Fibo 2.0 vs LFM2.5 2.6B Base: 2,7 miljard parameters aan tekst, of 8,1 miljard parameters aan afbeeldingen

Het grootteverschil is het eerste dat iedereen opmerkt en het minst nuttige eraan. Fibo 2.0, uitgebracht door Bria op 20 oktober 2026, heeft 8,127,342,213 parameters en genereert afbeeldingen. LFM2.5 2.6B Base, uitgebracht door Liquid AI op 1 augustus 2026, heeft 2,69 miljard parameters en genereert tekst — en geen afgewerkte tekst, maar het onbewerkte vervolggedrag van een voorgetraind basischeckpoint zonder dat er instructietuning is toegepast. Vragen welke beter is, is als vragen of een camera beter is dan een woordenboek. De vraag die wél een antwoord heeft, is smaller en praktischer: elk is de kleinste geloofwaardige open optie in zijn eigen categorie, en weten waar de ondergrens van elke categorie ligt, vertelt je welke jouw beperking daadwerkelijk uitsluit.Geen van beide modelkaarten legt vast wat er gebeurt wanneer een dergelijk checkpoint slecht wordt ingezet, en de geregistreerde incidenten zijn gecatalogiseerd in het OrcaRouter AI Incident Archive waarbij elke vermelding zijn eigen bronnen, ernstniveau, betrouwbaarheidsgraad en betwistingsmarkering bevat.

De vloer, in beide richtingen

Beide modellen zijn om dezelfde structurele reden interessant — elk zit dicht bij de ondergrens van wat voor zijn taak levensvatbaar is — en dat is de enige as waarop ze überhaupt vergelijkbaar zijn.

• Parameters — Fibo 2.0 8.127.342.213 in BF16; LFM2.5 2.6B Base 2,69 miljard. Ongeveer een verhouding van drie tegen één in gewichten, wat ongeveer ook de verhouding in het geheugen is.

• Uitvoer — Fibo 2.0 retourneert een afbeelding; LFM2.5 2.6B Base retourneert alleen teksttokens en niets anders.

• Waar het draait — Fibo 2.0 heeft een GPU met voldoende VRAM nodig voor een diffusietransformer met 44 blokken bij 50 stappen, of vier stappen in de Turbo-variant; LFM2.5 2.6B Base wordt geleverd in de formaten GGUF, ONNX en MLX en is ontworpen om te draaien op een telefoon, een laptop of een single-boardcomputer.

• Fine-tuningstatus — Fibo 2.0 Dev is een niet-gedistilleerde base met classifier-free guidance, gedocumenteerd voor fine-tuning; LFM2.5 2.6B Base is alleen voorgetraind, zonder instructievolgend gedrag totdat iemand het fine-tunet.

• Licentie — Fibo 2.0 valt onder CC BY-NC 4.0 voor niet-commercieel gebruik, met commercieel gebruik op basis van overeenkomst; LFM2.5 2.6B Base valt onder de LFM 1.0-licentie, die commercieel gebruik toestaat onder de eigen voorwaarden.

• Scores — Fibo 2.0 staat op 1.087,05 Elo op AA-Image-Editing v2.1, als eerste onder de open-weightmodellen; LFM2.5 2.6B Base heeft een geschatte Intelligence Index van 8,39, GPQA 55,8%, Terminal-Bench 2.1 op 4,5% en HLE 6,2%.

Die twee scores kunnen niet in dezelfde zin als vergelijking worden geplaatst. De ene is een publieksvoorkeursscore op gerenderde afbeeldingen; de andere is een samengestelde score over tekstbenchmarks. Het enige eerlijke gebruik van beide is karakteriseren waar elk model voor dient.

Wat een basis-checkpoint eigenlijk is, omdat de naam misleidend is

"Base" in LFM2.5 2.6B Base is geen bescheiden manier om "standaard" te zeggen. Het betekent dat het model is getraind op 34 biljoen tokens aan voorspelling van het volgende token en niets anders — geen instructietuning, geen chatsjabloon, geen weigeringsgedrag, geen besef dat een vraag een vraag is. Geef het "Vat deze e-mail samen:" en het zal de tekenreeks voortzetten in de stijl die de pretrainingsdata suggereert, wat eerder de rest van een e-mailthread kan zijn dan een samenvatting.

