Fibo 2.0 Dev vs Fibo 2.0: 두 모델 중 하나를 선택하는 것이 아닙니다

Fibo 2.0 Dev와 Fibo 2.0은 같은 모델에 두 개의 직함을 붙인 것입니다. Fibo 2.0은 Bria가 2026년 10월 20일 공개한 81억 3천만 파라미터 체크포인트 제품군에 붙인 릴리스 이름이고, Fibo 2.0 Dev는 해당 릴리스를 뒷받침하는, 증류되지 않은 완전한 베이스 모델입니다. 이 비교는 대부분의 사람들이 실제로 “Fibo 2.0”을 만나는 방식, 즉 이미지당 $0.032의 가격으로 호스팅 엔드포인트에서 호출하는 제품으로서의 “Fibo 2.0”을, 직접 다운로드하고 평가하고 학습시킬 수 있는 대상과 맞세울 때에만 비로소 현실이 됩니다. 그중 하나는 당신이 통제하는 파이프라인이고, 다른 하나는 당신이 임대하는 계량기입니다. 그것이 바로 이 결정이며, 겉에 붙은 이름이 그 결정을 대신해 주지는 않습니다.

방 안에는 세 번째 대상이 있으며, 이를 빼놓는 것이 사람들을 결국 실망하게 만드는 방식입니다. 바로 같은 릴리스 이름을 공유하면서 이미지당 약 10분의 1의 작업만 수행하는 증류된 4단계 편집기, Fibo 2.0 Edit Turbo입니다. 세 가지 대상, 하나의 이름, 그리고 어느 단일 체크포인트보다 릴리스 자체를 설명하는 리더보드 점수. 이어지는 내용에서는 비용, 할 수 있는 일, 그리고 법적으로 출시할 수 있는 범위에 따라 이들을 구분합니다.

실제로 차이가 나는 여섯 가지 차원

아래의 모든 내용은 여러분이 직접 조치할 수 있는 차이점입니다. 수치가 독립적인 실행이 아니라 Bria에서 나온 경우에는 그 사실이 명시되어 있습니다.

• 다운로드 가능한 가중치 — {{1}}Fibo 2.0 Dev{{/1}}: 예, Hugging Face에서 승인 후 접근 가능, CC BY-NC 4.0, 약 25.5GB(16.3GB 트랜스포머, 8.9GB Qwen3-VL-4B 인코더, 0.34GB FLUX.2 VAE 포함). {{2}}제품으로서의 Fibo 2.0{{/2}}: 다운로드할 항목 없음.

• 샘플링 — Dev: classifier-free guidance를 5.0으로 설정한 50스텝. 호스팅된 편집 경로 및 Edit Turbo: 4스텝, guidance 1.0, classifier-free guidance 전혀 없음.

• 작업 범위 — Dev: 단일 가중치 세트로 텍스트-이미지 생성 및 편집. 출시된 편집 엔드포인트와 Turbo: 편집 전용. Turbo를 통한 텍스트-이미지 생성은 더 느린 경로가 아니라 잘못된 경로입니다.

• 파인튜닝 — Dev: 유일하게 훈련 가능한 체크포인트이며, 전체 DiT 파인튜닝과 LoRA 둘 다 가능합니다. Turbo: 명시적으로 파인튜닝 대상이 아닙니다. 호스팅 제품: 가중치를 임대하는 것이지, 가르치는 것이 아닙니다.

• 네거티브 프롬프트 — Dev: CFG가 켜져 있고 조정할 레버가 있기 때문에 작동합니다. Turbo: 가이던스가 1.0으로 고정되어 있어 네거티브 프롬프트가 작용할 대상이 없습니다.

• 가격 — 호스팅 제품: 이미지 1,000장당 $32.00, 즉 장당 $0.032로, Artificial Analysis에 명시된 수치입니다. Local Dev: 이미지당 가격은 없으며, GPU 시간과 25.5 GB 다운로드로 비용을 지불합니다.

