Fibo 2.0 vs Gemma 4 12B：一方は画像を描き、もう一方はそのプロンプトを書く

Fibo 2.0とGemma 4 12Bを仕様表で並べると、比較はすぐに破綻する。両者は同じ問いに答えているわけではないからだ。Fibo 2.0はBriaが2026年10月20日に公開した8Bの画像モデルで、説明文か画像を渡すとピクセルを返す。Gemma 4 12BはGoogleの11.95BのDense型マルチモーダル言語モデルで、Apache-2.0、2026年5月23日から提供中であり、テキスト、画像、音声を渡すとテキストを返し、画像は決して返さない。「Fibo 2.0 vs Gemma 4 12B」として両者を競わせるページはすべて、レンダラーをライターと競わせている。この比較の有用な形は、両者がまったくライバルではない場合、すなわちGemma 4 12Bが構造化プロンプトを書き、Fibo 2.0がそれをレンダリングする場合であり、問いはそのペアがどちらか一方のモデルを単独で使うより優れるかどうかになる。仕様表には、画像モデルと言語モデルが本番環境でどのように失敗するかは記録されておらず、そうしたインシデントはOrcaRouter AI Incident Archiveに目録化されており、各項目には独自の情報源、深刻度、信頼度グレード、異議ありフラグが付いている。

それぞれが実際に返すもの

これが議論の全体を2行で表したものであり、この対決を一蹴せずに記事にする価値がある理由でもある。出力される型は互いに素である。

• 出力 — Fibo 2.0 は画像を返し、最大でマルチリファレンス編集の忠実度に対応します。Gemma 4 12B はテキストトークンを返し、いかなる種類の画像デコーダーも持ちません。

• 入力 — Fibo 2.0 はテキストと最大4枚の参照画像を受け取り、Gemma 4 12B はテキスト、画像、音声をエンコーダ不要の単一スタックで受け取り、256,000トークンのコンテキストを備えています。

• 役割 — Fibo 2.0 はプロンプトのボトルネックを抱えるレンダラーであり、Gemma 4 12B は非常に長いウィンドウを持ち、レンダリング経路を持たない推論器である。

結果として言えるのは、どちらか一方が優れているということではない。両者の直接対決のElo比較は、単に利用できないだけでなく、無意味なのだ——JPEGと段落のどちらかを選べと群衆に尋ねた人は、これまで誰もいないのだから。

人がよりどころにする数字、そしてそれが引き算できない理由

両モデルには信頼できる独立したスコアがあり、それぞれ異なる指標を異なる尺度で測定しています。Fibo 2.0はArtificial AnalysisのAA-Image-Editing v2.1ボードでElo 1,087.05に位置し、総合20位、オープンウェイトモデルの中では1位です。信頼区間は1,073.05～1,101.05で、4,819回の対戦に基づいています。AA-Image-T2I v2.1では1,038.79で、総合21位です。Gemma 4 12BはIntelligence Index 14.18を持ち、これはテキストと推論の総合指標であり、嗜好スコアではありません。さらにMMLU Pro 77.2、GPQA 78.8、AIME 77.5、Codeforces 1,659、MMMU Pro 69.1を備えています。

Eloとインデックスは同じ単位ではないため、「Fibo 2.0は1,072ポイント優れている」というのは互換性のない尺度間での算術である。数字が実際に裏付けるのは分業であり、なぜなら69.1のMMMU Pro——画像に対するマルチモーダル推論——こそが、元の写真を読み取ってその中で何を変更すべきかを判断する能力だからだ。Fibo 2.0にはそれができない。できるのは、与えられた説明を実行することだけだ。

Gemma 4 12Bは、Fiboパイプラインに欠けていたもう半分です

両者を組み合わせる理由は、Fibo 2.0 の構築方法に固有のものです。Bria は VGL — Visual GenAI Language — に対して Fibo 2.0 をトレーニングし、ドキュメント化しています。VGL は、被写体、構図、ライティング、カメラ、スタイル、画像内テキストのための名前付きフィールドを持つ構造化 JSON キャプション形式です。モデルは一文を受け付けますが、スキーマを使うほうが予測しやすくなります。というのも、その Qwen3-VL-4B プロンプトエンコーダーは、2 層の Perceiver リサンプラーを通じて 256～512 個の gist トークンに圧縮され、フィールド境界は、だらだらと続く一文とは異なり、そのボトルネックを通過しても保持されるからです。