Dat maakt het een prima uitgangspunt en een slecht product. Liquid AI levert het voor mensen die van plan zijn om te fine-tunen, en de architectuur is daarop gekozen: 30 lagen, 22 dubbel-gated korte convoluties en 8 grouped-query attention-lagen, een vocabulaire van 128K, een context van 131.072 tokens en dekking van 16 talen in de pretraining. De convolutie-zware stack is waarom het op een telefoon past — de attention-kosten groeien met de context en convoluties niet, en dat is de hele ontwerpgedachte.

• Architectuur — 30 lagen: 22 dubbel-gated korte convolutieblokken en 8 GQA-blokken, vocabulaire van 128K.

• Training — 34 biljoen tokens, 16 talen, alleen voorgetraind.

• Context — 131.072 tokens, het aantal dat de convolutiestack ontworpen is betaalbaar te maken.

• Formatten — GGUF, ONNX en MLX, zodat llama.cpp, ONNX Runtime en Apple silicon allemaal eersteklas doelen zijn.

• Wat het niet doet — instructies opvolgen, een gesprek voeren of iets anders voortbrengen dan een tekstvervolg, totdat je het fine-tunt.

De vergelijking met Fibo 2.0's Dev-checkpoint ligt dichterbij dan het op het eerste gezicht lijkt. Fibo 2.0 Dev is ook een basis — niet-gedistilleerd, 50 stappen met classifier-free guidance op 5.0, expliciet het checkpoint dat Bria aanwijst voor fine-tuning. Beide projecten leveren een tuning-doel naast, of in plaats van, een bruikbaar product. Het verschil is dat Fibo 2.0 Edit Turbo bestaat als de bruikbare versie van dezelfde gewichten, gedistilleerd naar vier stappen zonder guidance, terwijl LFM2.5 2.6B eerst getuned moet worden voordat het überhaupt bruikbaar is.

Licentie en de werkelijke kosten van "open"

Beide modellen zijn te downloaden. Wat je ermee mag doen, verschilt sterk, en wel in een richting die het gebruikelijke idee over grootte omkeert: het kleine model is het model dat commercieel bruikbaar is.

• Fibo 2.0 — CC BY-NC 4.0 voor niet-commercieel gebruik. Commercieel gebruik vereist een afzonderlijke overeenkomst met Bria. De Hugging Face-repository is afgeschermd met een formulier voor bedrijf en beoogd gebruik.

• LFM2.5 2.6B Base — LFM 1.0-licentie, die commerciële inzet onder haar eigen voorwaarden toestaat. Geen onderhandeling per gebruik, hoewel de voorwaarden niet Apache-2.0 zijn en het de moeite waard is ze te lezen in plaats van ze zomaar aan te nemen.

• Waarom Bria's voorwaarden zijn zoals ze zijn — het trainingscorpus bestaat uit ongeveer een miljard gelicentieerde afbeeldingen waarvoor het bedrijf heeft betaald. Gratis gewichten waarmee iedereen Bria's eigen API op dat corpus kan onderbieden, zouden het bezit weggeven dat dat corpus heeft gekocht.

• Het praktische onderscheid — een interne onderzoekspipeline kan beide morgen gebruiken. Een product dat wordt uitgeleverd kan LFM2.5 2.6B Base morgen in een apparaat inbouwen en kan Fibo 2.0 niet zonder een handtekening uitleveren.

Dit is geen kritiek op Bria. Het is de kostenstructuur van de twee problemen. Liquid AI trainde op tekst, waarvan het meeste gratis te licentiëren is; Bria trainde op foto's, waarvan er geen enkele gratis te licentiëren is. De licentievoorwaarden volgen de inputdata, niet de modelkwaliteit, en dat is precies waar ze zouden moeten volgen.

Waar ze samenkomen: de on-device assistent die beschrijft voordat hij rendert

Er is één architectuur waarin deze twee modellen in hetzelfde systeem thuishoren, en dat is de reden dat dit stuk een vergelijking is en geen afwijzing. Het conditioneringspad van Fibo 2.0 neemt een gestructureerde JSON-caption — VGL, Bria's Visual GenAI Language — met benoemde velden voor onderwerp, compositie, belichting, camera, stijl en tekst-in-afbeelding. Een tekstmodel van 2,6B dat op het apparaat past dat de foto maakt, is precies het soort ding dat die JSON lokaal zou kunnen schrijven, zonder een roundtrip.