Fibo 2.0 Dev가 앞서는 부분, 그리고 그 격차는 크다

생성은 첫 번째 격차입니다. Fibo 2.0은 그리기와 편집을 모두 수행하는 하나의 모델로 마케팅되지만, 그 주장은 Dev에만 해당됩니다. 호스팅된 편집 엔드포인트와 Edit Turbo는 입력 이미지를 중심으로 구축되어 있습니다. 캡션으로부터 그림을 요청하는 것은 증류 과정에서 빠진 기능을 요구하는 것입니다. 파이프라인이 무에서 시작한다면 선택은 Dev 또는 다른 모델입니다.

Control은 두 번째입니다. 가이던스 5.0으로 50스텝을 수행하는 것은 가이던스 없이 4스텝을 수행하는 것보다 느리며, 이 느림은 조종 가능성의 대가입니다 — 프롬프트에 맞서 밀어붙이고, 네거티브 프롬프트를 사용하고, 충실도를 위해 스텝을 맞바꿀 수 있는 능력이죠. 편집 측면에서 Dev는 마스크 편집, 최대 4개의 컨텍스트 이미지를 사용하는 다중 참조 편집, 그리고 참조 이미지를 렌더러에 전달하지 않고 참조의 스타일만 차용하는 Inspire 모드도 지원합니다.

훈련은 세 번째이자 가장 큰 부분입니다. Dev는 모든 미세 조정 경로가 목표로 삼는 체크포인트입니다: ModelScope의 DiffSynth-Studio 문서에 따르면 Fibo-2.0-dev만 훈련 가능하며, Bria는 리포지토리에 단일 GPU LoRA 트레이너와 데이터 준비 가이드를 제공합니다. 생성과 편집이 가중치를 공유하기 때문에, 하나의 LoRA로 스타일과 그에 수반되는 편집 동작을 가르칠 수 있습니다. 호스팅 제품에는 이와 유사한 것이 없으며, Turbo는 설계상 제외됩니다.

이식성은 네 번째다. 로컬 체크포인트는 diffusers에서 BriaFibo2Pipeline을 통해, 그리고 ComfyUI 내부에서 실행되는데, ComfyUI에서는 10월 21일 네이티브 지원이 병합되어 전용 텍스트 인코더 유형과 VGL 프롬프트 및 참조 이미지를 받는 노드와 함께 v0.43.0에 포함되었다. 또한 양자화된 형태로도 실행된다 — BF16, INT8, GGUF 재패키징이 모두 존재하는데, 이것이 바로 25.5 GB 저장소를 일반적인 하드웨어에서 다룰 수 있게 해주는 이유다.

출시된 Fibo 2.0이 앞서는 부분

주로 지연 시간과 운영 문제입니다. 안내 없는 4단계 편집 경로는 50번의 안내 단계가 걸리는 시간의 일부만으로 결과를 돌려주며, 호스팅 API에 대한 Bria 자체 수치는 모델 시간 2초 미만, 종단 간 5초 미만입니다. 이는 벤더가 보고한 값으로 독립적으로 측정된 것이 아니며, 약속이라기보다 상한으로 보는 것이 좋습니다. 정해진 기한 안에 편집 대기열을 처리해야 할 때, 바로 이 점이 결정적 근거가 됩니다.

두 번째는 자본 비용입니다. GPU도, 25.5GB 다운로드도, 오프로드 튜닝도, FP8 대 BF16 결정도 없이 이미지당 0.032달러입니다. 한 달에 500회 편집이 필요한 팀은 16달러를 쓰고 터미널은 열지 않습니다. Dev를 로컬에서 실행하려고 카드를 구매하는 같은 팀은 첫 이미지가 생성되기 전에 수백 달러를 지출합니다. 로컬 Dev가 그 계산에서 유리한 경우는 사용량이 많을 때뿐이며, 그것도 GPU가 이미 다른 작업을 통해 원가가 회수된 경우에만 해당합니다.

