Fibo 2.0 DevがModelScopeに登場：Briaがファインチューニング用に実際に構築したチェックポイント

ModelScopeの中国サイトにあるFibo 2.0 Devの掲載は、2026年10月20日17:03 UTCに作成された。これはBriaが同モデルをリリースした当日でもある。国際サイト上のコピーは2日後の10月22日09:55 UTCに登場した。どちらのミラーもその後大きく動いていない。今週確認した時点で、中国側の掲載はダウンロード数691、国際側は59で、どちらもライセンス欄にはありがたくないことに「other」とだけ記されている。ダウンロード数が本題ではない。本題は、ModelScope自身のエンジニアリングスタックがチェックポイントについて何を述べているかだ。というのも、DiffSynth-StudioのFiboドキュメントが今や明確に記しているからだ。学習可能なのはFibo 2.0 Devのみである、と。

これは立ち止まって見る価値がある。モデルの開発元であるBriaは、2026年10月20日に、テキストからの画像生成と指示に基づく編集を単一の重みセットで行う81億3000万パラメータのオープンウェイトモデルとしてFibo 2.0をリリースし、その名称で2つのチェックポイント——フルベースと蒸留エディター——を公開した。DiffSynth-Studioプロジェクトが学習スクリプトを提供している中国のモデルハブ、ModelScopeは今や両方を統合し、開発者が待ち望んでいた線引きを示した。蒸留済みチェックポイントはデプロイ用の成果物であり、蒸留されていない方こそが教え込めるものだ。

ModelScope 上に実際にあるものと、ないものは何ですか

2つの掲載が存在し、それらは同じ重みのミラーであって再構築ではない。中国サイトでは、briaai/Fibo-2.0-dev を text-to-image-synthesis タスクの下に、ライブラリ pytorch、lora、safetensors、diffusers とともに掲載している。その一覧に lora が含まれていることは、意図を示すささやかな手がかりだ。国際サイトは同じモデルIDを、独自のはるかに小さいダウンロードカウンターとともに掲載している。どちらも別個のコピーをホストしているのではなく、アクセス制限付きの Hugging Face リポジトリを指しているため、実際のファイルが必要な人は依然として Bria の非商用アクセスフォームの手続きを踏むことになる。

2つの細部は取り上げる価値がある。リストだけを単独で読む人を混乱させるからだ。タスクタグにはtext-to-imageのみと書かれているが、これはこのチェックポイントの能力を過小評価している。Fibo 2.0 Devは同一の重みから生成と編集の両方を行い、多くのチームが関心を寄せるのは編集のパスのほうだ。そしてライセンス欄には「CC BY-NC 4.0」ではなく「other」と記されているが、これはメタデータの欠落であって別の許諾条件ではない。許諾条件は依然としてBriaの非商用ライセンスであり、このチェックポイントを基に微調整を行うあらゆるものにとって最大の制約となる。

タイミングも、このニュースをどう読むべきかに影響します。重みは10月18～19日にHubで公開され、Artificial Analysisは10月20日までにスナップショットを取得し、ComfyUIは10月21日にネイティブサポートをマージし、ModelScopeの国際ミラーは10月22日に埋まりました。Fibo 2.0 Devは、まだ動いている配布フェーズにある9日前のチェックポイントであり、復活した古いリリースではありません。

Dev対Edit Turboは、命名上の気まぐれではなく、実際のフォークです

Briaは1つのリリース名で2つのチェックポイントを公開しており、その違いが下流のすべてを決めます：

• サンプリング — Fibo 2.0 Dev は分類器フリーガイダンスを 5.0 にして 50 ステップ実行します。Fibo 2.0 Edit Turbo はガイダンスを 1.0 に固定して 4 ステップ実行します。つまり、ガイダンスをまったく使用しないということです。

• タスク対応範囲 — Dev はテキストから画像への生成と編集を担当し、Turbo は編集のみを担当するため、Turbo に対してテキストから画像へのプロンプトを出すのは、より遅い回答ではなく誤ったツールの選択です。

• ネガティブプロンプト — Dev では CFG が有効なので機能しますが、Turbo には操作すべき CFG が存在しないため、ネガティブプロンプトには作用するレバーがありません。

• トレーニング適性 — ここで重要なのはこの分岐点です。DiffSynth-Studio の Fibo ページでは、トレーニング対象となるのは Fibo-2.0-dev のみであることが明記されており、Turbo はファインチューニングを想定していないと説明されています。

• 推論時の画像1枚あたりのコスト — Turbo は、それが担う狭い用途に関しては実行コストがおよそ1桁安い。まさにそれが、その差を追って Turbo をファインチューニングすべき人が誰もいない理由だ。

