Fibo 2.0 vs LFM2.5 2.6B Base: 텍스트 27억 개 파라미터인가, 아니면 이미지 81억 개 파라미터인가

크기 차이는 누구나 가장 먼저 알아차리는 것이면서, 그것에 관해 가장 쓸모없는 정보이기도 하다. 브리아(Bria)가 2026년 10월 20일에 공개한 Fibo 2.0은 8,127,342,213개의 파라미터를 갖고 이미지를 반환한다. 리퀴드 AI가 2026년 8월 1일에 공개한 LFM2.5 2.6B Base는 26억 9천만 개의 파라미터를 갖고 텍스트를 반환하는데, 완성된 텍스트가 아니라 명령 튜닝이 전혀 적용되지 않은 사전 학습 베이스 체크포인트의 날것 그대로의 이어쓰기 동작이다. 어느 쪽이 더 나은지 묻는 것은 카메라가 사전보다 나은지 묻는 것과 같다. 답이 있는 질문은 더 좁고 실용적이다. 각자는 자기 분야에서 가장 작은 신뢰할 만한 오픈 옵션이며, 각 분야의 바닥이 어디에 있는지 알면 당신의 제약이 실제로 어느 쪽을 배제하는지 알 수 있다.어느 모델 카드에도 이런 체크포인트가 잘못 배포될 때 무슨 일이 일어나는지는 기록되어 있지 않으며, 기록된 사건들은 OrcaRouter AI Incident Archive에 목록화되어 있고, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 이의 제기 여부 플래그가 함께 표시된다.

바닥, 양방향으로

두 모델 모두 같은 구조적 이유에서 흥미롭습니다 — 각각은 자신의 작업에 대해 실행 가능한 범위의 거의 최저점에 있습니다 — 그리고 그것이 이들이 조금이라도 비교 가능한 유일한 축입니다.

• 매개변수 — Fibo 2.0은 BF16에서 8,127,342,213개, LFM2.5 2.6B Base는 26억 9천만 개입니다. 가중치 기준 약 3대 1 비율이며, 메모리에서도 대략 같은 비율을 보입니다.

• 출력 — Fibo 2.0은 이미지를 반환하고, LFM2.5 2.6B Base는 텍스트 토큰만 반환합니다.

• 실행 환경 — Fibo 2.0은 50스텝에서 44블록 확산 트랜스포머를 실행할 수 있을 만큼 충분한 VRAM을 갖춘 GPU가 필요하며, Turbo 변형에서는 4스텝이면 됩니다. LFM2.5 2.6B Base는 GGUF, ONNX, MLX 형식으로 제공되며 휴대폰, 노트북 또는 싱글보드 컴퓨터에서 실행되도록 만들어졌습니다.

• 튜닝 상태 — Fibo 2.0 Dev는 classifier-free guidance를 갖춘 비증류 기반 모델로, 파인튜닝용으로 문서화되어 있습니다. LFM2.5 2.6B Base는 사전 학습만 된 모델로, 누군가 튜닝하기 전까지는 명령 수행 동작이 없습니다.

• 라이선스 — Fibo 2.0은 비상업적 사용에 대해 CC BY-NC 4.0이 적용되며, 상업적 사용은 별도 합의에 따릅니다. LFM2.5 2.6B Base는 LFM 1.0 라이선스를 따르며, 이 라이선스는 자체 조건에 따라 상업적 사용을 허용합니다.

• 점수 — Fibo 2.0은 AA-Image-Editing v2.1에서 Elo 1,087.05로 오픈 웨이트 가운데 1위입니다. LFM2.5 2.6B Base는 추정 Intelligence Index 8.39, GPQA 55.8%, Terminal-Bench 2.1 4.5%, HLE 6.2%를 기록합니다.

그 두 점수 라인은 비교 대상으로서 한 문장에 함께 놓을 수 없다. 하나는 렌더링된 이미지에 대한 다수 선호도 점수이고, 다른 하나는 텍스트 벤치마크 전반에 걸친 종합 점수이다. 두 점수를 모두 정직하게 활용하는 방법은 각 모델이 무엇을 위한 것인지 규정하는 것뿐이다.

베이스 체크포인트가 실제로 무엇인지, 그 이름이 오해를 일으키기 때문입니다

LFM2.5 2.6B Base에서 "Base"는 "표준"을 겸손하게 표현한 말이 아닙니다. 이는 해당 모델이 34조 토큰 규모의 다음 토큰 예측만으로 학습되었고 그 외에는 아무것도 하지 않았다는 뜻입니다. 지시 튜닝도, 채팅 템플릿도, 거부 행동도, 질문이 질문이라는 인식조차 없습니다. "이 이메일을 요약해 줘:"라고 입력하면 사전 학습 데이터가 시사하는 아무 스타일로나 문자열을 이어 쓸 뿐이며, 그 결과는 요약이 아니라 이메일 스레드의 나머지 부분일 수도 있습니다.