세 번째는 내부 연결 구조의 정확성입니다. 호스티드 경로는 지루한 부분들을 처리합니다. 텍스트 인코더, VAE, 샘플링 스케줄, 구조화된 프롬프트 확장은 모두 다른 누군가의 몫입니다. 로컬 설치에서는 Qwen3-VL-4B 인코더, FLUX.2 VAE, 44블록 DiT를 모든 업그레이드에 걸쳐 서로 일치하도록 유지해야 합니다. 그래서 ComfyUI 및 diffusers 통합이 존재한다는 사실 자체가 핵심을 지탱하며, GGUF 재패킹이 중요한 이유이기도 합니다.

4에 맞선 50단계: 대부분의 사례를 결정하는 산술

이미지당 비용은 비교가 보통 대충 얼버무리기로 흐지부지되는 지점이므로, 이를 세 가지 별도의 청구서로 나누어 보자. Hosted: 이미지당 $0.032, 전부 포함. Local Dev: 50스텝 기준 GPU 초 비용에 전기료, 그리고 그래픽카드 값까지. Local Turbo: 4스텝 기준 GPU 초 비용, 연산량은 대략 10분의 1이지만 편집 전용이다.

경제적 전환점은 실제로 존재하지만 사람들이 가정하는 것보다 늦다. 임대 GPU 한 시간이 약 1달러이고 50단계 메가픽셀 렌더링에 예컨대 20초가 걸린다면, 순수 컴퓨팅 비용으로 이미지당 대략 0.005달러다. 이는 작업 사이의 유휴 시간과 당신의 시간이 공짜가 아니라는 점을 고려하기 전에도 호스팅 가격보다 6배 저렴하다. 월 500장이라면 16달러 대비 2.50달러를 절약하는 셈이라 사업 사례가 되지 않는다. 50,000장이라면 1,600달러 대비 250달러를 절약하는 셈이고, 그때는 사업 사례가 된다. 파인튜닝은 이를 완전히 뒤집는다. 왜냐하면 당신이 학습시킨 LoRA는 당신이 실행할 수 있는 가중치에서만 가치가 있기 때문이다.

Dev 쪽에 특히 중요한 숫자가 하나 더 있습니다. diffusers 파이프라인의 기본값은 가이던스 5에 30스텝이지만, Dev에 대해 Bria가 권장하는 설정은 50입니다. 기본값으로도 이미지는 생성되지만, Bria의 이미지는 생성되지 않습니다. 로컬 파이프라인을 설정하는 사람은 이를 그대로 물려받기보다 의도적으로 결정해야 합니다.

라이선스는 전체 비교를 새롭게 재구성합니다.

다운로드 가능한 두 체크포인트는 모두 CC BY-NC 4.0입니다. 즉, 비상업적 용도로만 사용할 수 있으며, 상업적 배포에는 Bria와 별도 계약이 필요하고, 접근하려면 회사 및 사용 목적 양식을 제출해야 합니다. 호스팅 제품은 상업적 경로입니다. 가중치에 대한 라이선스를 구매하는 대신 사용량을 구매하는 방식입니다.

그것은 정말 어색한 결과를 낳으며, 바로 그렇기 때문에 이 "vs"는 애초에 쓸 가치가 있습니다. 원하는 기능 — 생성, 가이던스, 파인튜닝 — 을 갖춘 체크포인트는 협상 없이는 상업적으로 출시할 수 없는 쪽입니다. 법적으로 문제없이 상업 출시할 수 있는 제품은 파인튜닝도, 처음부터 생성도 할 수 없는 쪽입니다. 사용 사례가 상업적이고 맞춤형이라면, 당신은 두 Bria 제품 사이에서 선택하는 것이 아니라, 라이선스 협상을 시작할지 여부를 선택하는 것입니다.

