Fibo 2.0 Dev vs Fibo 2.0: je kiest niet tussen twee modellen

Fibo 2.0 Dev en Fibo 2.0 zijn hetzelfde model dat twee functietitels draagt. Fibo 2.0 is de releasenaam die Bria gaf aan de checkpointfamilie met 8,13 miljard parameters die het op 20 oktober 2026 publiceerde; Fibo 2.0 Dev is de volledige, niet-gedistilleerde basis die die release draagt. De vergelijking wordt pas echt wanneer je "Fibo 2.0" leest zoals de meeste mensen het daadwerkelijk tegenkomen — als een product dat je aanroept, op een gehoste endpoint, geprijsd op $0,032 per afbeelding — en dat afzet tegen het ding dat je kunt downloaden, wegen en trainen. Het ene is een pipeline die je zelf beheert. Het andere is een meter die je huurt. Dat is de beslissing, en de naam op de verpakking maakt die niet.

Er is een derde object in de kamer, en het weglaten ervan is hoe mensen uiteindelijk teleurgesteld worden: Fibo 2.0 Edit Turbo, de gedistilleerde vierstaps-editor die de releasenaam deelt en per afbeelding ruwweg een tiende van het werk verricht. Drie dingen, één naam en een leaderboardscore die de release beschrijft en niet een enkel checkpoint. Wat volgt onderscheidt ze aan de hand van wat ze je kosten, wat ze kunnen en wat je ermee juridisch mag uitleveren.

De zes dimensies die daadwerkelijk verschillen

Alles hieronder is een verschil waarmee je aan de slag kunt. Waar een cijfer van Bria afkomstig is en niet uit een onafhankelijke run, wordt dat als zodanig vermeld.

• Downloadbare gewichten — Fibo 2.0 Dev: ja, met toegangscontrole op Hugging Face, CC BY-NC 4.0, ongeveer 25,5 GB inclusief een transformer van 16,3 GB, een Qwen3-VL-4B-encoder van 8,9 GB en een FLUX.2 VAE van 0,34 GB. Fibo 2.0 als product: niets te downloaden.

• Sampling — Dev: 50 stappen met classifier-free guidance op 5,0. Het gehoste bewerkingspad en Edit Turbo: 4 stappen, guidance 1,0, helemaal geen classifier-free guidance.

• Taakdekking — {{1}}Dev{{/1}}: tekst-naar-afbeelding en bewerken vanuit één set gewichten. Het meegeleverde bewerkingseindpunt en Turbo: alleen bewerken. Tekst-naar-afbeelding via Turbo is geen langzamere route, het is de verkeerde route.

• Fine-tuning — Dev: het enige trainbare checkpoint, zowel volledige DiT-fine-tunes als LoRA. Turbo: expliciet geen fine-tuningdoel. Het gehoste product: je huurt de weights, je leert ze niet.

• Negatieve prompts — Dev: die werken, omdat CFG aan staat en er een hendel is om aan te duwen. Turbo: guidance staat vast op 1.0, dus een negatieve prompt heeft niets om op te werken.

• Prijs — het gehoste product: $32,00 per 1.000 afbeeldingen, of $0,032 per stuk, het bedrag dat Artificial Analysis vermeldt. Local Dev: geen prijs per afbeelding; je betaalt in GPU-uren en in de download van 25,5 GB.

Waar Fibo 2.0 Dev wint, en dat is niet eens close

Generatie is de eerste lacune. Fibo 2.0 wordt op de markt gebracht als één model dat zowel tekent als bewerkt, en die claim geldt alleen voor Dev. De gehoste bewerkingseindpunten en Edit Turbo zijn opgebouwd rond een invoerafbeelding; als je ze vraagt om een afbeelding op basis van een bijschrift, vraag je om iets wat de distillatie heeft weggelaten. Als je pipeline vanaf niets begint, is de keuze Dev of een ander model.

Control is het tweede. Vijftig stappen met guidance op 5,0 is langzamer dan vier stappen zonder, en langzamer is de prijs van bestuurbaarheid — de mogelijkheid om tegen een prompt in te duwen, een negatieve prompt te gebruiken en stappen in te ruilen voor getrouwheid. Op het gebied van bewerken accepteert Dev ook gemaskeerde bewerkingen, bewerkingen met meerdere referenties met tot vier contextafbeeldingen, en een Inspire-modus die de stijl van een referentie overneemt zonder die afbeelding aan de renderer door te geven.

