce il titolo. Su AA-Image-Editing v2.1 di Artificial Analysis, Fibo 2.0 segna 1.088 Elo con un intervallo di ±14 su 5.009 voti alla cieca — ventitreesimo complessivo e primo tra gli editor open-weights, anche se è scivolato di una o due posizioni rispetto allo snapshot del lancio. Qwen-Image-2.1 si attesta a 1.081 ±13, e gli intervalli si sovrappongono quasi interamente, quindi il primato open-weights è più uno spareggio che una prova. Su AA-Image-T2I v2.1 l'ordine si inverte: 1.039 ±12 per Fibo 2.0 contro 1.042 ±12 di Qwen-Image-2.1. La model card di Bria stessa è ancora meno lusinghiera nelle categorie ristrette — colloca il rendering del testo e il layout tra la parte alta dei diciassette e l'inizio dei venti, e l'anatomia umana al diciottesimo posto. Un fine-tuning può inseguire quelle debolezze, ma non può superare ciò che l'encoder comprende.

Dove il routing è appropriato, e dove non lo è

La separazione onesta: Fibo 2.0 stesso non è nel catalogo di OrcaRouter, quindi qui non c'è alcun pitch "chiama Fibo tramite noi". Ciò che il routing offre è l'altra metà della pipeline. I due compiti di modello linguistico attorno a questo checkpoint — scrivere didascalie VGL per un set di addestramento ed espandere prompt brevi in JSON strutturato in inferenza — sono normali carichi di lavoro testuali, e sono quelli che decidono se un fine-tuning è possibile o meno. OrcaRouter offre un'API per oltre 200 modelli con markup 0%, quindi i prezzi di listino dei provider passano attraverso e la quota del fornitore arriva in fattura lo stesso giorno; il failover automatico tra provider significa che un'esecuzione di captioning su qualche migliaio di immagini non muore su un singolo upstream; e il DSL di routing può fissare un modello economico per il captioning in blocco mentre invia i casi difficili a qualcosa di più potente, con la fusione di modelli disponibile quando un singolo modello di captioning continua a omettere un campo. Il modello di immagine resta dov'è; il testo che lo circonda è instradabile.

Ciò che verrà dopo è la roadmap di Bria stessa, che la model card elenca come editing locale multi-turno, rimozione dello sfondo, una LoRA per i product shot, cancellazione con maschera e outpainting — tutte cose che arriverebbero prima sul checkpoint Dev, perché Dev è quello con un ciclo di training. I mirror ModelScope sono la metà noiosa di questa storia. La frase di DiffSynth «solo Fibo-2.0-dev è addestrabile» è la metà utile, ed è il motivo per scaricare il repository da 25,5 GB invece di chiamare l'API.