Of het kan, is een andere vraag dan of het zou moeten. Een voorgetraind basismodel met een geschatte index van 8,39, GPQA 55,8% en HLE 6,2% zal zonder taakspecifieke fine-tuning niet betrouwbaar schema-valide JSON uit een foto produceren — en het fine-tunen ervan op een VGL-corpus is een goed afgebakende klus op de schaal van een klein model. Dat is de eerlijke versie van het meet-in-the-middle-argument: LFM2.5 2.6B Base is een plausibel substraat voor een fijngetunede onderschriftenmaker, niet voor een kant-en-klare.

• Wat de 2.6B oplevert — hij draait waar de foto wordt genomen, met minder dan 3 GB aan gewichten, geen netwerk, geen kosten per aanroep.

• Wat het eerst nodig heeft — supervised fine-tuning op VGL-formaatvoorbeelden, plus constrained decoding of een JSON-grammatica om geldige uitvoer te garanderen.

• Wat de renderer meebrengt — er is nog steeds een GPU nodig. De helft op het toestel beschrijft; de serverhelft tekent. Dat is de enige splitsing die vandaag werkt.

• Wat het idee tenietdoet — als het onderschrift goed moet zijn, leest een multimodaal model van de 12B-klasse de bronafbeelding beter dan een model van 2,6B dat alleen tekst aankan, omdat de 2,6B de foto helemaal niet kan zien.

Dat laatste punt is beslissend voor de meeste praktijkontwerpen. LFM2.5 2.6B Base is tekst-in, tekst-uit. Het kan een VGL-bijschrift schrijven op basis van een geschreven briefing; het kan niet naar de afbeelding kijken die het beschrijft. Iedereen die de twee combineert, moet helder hebben welke van die taken men feitelijk afneemt.

Elk ervan krijgen

Fibo 2.0 is verkrijgbaar via de API van Bria voor $0,032 per afbeelding, via Bria's gehoste creatietool, via ComfyUI-nodes, of als gated weights op Hugging Face. LFM2.5 2.6B Base is afkomstig van Hugging Face in GGUF, ONNX en MLX, zonder toegangsbeperking op de baserelease. Geen van beide staat in de OrcaRouter-catalogus, en geen van beide beweringen hoeft te worden afgezwakt: Fibo 2.0 is een image-endpoint en de 2.6B-base van Liquid is een downloadbaar checkpoint, en een router is voor geen van beide een goede oplossing.

Wat een router wél levert, is alles eromheen. OrcaRouter gebruikt één sleutel voor meer dan 200 modellen, met lijstprijzen van providers doorgegeven tegen 0% opslag, zodat een prijswijziging van een leverancier aan de tekstkant op de dag dat die plaatsvindt zichtbaar wordt. Als je de fine-tuningpijplijn voor een VGL-captionwriter bouwt, kunnen zowel het model dat synthetische trainingsparen genereert als het model dat ze beoordeelt achter die ene sleutel zitten, met automatische failover terwijl je itereert en de routing-DSL om een benchmark in één aanroep over meerdere modellen uit te spreiden. De renderer blijft van Bria. De tuningloop is waar routing zijn plek verdient.

De beslissing, simpelweg gesteld

Als je beperking is waar het model draait, concurreert LFM2.5 2.6B Base niet met Fibo 2.0 — het is de enige van de twee die überhaupt op het apparaat draait, en de geschatte index van 8,39 is een plafond dat je bewust kiest in ruil daarvoor. Als je beperking is wat de output is, is Fibo 2.0 de enige van de twee die de output oplevert, en zijn 1.087 Elo onder open gewichten is het huidige hoogtepunt voor downloadbare beeldbewerking. Niemand kiest tussen deze modellen. Men kiest tussen een implementatiedoel en een op te leveren resultaat, en dat zijn verschillende beslissingen die toevallig in het nieuws van dezelfde week zijn verschenen.

De enige vraag die echt gedeeld wordt, is de licentie, en die valt voor beide helften van een commerciële build op dezelfde manier uit: de 2.6B-basis is bruikbaar onder de voorwaarden ervan, de 8B-renderer vereist Bria's toestemming, en dat het kleinere model het vrijere is, is een gegeven over trainingsdata en niet over engineering. Plan het product daaromheen, niet rond parameteraantallen.