Fibo 2.0 vs LFM2.5 2.6B Base: 2,7 miliardi di parametri di testo, oppure 8,1 miliardi di parametri di immagini

Il divario di dimensioni è la prima cosa che chiunque nota e la meno utile al riguardo. Fibo 2.0, rilasciato da Bria il 20 ottobre 2026, conta 8.127.342.213 parametri e restituisce immagini. LFM2.5 2.6B Base, rilasciato da Liquid AI il 1 agosto 2026, conta 2,69 miliardi e restituisce testo — e non testo finito, ma il comportamento di continuazione grezza di un checkpoint base pre-addestrato senza alcun instruction tuning applicato. Chiedere quale sia migliore è come chiedere se una fotocamera sia migliore di un dizionario. La domanda che ha una risposta è più ristretta e più pratica: ciascuno è l'opzione aperta credibile più piccola nel proprio ambito, e sapere dove si colloca il limite inferiore di ciascun ambito ti dice quale delle due il tuo vincolo esclude effettivamente. Nessuna delle due schede modello documenta cosa succede quando un checkpoint come questo viene distribuito male, e gli incidenti registrati sono catalogati nell'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

Il pavimento, in entrambe le direzioni

Entrambi i modelli sono interessanti per la stessa ragione strutturale — ciascuno si colloca vicino al limite inferiore di ciò che è sostenibile per il proprio compito — e questo è l'unico asse sul quale sono minimamente comparabili.

• Parametri — Fibo 2.0 8,127,342,213 in BF16; LFM2.5 2.6B Base 2,69 miliardi. All'incirca un rapporto di tre a uno nei pesi, che è più o meno lo stesso rapporto anche in memoria.

• Output — Fibo 2.0 restituisce un'immagine; LFM2.5 2.6B Base restituisce token di testo e nient'altro.

• Dove viene eseguito — Fibo 2.0 richiede una GPU con VRAM sufficiente per un diffusion transformer a 44 blocchi con 50 step, oppure quattro step nella variante Turbo; LFM2.5 2.6B Base è distribuito nei formati GGUF, ONNX e MLX ed è progettato per funzionare su un telefono, un laptop o un computer a scheda singola.

• Stato del tuning — Fibo 2.0 Dev è una base non distillata con classifier-free guidance, documentata per il fine-tuning; LFM2.5 2.6B Base è solo pre-addestrata, senza alcun comportamento di instruction-following finché qualcuno non la sottopone a tuning.

• Licenza — Fibo 2.0 è CC BY-NC 4.0 per uso non commerciale, con uso commerciale previo accordo; LFM2.5 2.6B Base è soggetta alla licenza LFM 1.0, che consente l'uso commerciale soggetto ai propri termini.

• Punteggi — Fibo 2.0 si trova a 1.087,05 Elo su AA-Image-Editing v2.1, primo tra i pesi aperti; LFM2.5 2.6B Base ha un Intelligence Index stimato di 8,39, GPQA 55,8%, Terminal-Bench 2.1 al 4,5% e HLE 6,2%.

Quelle due linee di punteggio non possono essere collocate nella stessa frase come confronto. Una è un punteggio di preferenza del pubblico su immagini renderizzate; l'altra è un punteggio composito su benchmark testuali. L'unico uso onesto di entrambi è caratterizzare a cosa serve ciascun modello.

Che cos’è realmente un checkpoint di base, perché il nome è fuorviante

"Base" in LFM2.5 2.6B Base non è un modo modesto per dire "standard". Significa che il modello è stato addestrato su 34 trilioni di token per la previsione del token successivo e nient'altro: nessun instruction tuning, nessun template di chat, nessun comportamento di rifiuto, nessuna consapevolezza che una domanda sia una domanda. Se gli si dà "Riassumi questa email:", continuerà la stringa nello stile suggerito dai dati di pre-addestramento, che potrebbe essere il resto di uno scambio di email anziché un riassunto.