Training is de derde en de grootste. Dev is het checkpoint waar elk fine-tuningtraject op is gericht: de documentatie van ModelScope over DiffSynth-Studio zegt dat alleen Fibo-2.0-dev trainbaar is, en Bria levert een single-GPU-LoRA-trainer plus een handleiding voor gegevensvoorbereiding in de repository. Omdat generatie en bewerking gewichten delen, kan één LoRA een stijl én het bijbehorende bewerkingsgedrag aanleren. Iets vergelijkbaars bestaat niet voor het gehoste product, en Turbo is bewust buiten scope gelaten.

Portabiliteit is de vierde. Een lokaal checkpoint draait onder diffusers via de BriaFibo2Pipeline, binnen ComfyUI, waar native ondersteuning op 21 oktober werd samengevoegd en werd uitgebracht in v0.43.0, met een speciaal text-encodertype en een node die VGL-prompts en referentieafbeeldingen accepteert. Het werkt ook in gekwantiseerde vorm — BF16-, INT8- en GGUF-repacks bestaan allemaal — waardoor een repository van 25,5 GB hanteerbaar wordt op gewone hardware.

Waar de uitgebrachte Fibo 2.0 wint

Latentie en ops, vooral. Een guidance-vrij bewerkingspad van vier stappen is voltooid in een fractie van de tijd die 50 geleide stappen kosten, en Bria's eigen cijfer voor de gehoste API is onder twee seconden modeltijd en onder vijf seconden end-to-end — door de leverancier gemeld, niet onafhankelijk gemeten, en het is beter om het als een plafond dan als een belofte te beschouwen. Wanneer een wachtrij met bewerkingen voor een deadline weggewerkt moet worden, is dat het hele argument.

Kapitaalkosten komen op de tweede plaats. $0,032 per afbeelding zonder GPU, zonder download van 25,5 GB, zonder offload-tuning, zonder beslissingen over FP8 versus BF16. Een team dat 500 bewerkingen per maand nodig heeft, geeft $16 uit en opent nooit een terminal. Hetzelfde team dat een kaart koopt om Dev lokaal te draaien, geeft enkele honderden dollars uit voordat de eerste afbeelding bestaat. Lokaal Dev wint die rekensom alleen bij volume, en alleen als de GPU al is afgeschreven op ander werk.

De correctheid van de plumbing is het derde punt. Het gehoste pad neemt de saaie delen voor zijn rekening: de tekstencoder, de VAE, het sampling-schema en de uitbreiding van gestructureerde prompts zijn allemaal iemand anders' probleem. Een lokale installatie moet een Qwen3-VL-4B-encoder, een FLUX.2-VAE en een 44-block-DiT bij elke upgrade consistent houden — daarom is het überhaupt bestaan van de ComfyUI- en diffusers-integraties essentieel, en daarom zijn de GGUF-repacks van belang.

Vijftig stappen tegen vier: de rekensom die de meeste gevallen beslist

De kosten per afbeelding zijn waar de vergelijking meestal vervalt in vaagheden, dus behandel ze als drie afzonderlijke rekeningen. Gehost: $0.032 per afbeelding, alles inbegrepen. Lokaal Dev: GPU-seconden bij 50 stappen, plus de elektriciteit, plus de grafische kaart. Lokaal Turbo: GPU-seconden bij 4 stappen, ongeveer een tiende van de rekenkracht, maar alleen voor bewerken.

Het omslagpunt is echt, maar later dan mensen denken. Als een gehuurd GPU-uur ongeveer een dollar kost en een megapixel-render van 50 stappen, zeg, twintig seconden duurt, zit je op ruwweg $0,005 per beeld aan pure rekenkracht — zes keer goedkoper dan de gehoste prijs, nog voordat je de stilstandtijd tussen taken meerekent en het feit dat je eigen tijd niet gratis is. Bij 500 beelden per maand is dat een besparing van $2,50 ten opzichte van $16, wat geen businesscase is. Bij 50.000 beelden is het een besparing van $250 ten opzichte van $1.600, en dan is het wel een businesscase. Fine-tuning keert het volledig om, want een LoRA die je hebt getraind, is alleen iets waard op gewichten die je kunt draaien.

Nog één getal is specifiek van belang voor de Dev-kant: de diffusers-pipeline staat standaard op 30 stappen met guidance 5, terwijl Bria's aanbevolen instelling voor Dev 50 is. De standaardinstelling levert wel afbeeldingen op, maar niet Bria's afbeeldingen. Wie een lokale pipeline opzet, moet dat bewust beslissen en niet gewoon overnemen.

De licentie plaatst de hele vergelijking in een nieuw kader.