スキーマ準拠のJSONを手作業で書くのは退屈で間違いやすい。それを言語モデルに任せるのは、どちらでもない。Gemma 4 12Bは256Kコンテキストで、スキーマ、元画像、ハウススタイルガイド、および一連の例を1つのウィンドウに保持し、検証済みのVGLオブジェクトを出力できる。そして——ここが重要な点だが——レンダリング結果を見て、編集が反映されたかどうかを判断できる。この2つ目の役割は、Fibo 2.0が単独では実行できないフィードバックループである。なぜなら、Fibo 2.0には自身の出力を検査する手段がないからだ。

• ステップ1 — Gemma 4 12B は参照画像とブリーフを読み取り、VGL JSON を出力します。関連する実績は MMMU Pro 69.1 であり、コードのスコアではありません。

• ステップ2 — Fibo 2.0はそのJSONからレンダリングまたは編集します。品質が重要な場合はDevモードで50ステップ、スループットが重要な場合はEdit Turboで4ステップです。

• ステップ3 — Gemma 4 12B が結果を要件と比較し、承認するか、修正済みの JSON を出力します。2回のパスで、画像内テキストとマスクエッジに関する失敗のほとんどを捕捉できます。

• ステップ4 — ループを通過したものは人間に回され、これはすべてのレンダリングをレビューするよりもはるかに小さなキューです。

どちらのモデルも、単独ではこれをうまくこなせません。Fibo 2.0には自己チェックがなく、Gemma 4 12Bにはレンダラーがありません。パイプラインこそが製品です。

ライセンス：比較が真に直接的な唯一の行

どちらもオープンウェイトです。会話なしで製品に利用できるのは一方だけです。

• Fibo 2.0 — モデルカードで非商業利用についてCC BY-NC 4.0；商業利用にはBriaとの別途契約が必要です。Hugging Faceリポジトリは「auto」でゲートされており、企業情報と利用目的を記入するフォームが必要です。

• Gemma 4 12B — Apache-2.0、ゲーティングなし、利用分野の制限なし、個別契約なし。ダウンロードしてそのまま出荷できます。

• これがこの組み合わせにとって意味するもの — 社内の研究パイプラインであれば、現時点で両方を利用できる。商用製品は現時点で Gemma 4 12B を利用できるが、レンダラーには Bria の署名が必要だ。

• Briaの条項が擁護できる理由 — 学習コーパスは同社が対価を払ってライセンスを得た約10億枚の画像だ。そのコーパスを利用して誰でも自社APIを安く追い落とせる重みを無料で公開すれば、コーパスが獲得した資産をただで手放すことになる。非商用条項はそれを防ぐ仕組みである。

これはこの記事の中で、普通のモデル比較のように振る舞う唯一の比較だ。同じ問い、同じ回答形式、明確な勝者。Apache-2.0が勝つ。ただ、これが最も面白みのない行なだけだ。なぜならライセンスは、どのモデルを何に使うべきかは教えてくれず、使ってよいかどうかを教えてくれるものであり、最後ではなく最初に確認すべきものだからだ。

ペアのコストとAPIのコストの比較

BriaのAPI経由のFibo 2.0は画像1枚あたり$0.032、より安価なFibo Liteティアでは$0.0288、VGLを自分で書く代わりにBria独自の構造化プロンプトサービスを使う場合は呼び出し1回あたり$0.02です。Artificial AnalysisはpricePer1kImagesを$32.00と記載しており、これは見出しの料率と一致しています。この$0.02の構造化プロンプトの行は、少し立ち止まる価値があります。というのも、それはまさに上記でGemma 4 12Bに任されている仕事であり、12BパラメータのGemma 4 12Bは実行するのに十分安いため、問題はJSONを自分で書く方が画像1枚あたり2回支払うより安いのかどうかです。