内部的には、それらは同じ形をしている。FLUX.2 VAEの潜在空間で動作するフローマッチング拡散トランスフォーマーであり、44個のシングルストリームブロックを備えた8,127,342,213パラメータのBF16 DiTで、そのうち5つはQwen3-VL-4B-Instructテキストエンコーダへのクロスアテンションを備え、その出力は2層のPerceiverリサンプラによって256～512個の「gist」トークンに圧縮される。リポジトリ全体は約25.5 GB — 16.3 GBのトランスフォーマー、8.9 GBのテキストエンコーダ、0.34 GBのVAE — で動作し、予算を立てるべきなのは8Bという見出しの数字ではなく、この数値だ。

トレーニングレシピ：凍結されたエンコーダー、学習可能なDiT

ModelScope の貢献は、もう一つのミラーではなくスクリプト群であり、その構成は使いやすさを実現する意味で従来型です。トレーニングは推論と同じ FiboPipeline を再利用し、examples/fibo/model_training/train.py を通じて実行されます。VAE とテキストエンコーダーは凍結され、DiT はフローマッチングでトレーニングされます。この選択は妥当なものです。単一ノード上で Qwen3-VL-4B エンコーダーを 16 GB のトランスフォーマーと並行してファインチューンするのは別プロジェクトですが、同時に、ファインチューンではプロンプトの真に新しい言語をモデルに教えることなく、スタイル、構図、編集挙動を方向づけられるということも意味します。

2つのレベルがサポートされており、いずれもDiT専用です:

• フルファインチューニング — `--trainable_models "dit"` を指定し、分散設定は Accelerate に任せます。トランスフォーマー全体が更新され、それ以外は更新されません。

• LoRA — `--lora_base_model "dit"` で DiT にアダプターをアタッチし、ターゲットモジュールとランクを設定して、必要に応じてチェックポイントから再開します。提供されている LoRA スクリプトはデフォルトで単一 GPU を使用します。

編集は後付けではなく、第一級の学習対象です。編集実行では --extra_inputs を介して edit_image と任意のマスクを注入し、UnifiedDataset がメタデータからこれらの列を読み取ります。マスクのない行は破棄されるのではなく、通常の編集サンプルとして学習されます。生成と編集は重みを共有するため、1回のファインチューニングで新しいドメインと、その中で編集する方法を教えられます — Bria 自身のモデルカードは、ブランドおよびスタイル LoRA、業界特化型、特定タスクに特化したエディターについてそう訴求しており、リポジトリの fine_tuning/ フォルダーにデータ準備ガイド付きの単一GPU LoRAトレーナーを同梱しています。

2つの例示データセットは、作成することが求められるスキーマを示しています。すなわち、DiffSynth-Studio/diffsynth_example_dataset には、画像とプロンプトのメタデータCSVを持つ fibo/Fibo-2.0-dev スプリットがあり、image、prompt、edit_image、およびオプションのmaskのメタデータJSONを持つ fibo/Fibo-2.0-dev-Edit スプリットがあります。そのスキーマに奇抜な点は何もなく、作業はキャプションの作成にあります。

VRAM：モデルカードが定量化していない部分

公表された最小要件はありません。DiffSynthのドキュメントは、最低値を明示する代わりに低VRAM構成と残りメモリに応じた自動VRAM管理を推奨しており、例の設定は彼らが何を想定しているかを示しています。FP8 E4M3で読み込みと準備を行い、BF16で計算し、ディスクにオフロードし、総使用量をCUDA総メモリから0.5 GBを引いた値に制限するのです。これは、答えが自分のカード、解像度、gradient checkpointingの有無に依存することを理解している人たちが書いたレシピであり、その点について正直です。オフロードを前提に計画し、1メガピクセルでのファインチューニングは良くなる前に遅いことを受け入れてください。

構造化JSONがインターフェースなので、データセットもそれに対応している必要があります。

Fiboのコントロールサーフェスはプロンプト入力欄ではありません。このモデルはVisual GenAI Language（VGL）キャプションで学習されています。VGLは構造化JSONで、ライティング、構図、スタイル、カメラ、オブジェクトがそれぞれ独立して指定できるフィールドになっています。推論パイプラインは、生成した画像とともにそのキャプションを返します。bria-vgl ヘルパーは生成用の create() と編集用の modify() を公開しているので、JSONを手書きする必要はありません。自分で記述しない限り、ホストされたVLMが展開を行います。

これはファインチューニングに直接影響しますが、ローンチ時の報道ではほとんど触れられていません。自由記述のプロンプトで学習すると、DiT を本来想定していないキャプション形式に合わせて学習することになり、得られるはずだった制御性が真っ先に失われます。VGL キャプションをメタデータに保存する — パイプラインで生成してから編集する場合でも、意図的に作成する場合でも — ことで、アドレス可能なフィールドの挙動が損なわれずに保たれます。これは、スタイルを動かす LoRA と、フレームの残りを壊さずにスタイルを動かす LoRA の違いになります。学習セットがキャプションなしの画像の場合、キャプション付けの工程が高コストなステップであり、それは言語モデルの仕事です。