Beide downloadbare checkpoints vallen onder CC BY-NC 4.0 — uitsluitend niet-commercieel; commerciële inzet vereist een aparte overeenkomst met Bria, en de toegang is alleen mogelijk via een formulier met bedrijfsgegevens en beoogd gebruik. Het gehoste product is de commerciële route: je koopt gebruiksrecht in plaats van een licentie op de gewichten.

Dat levert een werkelijk ongemakkelijk resultaat op, en daarom is het überhaupt de moeite waard om deze "vs" te schrijven. De checkpoint met de mogelijkheden die je wilt — generatie, guidance, fine-tuning — is degene die je niet commercieel kunt uitbrengen zonder te onderhandelen. Het product dat juridisch gezien eenvoudig commercieel uit te brengen is, is degene die niet kan worden gefinetuned en niet vanaf nul kan genereren. Als je use case commercieel en custom is, kies je niet tussen twee Bria-producten; je kiest of je überhaupt een licentiegesprek aangaat.

Het is ook goed om het ronduit te zeggen: de leaderboardregel die voor Fibo 2.0 wordt geciteerd — 1.088 Elo op Artificial Analysis' AA-Image-Editing v2.1, eerste onder open-weights-editors en drieëntwintigste overall over 5.009 blinde stemmen — is een score voor de release, niet voor Dev tegen Turbo. Zijn ±14-interval overlapt bijna volledig met Qwen-Image-2.1's 1.081 ±13, dus de open-weights-voorsprong is een tiebreak. Bij tekst-naar-afbeelding keert de volgorde om: Fibo 2.0's 1.039 ±12 staat achter Qwen-Image-2.1's 1.042 ±12. Geen van beide checkpoints heeft een afzonderlijk gepubliceerde score, wat betekent dat elke claim dat "Dev beter is dan Fibo 2.0" een gevolgtrekking is uit hoe het checkpoint is gebouwd, niet een meting.

Welke, afhankelijk van de situatie

• Je hebt tekst-naar-afbeelding nodig en je wilt dat het aantallen, posities en attributen volgt — Dev. Het gestructureerde JSON-besturingsoppervlak is precies hiervoor gebouwd, en de pipeline retourneert het bijschrift waarmee het is gerenderd.

• Je fine-tunet voor een merk, een stijl of een verticale markt — Dev, eerst met LoRA. Volledige DiT-training bestaat, maar een adapter met beperkte rank op een bevroren encoder is het verstandige eerste experiment.

• Je voert instructiebewerkingen op grote schaal uit zonder aangepast gedrag — via de gehoste route, of lokaal met Turbo als de afbeeldingen je netwerk niet mogen verlaten. Vier stappen en geen begeleiding is hier een functie, geen beperking.

• Je hebt commerciële inzet nodig — start het gesprek met Bria, of plan om te huren. Het downloaden van de gewichten lost de licentievraag niet op.

Je wilt gewoon zien of het model iets waard is — de gehoste endpoint voor $0,032 per afbeelding is goedkoper dan de download, de installatie en de avond die je verliest aan FP8-loading. Geef $5 uit voordat je een weekend opoffert.

Eén endpoint voor de teksthelft, ongeacht welke kant je kiest

Beide routes delen één afhankelijkheid die niemand benchmarkt: het taalmodel dat de VGL schrijft. Fibo is getraind op Visual GenAI Language-captions, waarbij belichting, compositie, camera en objecten adresseerbare velden zijn, en de bruikbaarheid van de output de kwaliteit van die JSON volgt. Het met de hand schrijven ervan is haalbaar voor een tiental prompts en ellendig bij duizend, en daarom wordt de captioner onderdeel van het systeem.

Dat is het deel dat OrcaRouter dekt. Eén API voor 200+ modellen, 0% opslag — de lijstprijs van de provider wordt doorgegeven, zodat een wijziging bij een leverancier dezelfde dag nog op je factuur zichtbaar is — terwijl de routing-DSL bulk-captioning naar een goedkoop model kan sturen en de moeilijke rijen kan escaleren, en modelfusie beschikbaar is wanneer één captioner steeds een veld afvlakt dat je belangrijk vindt. Het maakt de vergelijking ook testbaar: voer hetzelfde beeld door twee captioners, vergelijk de JSON en zie welke set velden de render daadwerkelijk heeft veranderd. Fibo 2.0 zelf staat niet in onze catalogus, dus de beeldkant blijft waar je die ook onderbrengt — de tekstkant is degene die consolideert.

Het korte oordeel: kies Fibo 2.0 Dev als je bouwt, en kies het Fibo 2.0-endpoint als je koopt. De naam is gedeeld, de licentie niet, en de checkpoint met de trainingsloop is de enige die in zes maanden nog steeds van jou is.