Il che lo rende un buon punto di partenza e un prodotto mediocre. Liquid AI lo distribuisce per chi intende fare fine-tuning, e l'architettura è scelta proprio per questo scopo: 30 layer, 22 short convolutions a doppio gate e 8 layer di grouped-query attention, un vocabolario da 128K, una finestra di contesto di 131.072 token e la copertura di 16 lingue nel pre-training. È lo stack a forte componente convoluzionale a permettergli di stare su un telefono: il costo dell'attention cresce con il contesto, quello delle convoluzioni no, ed è tutta qui la tesi progettuale.

• Architettura — 30 layer: 22 blocchi di convoluzione breve a doppio gate e 8 blocchi GQA, vocabolario da 128K.

• Addestramento — 34 trilioni di token, 16 lingue, solo pre-addestrato.

• Contesto — 131,072 token, ovvero il numero che lo stack convoluzionale è progettato per rendere economicamente sostenibile.

• Formati — GGUF, ONNX e MLX, quindi llama.cpp, ONNX Runtime e Apple silicon sono tutti target di primo livello.

• Cosa non fa: seguire istruzioni, sostenere una conversazione o produrre qualcosa che non sia un proseguimento del testo, finché non lo si mette a punto.

Il confronto con il checkpoint Dev di Fibo 2.0 è più vicino di quanto non sembri a prima vista. Anche Fibo 2.0 Dev è una base — non distillata, 50 passi con classifier-free guidance a 5.0, esplicitamente il checkpoint che Bria indica per il fine-tuning. Entrambi i progetti forniscono un target di tuning accanto a un prodotto utilizzabile, o al suo posto. La differenza è che Fibo 2.0 Edit Turbo esiste come versione utilizzabile degli stessi pesi, distillata a quattro passi senza guidance, mentre LFM2.5 2.6B deve essere sottoposto a tuning prima di essere utilizzabile.

Licenza e il costo reale dell'"open"

Entrambi i modelli sono scaricabili. Ciò che puoi fare con essi diverge nettamente, e in una direzione che ribalta la consueta intuizione sulle dimensioni: il modello minuscolo è quello utilizzabile commercialmente.

• Fibo 2.0 — CC BY-NC 4.0 per uso non commerciale. L'uso commerciale richiede un accordo separato con Bria. Il repository Hugging Face è ad accesso limitato, previa compilazione di un modulo con i dati aziendali e l'uso previsto.

• LFM2.5 2.6B Base — licenza LFM 1.0, che consente la distribuzione commerciale secondo i propri termini. Nessuna negoziazione per singolo utilizzo, anche se i termini non sono Apache-2.0 e vale la pena leggerli anziché darli per scontati.

• Perché la clausola di Bria è quella che è: il corpus di addestramento è composto da circa un miliardo di immagini con licenza che l'azienda ha pagato. Pesi gratuiti che permettessero a chiunque di praticare prezzi inferiori a quelli dell'API di Bria stessa su quel corpus regalerebbero l'asset che il corpus ha acquistato.

• La distinzione pratica: una pipeline di ricerca interna può usarli entrambi domani. Un prodotto commerciale può integrare LFM2.5 2.6B Base in un dispositivo domani e non può distribuire Fibo 2.0 senza una firma.

Questa non è una critica a Bria. È la struttura dei costi dei due problemi. Liquid AI si è addestrata su testo, la maggior parte del quale è libero da licenza; Bria si è addestrata su fotografie, nessuna delle quali lo è. I termini di licenza seguono i dati di input, non la qualità del modello, ed è il posto corretto in cui seguirli.

Dove si incontrano: l'assistente sul dispositivo che descrive prima di renderizzare

C'è un'architettura in cui questi due modelli appartengono allo stesso sistema, ed è il motivo per cui questo articolo è un confronto anziché una stroncatura. Il percorso di condizionamento di Fibo 2.0 accetta una didascalia JSON strutturata — VGL, il Visual GenAI Language di Bria — con campi denominati per soggetto, composizione, illuminazione, fotocamera, stile e testo nell'immagine. Un modello testuale da 2,6B che entra nel dispositivo che scatta la foto è esattamente il tipo di cosa che potrebbe scrivere quel JSON localmente, senza un viaggio di andata e ritorno.