그래서 이것은 훌륭한 출발점이자 형편없는 제품이다. Liquid AI는 미세 조정을 할 사람들을 위해 이를 출시했고, 아키텍처는 그 작업에 맞게 선택되었다: 30개 레이어, 22개의 이중 게이트 단기 컨볼루션과 8개의 그룹화된 쿼리 어텐션 레이어, 128K 어휘, 131,072토큰 컨텍스트, 사전 학습에서 16개 언어 지원. 컨볼루션이 많은 스택 덕분에 휴대폰에 들어가는 것이다 — 어텐션 비용은 컨텍스트에 따라 증가하지만 컨볼루션은 그렇지 않으며, 이것이 전체 설계 논지다.

• 아키텍처 — 30개 레이어: 22개의 이중 게이트 짧은 컨볼루션 블록과 8개의 GQA 블록, 128K 어휘.

• 학습 — 34조 토큰, 16개 언어, 사전 학습 전용.

• 컨텍스트 — 131,072 토큰, 이는 컨볼루션 스택이 감당 가능한 수준이 되도록 설계된 수치입니다.

• 형식 — GGUF, ONNX, MLX를 지원하므로 llama.cpp, ONNX Runtime, Apple silicon 모두 최우선 지원 대상입니다.

• 하지 않는 것 — 지시를 따르거나, 대화를 나누거나, 텍스트 이어쓰기 외의 것을 생성하는 일. 튜닝하기 전까지는.

Fibo 2.0의 Dev 체크포인트와의 비교는 첫눈에 보이는 것보다 더 가깝다. Fibo 2.0 Dev 역시 베이스로, 비증류 모델이며 classifier-free guidance 5.0으로 50스텝을 수행하고, Bria가 파인튜닝용으로 명시적으로 지목하는 체크포인트다. 두 프로젝트 모두 사용 가능한 제품과 함께, 또는 그 대신에 튜닝 대상을 제공한다. 차이는 Fibo 2.0 Edit Turbo가 동일한 가중치의 사용 가능한 버전으로 존재하며 guidance 없이 4스텝으로 증류된 반면, LFM2.5 2.6B는 사용 가능해지려면 먼저 튜닝해야 한다는 점이다.

라이선스와 "오픈"의 실제 비용

두 모델 모두 다운로드할 수 있습니다. 하지만 이들로 할 수 있는 일은 크게 갈리며, 그 방향은 크기에 관한 일반적인 직관을 뒤집습니다: 작은 모델이 상업적으로 사용할 수 있는 쪽입니다.

• Fibo 2.0 — 비상업적 사용의 경우 CC BY-NC 4.0입니다. 상업적 사용에는 Bria와 별도 계약이 필요합니다. Hugging Face 저장소는 회사 및 의도된 사용 양식으로 게이트되어 있습니다.

• LFM2.5 2.6B Base — LFM 1.0 라이선스로, 자체 조건에 따라 상업적 배포를 허용합니다. 사용할 때마다 협상할 필요는 없지만, 조건이 Apache-2.0은 아니므로 짐작하지 말고 직접 읽어볼 만합니다.

• Bria의 조건이 왜 그런지 — 학습 코퍼스는 이 회사가 비용을 지불한 약 10억 장의 라이선스 이미지다. 누구든 그 코퍼스를 기반으로 Bria 자체 API보다 더 싸게 제공할 수 있게 해주는 무료 가중치는 코퍼스가 사들인 자산을 그대로 넘겨주는 셈이다.

• 실용적 구분 — 내부 연구 파이프라인은 둘 다 내일 바로 사용할 수 있다. 출시 제품은 LFM2.5 2.6B Base를 내일 바로 기기에 내장할 수 있지만, Fibo 2.0은 서명 없이는 출시할 수 없다.

Bria를 깎아내리려는 말이 아니다. 그것은 두 문제의 비용 구조다. Liquid AI는 텍스트로 학습했고 그 대부분은 라이선스 비용이 무료다. Bria는 사진으로 학습했고 그중 어느 것도 무료가 아니다. 라이선스 조건은 모델 품질이 아니라 입력 데이터를 따르며, 그것이 마땅히 따라야 할 올바른 기준이다.

둘이 만나는 지점: 렌더링하기 전에 설명하는 온디바이스 어시스턴트

이 두 모델이 같은 시스템에 속하는 아키텍처가 하나 있으며, 바로 그 때문에 이 글이 폄하가 아니라 비교인 것입니다. Fibo 2.0의 컨디셔닝 경로는 구조화된 JSON 캡션, 즉 VGL(Bria의 Visual GenAI Language)을 받아들이며, 피사체, 구도, 조명, 카메라, 스타일, 이미지 내 텍스트에 대해 이름이 지정된 필드를 갖습니다. 사진을 촬영하는 기기에 들어갈 수 있는 2.6B 텍스트 모델은 바로 그 JSON을 왕복 없이 로컬에서 작성할 수 있는 종류의 것입니다.