또 분명히 짚고 넘어갈 점은, Fibo 2.0에 대해 인용되는 리더보드 수치 — Artificial Analysis의 AA-Image-Editing v2.1에서 1,088 Elo, 오픈 웨이트 편집기 중 1위, 5,009개의 블라인드 투표에서 전체 23위 — 는 릴리스에 대한 점수이지, Dev 대 Turbo의 점수가 아니라는 것입니다. 그 ±14 구간은 Qwen-Image-2.1의 1,081 ±13과 거의 완전히 겹치므로, 오픈 웨이트 1위는 타이브레이크에 불과합니다. 텍스트-투-이미지에서는 순서가 뒤집힙니다: Fibo 2.0의 1,039 ±12는 Qwen-Image-2.1의 1,042 ±12 뒤에 있습니다. 어느 체크포인트도 별도로 공개된 점수가 없으므로, "Dev가 Fibo 2.0보다 낫다"는 주장은 체크포인트가 어떻게 구축되었는지에서 나온 추론일 뿐 측정값은 아닙니다.

상황에 따라 어느 것인가요?

• 텍스트-투-이미지가 필요하고 결과가 개수, 위치, 속성을 준수하길 원한다면 — Dev입니다. 구조화된 JSON 제어 인터페이스는 바로 이런 용도를 위해 설계되었으며, 파이프라인은 렌더링에 사용한 캡션을 반환합니다.

• 브랜드, 스타일 또는 버티컬을 위해 파인튜닝하는 경우 — Dev에서는 LoRA를 먼저 사용하세요. 전체 DiT 학습도 가능하지만, 프로즌 인코더 위에 rank 제한 어댑터를 얹는 것이 합리적인 첫 실험입니다.

• 사용자 정의 동작이 없는 대량 지시문 편집을 실행 중입니다 — 호스팅된 경로를 사용하거나, 이미지가 네트워크를 떠날 수 없다면 로컬에서 Turbo를 사용하세요. 네 단계와 안내 없음은 여기서 제약이 아니라 기능입니다.

• 상용 배포가 필요하다면 Bria와의 논의를 시작하거나 임대를 계획하세요. 가중치를 다운로드하는 것만으로는 라이선스 문제가 해결되지 않습니다.

• 모델이 괜찮은지 그냥 확인해 보고 싶을 때 — 이미지당 $0.032의 호스팅 엔드포인트는 다운로드하고, 설정하고, FP8 로딩에 저녁 시간을 빼앗기는 것보다 더 저렴합니다. 주말을 쓰기 전에 $5부터 써 보세요.

텍스트 절반에는 엔드포인트 하나, 어느 쪽을 선택하든

두 경로는 아무도 벤치마크하지 않는 하나의 의존성을 공유합니다. 바로 VGL을 작성하는 언어 모델입니다. Fibo는 Visual GenAI Language 캡션으로 학습되었으며, 여기서 조명, 구도, 카메라, 객체는 지정 가능한 필드이고 출력의 유용성은 해당 JSON의 품질에 비례합니다. 이를 직접 작성하는 것은 프롬프트 십여 개에는 가능하지만 천 개에서는 형편없기 때문에, 캡셔너가 시스템의 일부가 됩니다.

그 부분은 OrcaRouter가 담당합니다. 200개 이상 모델을 위한 단일 API, 마크업 0% — 공급자 정가가 그대로 전달되어 공급업체의 변경 사항이 같은 날 청구서에 반영됩니다 — 라우팅 DSL로 대량 캡션 생성을 저렴한 모델로 보내고 어려운 행은 상위 모델로 에스컬레이션할 수 있으며, 모델 융합은 하나의 캡셔너가 중요한 필드를 계속 평탄화할 때 사용할 수 있습니다. 또한 비교를 테스트 가능하게 합니다: 동일한 이미지를 두 캡셔너로 실행하고 JSON을 비교해 어떤 필드 집합이 실제로 렌더링을 바꿨는지 확인하세요. Fibo 2.0 자체는 저희 카탈로그에 없으므로 이미지 쪽은 원하는 곳에 그대로 두면 됩니다 — 통합되는 쪽은 텍스트 쪽입니다.

간단한 결론: 직접 구축하는 쪽이라면 Fibo 2.0 Dev를 선택하고, 구매하는 쪽이라면 Fibo 2.0 endpoint를 선택하세요. 이름은 공유되지만 라이선스는 공유되지 않으며, 학습 루프가 포함된 체크포인트만이 6개월 후에도 여전히 당신의 것으로 남아 있을 유일한 항목입니다.