• Fibo 2.0 単体、フリーテキストプロンプト — 画像1枚あたり$0.032

• Fibo 2.0 と Bria の構造化プロンプトサービス — 画像1枚あたり $0.052、推論モデルは不要です。

• Fibo 2.0 と Gemma 4 12B が JSON を生成する場合 — 画像1枚あたり $0.032 に、12B にかかるコストが加算されます。レンタル GPU 上で 12B をローカル実行する場合、通常はプロンプトあたり2セント未満の生成コストです。ホスト型エンドポイント経由の場合は、プロンプトに画像が含まれるため、完全にプロバイダーの入力価格設定に依存します。

セルフホストのルートには、APIでは得られないものもあります。それは2パスのセルフチェックです。Briaの構造化プロンプトサービスはJSONを生成しますが、その後レンダリング結果を確認することはありません。ローカルのGemma 4 12Bならそれが可能で、テキストレンダリングやマスクのエッジが重要なあらゆるケースでは、このレビューこそが実際の品質を生み出す源となります。

レンダラーの隣でGemma 4 12Bを実行する

Gemma 4 12Bは12B版としてはOrcaRouterのカタログに載っていないため、それを回避しようとするのではなく、事実として受け止めてください。カタログに載っているのは、より大型のGemma 4の兄弟モデルです。google/gemma-4-26b-a4b-itは入力が100万トークンあたり$0.06、出力が$0.33、そしてgoogle/gemma-4-31b-itは$0.13と$0.38です。どちらもVGL JSONを書き出します。どちらも12Bより1回あたりのコストは高くなりますが、レビュー工程のための推論の余裕が大きくなります。レビュー工程は、ループのうち、より高い能力から恩恵を受ける半分です。

これがここでのOrcaRouterの主張の形であり、その射程は限定的だ。レンダラーはBriaのもので、BriaのAPIかセルフホスト型のウェイトを通じて利用する。プロンプトを書いてチェックするモデルは、スタック内の他のすべてと同様、1つのキーの背後に置くことができる——200以上ものモデル、プロバイダーの定価を0%のマークアップでそのまま適用、エンドポイントが劣化した際の自動フェイルオーバー、そして書き込み・レンダリング・レビューの各ステップを3つのクライアントライブラリではなく1回の呼び出しに連鎖させるルーティングDSL。Briaが画像あたりの料金を引き下げても、請求額の変わらない半分はそれを反映するための移行を必要としない。

OrcaRouter が提供していないのは Fibo 2.0 です。単一のエンドポイントがこのパイプラインの両半分をカバーすると主張するページは、存在しない製品について述べているのです。

実際に必要なのはどれ？

成果物は何かを尋ねること。それが画像なら、Gemma 4 12B は候補ではなく、これまでも候補だったことはない——どの価格でも、どのライセンスの下でも、リーダーボードをどう読もうと、画像を生成することはできない。成果物が画像に関する判断——この写真は使えるか、このレイアウトはブランドガイドに合っているか、このシーンで何を変えるべきか——であるなら、Fibo 2.0 は誤ったツールであり、その1,087 Eloは無関係だ。

組み合わせのケースこそが構築する価値のあるものであり、今回のリリースによって新たに実用的になったケースでもある。Fibo 2.0のVGL形式は機械可読なインターフェースであり、機械可読なインターフェースこそが、自由記述のプロンプトがうまく刺さることを期待するのではなく、言語モデルにレンダラーを確実に駆動させることを可能にする。今回のリリース以前は、Fiboの生成と編集は別々のチェックポイントで、別々の挙動だった。今では1組の重みが両方をカバーし、スキーマは文書化され、bria-vglパッケージは言語モデルに対して検証できる具体的な対象を与える。興味深い比較は、Fibo 2.0 対 Gemma 4 12Bでは決してなかった。それはFibo 2.0 + Gemma 4 12B 対 ストックフォトのサブスクリプションを持つ人間のアートディレクターであり、量の面では勝負にならない。