가능한지 여부는 해야 하는지 여부와는 다른 문제다. 추정 지수 8.39, GPQA 55.8%, HLE 6.2%를 가진 사전 학습된 베이스 모델은 작업별 미세 조정 없이 사진에서 스키마 유효 JSON을 안정적으로 출력하지 못할 것이다 — 그리고 VGL 코퍼스로 미세 조정하는 것은 잘 정의된, 소형 모델 규모의 작업이다. 그것이 중간에서 만나자는 논리의 정직한 버전이다: LFM2.5 2.6B Base는 미세 조정된 캡션 작성기를 위한 그럴듯한 기반이지, 기성품은 아니다.

• 2.6B가 제공하는 것 — 사진이 촬영되는 곳에서 실행되며, 3GB 미만의 가중치를 사용하고, 네트워크가 필요 없으며, 호출당 비용도 없습니다.

• 먼저 필요한 것 — VGL 형식 예시에 대한 지도 미세 조정과, 유효한 출력을 보장하기 위한 제약 디코딩 또는 JSON 문법.

• 렌더러가 제공하는 것 — 그래도 GPU는 여전히 필요하다. 온디바이스 쪽은 묘사하고, 서버 쪽은 그린다. 그것이 오늘날 통하는 유일한 분업이다.

• 아이디어가 무너지는 지점 — 캡션이 좋아야 한다면, 12B급 멀티모달 모델이 2.6B 텍스트 전용 모델보다 원본 이미지를 더 잘 읽습니다. 왜냐하면 2.6B 모델은 사진을 전혀 볼 수 없기 때문입니다.

마지막 요점은 대부분의 실제 설계를 결정짓는 부분이다. LFM2.5 2.6B Base는 텍스트 입력, 텍스트 출력이다. 작성된 브리프로부터 VGL 캡션을 작성할 수 있지만, 설명 중인 이미지를 볼 수는 없다. 두 가지를 함께 사용하는 사람은 자신이 실제로 선택하는 작업이 둘 중 어느 것인지 분명히 해야 한다.

각각 하나씩 얻기

Fibo 2.0은 Bria의 API에서 이미지당 $0.032로, Bria의 호스팅 생성 도구에서, ComfyUI 노드를 통해, 또는 Hugging Face에서 게이트된 가중치로 제공됩니다. LFM2.5 2.6B Base는 Hugging Face에서 GGUF, ONNX, MLX 형식으로 제공되며, 베이스 릴리스에는 게이팅이 없습니다. 둘 다 OrcaRouter 카탈로그에 없으며, 어느 주장도 완화할 필요가 없습니다. Fibo 2.0은 이미지 엔드포인트이고 Liquid의 2.6B 베이스는 다운로드 가능한 체크포인트이며, 라우터는 둘 중 어느 것도 잘 제공하지 못합니다.

라우터가 실제로 제공하는 것은 모델을 둘러싼 모든 요소입니다. OrcaRouter는 하나의 키로 200개 이상의 모델을 운영하며 공급업체 목록 가격을 0% 마크업으로 그대로 전달합니다. 따라서 텍스트 측 벤더 가격 변경이 발생하는 당일 반영됩니다. VGL 캡션 작성기를 위한 파인튜닝 파이프라인을 구축 중이라면, 합성 학습 쌍을 생성하는 모델과 이를 평가하는 모델을 모두 그 하나의 키 뒤에 둘 수 있으며, 반복 작업 중 자동 장애 조치와 단일 호출로 여러 모델에 걸쳐 벤치마크를 분산시키는 라우팅 DSL을 활용할 수 있습니다. 렌더러는 Bria의 것으로 유지됩니다. 라우팅이 진가를 발휘하는 곳은 바로 튜닝 루프입니다.

분명하게 밝힌 결정

당신의 제약 조건이 모델이 어디에서 실행되는지라면, LFM2.5 2.6B Base는 Fibo 2.0과 경쟁하는 것이 아닙니다 — 둘 중 기기에서 실제로 실행되는 것은 이것뿐이며, 8.39의 추정 지수는 그 대가로 의도적으로 선택한 상한입니다. 제약 조건이 출력이 무엇인지라면, Fibo 2.0은 둘 중 그 출력을 만들어내는 유일한 모델이고, 오픈 웨이트 가운데 1,087 Elo는 다운로드 가능한 이미지 편집의 현재 최고 수준입니다. 어느 누구도 이 모델들 사이에서 선택하고 있지 않습니다. 사람들은 배포 대상과 결과물 사이에서 선택하고 있으며, 그것은 같은 주의 뉴스에 우연히 함께 도착한 서로 다른 결정입니다.

진정으로 공통된 단 하나의 질문은 라이선스이며, 이는 상용 빌드의 두 부분 모두에서 같은 방식으로 결론납니다. 2.6B 베이스는 그 조건 아래 사용할 수 있고, 8B 렌더러는 Bria의 동의가 필요하며, 더 작은 모델이 더 자유로운 쪽이라는 점은 엔지니어링이 아니라 학습 데이터에 관한 사실입니다. 제품은 파라미터 수가 아니라 그 사실을 중심으로 계획하세요.