ツーリングは、大半の新しいチェックポイントが登場するよりも早く実現した

公開から9日目のモデルとしては周辺のスタックが異例なほど整っており、ModelScope連携が見た目ほど大げさな話ではなく、単なるミラー以上に有用である理由の一端もそこにある。

• diffusers — BriaFibo2Pipeline が PR #14991 としてマージされました。これは、ほとんどの推論コードが通る経路となります。

• ComfyUI — ネイティブサポートは10月21日にPR #17240としてマージされ、v0.43.0でリリースされました。公式のQwen3-VL-4Bを読み込むfibo2テキストエンコーダータイプと、VGLプロンプトおよび参照画像を扱うTextEncodeFibo2ノードを追加しています。BF16およびINT8のリパックはそのローダーレイアウトに従い、量子化されたローカル実行向けにGGUFアーキテクチャのサポートがあります。

• ModelScope / DiffSynth-Studio — 推論と学習のスクリプトを一か所にまとめたもので、DiffSynth の採用を標準化しようとするチームがファインチューニングを計画する前に実際に必要とする要素です。

誰も言及しない壁：CC BY-NC 4.0

Fibo 2.0はオープンウェイトであり、オープンソースではない。そして、この二つの表現の間にある隔たりこそが、商業利用の問いのすべてだ。チェックポイントはCC BY-NC 4.0で、非商業利用に限られ、商業展開にはBriaとの別途契約が必要となる。Hugging Faceのリポジトリは企業情報と利用目的のフォームを入力しないとアクセスできない。Fibo 2.0 Devで学習したブランドLoRAは、その契約が存在するまでは研究用の成果物にすぎない——「開発者がまさにその上で構築したいと思うもの」を置く場所としては奇妙だが、それが正確な位置づけだ。商業利用を無条件に認めるオープンウェイトの代替品と比較すると、製品を世に出す誰にとっても、決め手となるのはEloではなくライセンスになる。

品質面の実像も、見出しほど広くはない。Artificial AnalysisのAA-Image-Editing v2.1では、Fibo 2.0は5,009件のブラインド投票で1,088 Elo、±14の区間を示し、総合23位、オープンウェイトの編集モデルでは1位だが、ローンチ時のスナップショットから1〜2順位落としている。Qwen-Image-2.1は1,081 ±13で、区間はほぼ完全に重なるため、オープンウェイト部門の首位は証明ではなくタイブレークにすぎない。AA-Image-T2I v2.1では順位が逆転する。Fibo 2.0は1,039 ±12、Qwen-Image-2.1は1,042 ±12だ。Bria自身のモデルカードは、限定的なカテゴリではさらに分が悪い。テキストレンダリングとレイアウトは10代後半から20代前半、人体解剖は18位と記載している。ファインチューニングはそれらの弱点を追うことはできるが、エンコーダーが理解できる範囲を超えることはできない。

ルーティングが適する場合と、そうでない場合

正直に切り分けましょう。Fibo 2.0 自体は OrcaRouter のカタログにはないため、ここには「Fibo を当社経由で呼び出そう」という売り込みは一切ありません。ルーティングがもたらすのは、パイプラインのもう半分です。このチェックポイントを巡る2つの言語モデル作業——訓練セット向けのVGLキャプション作成と、推論時に短いプロンプトを構造化JSONへ展開すること——は通常のテキストワークロードであり、ファインチューニングがそもそも可能かどうかを左右するのはこうした作業です。200以上のモデルに対応する単一のAPIを0%のマークアップで提供しているため、プロバイダーの定価がそのまま反映され、ベンダーからの値引き分が同日に請求書へ反映されます；プロバイダー間の自動フェイルオーバーにより、数千枚の画像を対象にしたキャプション生成実行が1つの上流で止まることはありません。また、ルーティングDSLでは、大量キャプション生成には安価なモデルを固定しつつ、難しいケースはより強力なモデルへ送ることができ、単一のキャプショナーが特定のフィールドを繰り返し外す場合にはモデルフュージョンを利用できます。画像モデルは現状のままにとどまり、その周囲のテキストはルーティング可能です。

次に注目すべきはBria自身のロードマップだ。モデルカードには、マルチターンのローカル編集、背景除去、商品撮影用LoRA、マスク消去、アウトペインティングが記載されている。これらはいずれもまずDevチェックポイントに登場する。Devだけが学習ループを備えているからだ。ModelScopeミラーはこの話の退屈な半分にすぎない。DiffSynthの「Fibo-2.0-devだけが学習可能」という一文こそ有用な半分であり、APIを呼び出すのではなく25.5 GBのリポジトリをダウンロードする理由でもある。