Il fatto che possa farlo è una questione diversa dal fatto che dovrebbe. Una base pre-addestrata con un indice stimato di 8.39, GPQA 55.8% e HLE 6.2% non produrrà in modo affidabile JSON valido rispetto allo schema a partire da una fotografia senza un fine-tuning specifico per il compito — e fare fine-tuning su un corpus VGL è un lavoro ben definito, delle dimensioni di un modello piccolo. Questa è la versione onesta dell'argomentazione del meet-in-the-middle: LFM2.5 2.6B Base è un substrato plausibile per un generatore di didascalie fine-tuned, non per uno pronto all'uso.

• Cosa offre il 2.6B: funziona dove viene scattata la foto, con meno di 3 GB di pesi, senza rete, senza costi per chiamata.

• Ciò di cui ha bisogno innanzitutto — fine-tuning supervisionato su esempi in formato VGL, più decodifica vincolata o una grammatica JSON per garantire un output valido.

• Cosa apporta il renderer — ha comunque bisogno di una GPU. La metà sul dispositivo descrive; la metà sul server disegna. È l'unica divisione che funziona oggi.

• Cosa manda all'aria l'idea: se la didascalia deve essere buona, un modello multimodale di classe 12B legge l'immagine sorgente meglio di quanto possa fare un modello da 2,6B solo testo, perché il 2,6B non può vedere affatto la foto.

Quest'ultimo punto è quello che decide la maggior parte dei progetti reali. LFM2.5 2.6B Base è testo in entrata, testo in uscita. Può scrivere una didascalia VGL a partire da un brief scritto; non può guardare l'immagine che sta descrivendo. Chiunque abbini i due dovrebbe avere ben chiaro quale di questi compiti stia effettivamente acquistando.

Ottenere ciascuno

Fibo 2.0 proviene dall'API di Bria a $0,032 per immagine, dallo strumento di creazione ospitato da Bria, tramite i nodi ComfyUI oppure come pesi soggetti a gating su Hugging Face. LFM2.5 2.6B Base proviene da Hugging Face in GGUF, ONNX e MLX, senza gating sulla release base. Nessuno dei due è nel catalogo OrcaRouter, e nessuna delle due affermazioni va ammorbidita: Fibo 2.0 è un endpoint per immagini e la base 2.6B di Liquid è un checkpoint scaricabile, e un router non serve bene nessuno dei due.

Quello che un router offre davvero è tutto ciò che sta loro intorno. OrcaRouter usa un'unica chiave su più di 200 modelli con i prezzi di listino dei provider passati a markup 0%, così una variazione di prezzo del fornitore lato testo si vede il giorno stesso in cui avviene. Se stai costruendo la pipeline di fine-tuning per un generatore di didascalie VGL, il modello che genera coppie di addestramento sintetiche e il modello che le valuta possono entrambi stare dietro quell'unica chiave, con failover automatico mentre iteri e il DSL di routing per distribuire un benchmark su diversi modelli in un'unica chiamata. Il renderer resta di Bria. È nel ciclo di tuning che il routing si guadagna il suo posto.

La decisione, esposta chiaramente

Se il tuo vincolo è dove gira il modello, LFM2.5 2.6B Base non compete con Fibo 2.0: è l'unico dei due che gira del tutto sul dispositivo, e il suo indice stimato di 8,39 è un tetto che scegli di proposito in cambio di questo. Se il tuo vincolo è ciò che è l'output, Fibo 2.0 è l'unico dei due che produce quell'output, e il suo Elo di 1.087 tra i pesi aperti è l'attuale livello massimo per l'editing di immagini scaricabile. Nessuno sta scegliendo tra questi modelli. Si sta scegliendo tra un target di deployment e un risultato finale, e sono decisioni diverse che sono capitate nella notizia della stessa settimana.

La sola domanda davvero condivisa è quella della licenza, e si risolve allo stesso modo per entrambe le metà di una build commerciale: la base da 2,6B è utilizzabile secondo i suoi termini, il renderer da 8B richiede l'accordo di Bria, e il fatto che il modello più piccolo sia quello più libero dipende dai dati di addestramento, non dall'ingegneria. Progetta il prodotto tenendo conto di questo, non del numero di parametri.