Fibo 2.0 Dev trafia na ModelScope: checkpoint, który Bria rzeczywiście zbudowała do fine-tuningu

Wpis Fibo 2.0 Dev w serwisie ModelScope Chińskiej witryny utworzono 20 października 2026 r. o 17:03 UTC — tego samego dnia, w którym Bria udostępniła model — a kopia w witrynie międzynarodowej pojawiła się dwa dni później, 22 października o 09:55 UTC. Od tamtej pory żadne z luster nie posunęło się daleko: podczas sprawdzania w tym tygodniu wpis chiński miał 691 pobrań, a międzynarodowy 59, a oba zawierają pole licencji, które ma mało pomocną wartość „other”. Liczby pobrań to nie jest sedno historii. Sedno stanowi to, co własny stos inżynieryjny ModelScope mówi o checkpointach, ponieważ dokumentacja Fibo w DiffSynth-Studio stwierdza to teraz wprost: tylko Fibo 2.0 Dev można trenować.

To zasługuje na chwilę zatrzymania. Bria (firma stojąca za modelem) wypuściła Fibo 2.0 20 października 2026 r. jako model z otwartymi wagami o 8,13 miliarda parametrów, który wykonuje generowanie obrazów na podstawie tekstu i edycję zgodnie z instrukcjami przy użyciu jednego zestawu wag, oraz opublikowała pod tą nazwą dwa checkpointy — pełny bazowy i destylowany edytor. ModelScope, chińskie centrum modeli, którego projekt DiffSynth-Studio dostarcza skrypty treningowe, zintegrował teraz oba i wyznaczył granicę, na którą czekali deweloperzy: destylowany checkpoint jest artefaktem wdrożeniowym, a niedestylowany jest tym, który można uczyć.

Co tak naprawdę jest na ModelScope, a co nie.

Istnieją dwa wpisy, które są lustrzanymi odbiciami tych samych wag, a nie przebudową. Chińska witryna wymienia briaai/Fibo-2.0-dev w ramach zadania text-to-image-synthesis z bibliotekami pytorch, lora, safetensors i diffusers — obecność lora na tej liście to drobna wskazówka co do intencji. Międzynarodowa witryna zawiera ten sam identyfikator modelu z własnym, znacznie mniejszym licznikiem pobrań. Oba wskazują z powrotem na repozytorium Hugging Face z kontrolą dostępu, zamiast hostować osobną kopię, więc każdy, kto potrzebuje rzeczywistych plików, nadal przechodzi przez formularz dostępu niekomercyjnego Bria.

Warto zwrócić uwagę na dwa szczegóły, ponieważ mogą one zdezorientować kogoś, kto czyta kartę modelu w oderwaniu od kontekstu. Tag zadania mówi wyłącznie o text-to-image, co nie oddaje pełnych możliwości checkpointu: Fibo 2.0 Dev wykonuje generowanie i edycję z tych samych wag, a ścieżka edycji jest tą, na której zależy większości zespołów. Natomiast pole licencji zawiera „other” zamiast „CC BY-NC 4.0”, co jest luką w metadanych, a nie innym warunkiem udzielenia licencji — nadal obowiązuje niekomercyjna licencja Bria, i jest to największe ograniczenie dla wszystkiego, co dostrajasz na tym checkpoincie.

Znaczenie ma też czas, ponieważ wpływa on na sposób odczytywania tej wiadomości. Wagi pojawiły się na Hubie 18–19 października, Artificial Analysis miało snapshot już 20 października, ComfyUI scaliło natywne wsparcie 21 października, a międzynarodowy mirror ModelScope uzupełniono 22 października. Fibo 2.0 Dev to dziewięciodniowy checkpoint w wciąż rozwijającej się fazie dystrybucji, a nie przywracane do życia stare wydanie.

Dev kontra Edit Turbo to prawdziwy fork, a nie dziwactwo nazewnictwa.

Bria opublikowała dwa punkty kontrolne pod jedną nazwą wydania, a różnica decyduje o wszystkim w dalszym procesie:

Próbkowanie — Fibo 2.0 Dev wykonuje 50 kroków z classifier-free guidance wynoszącym 5,0; Fibo 2.0 Edit Turbo wykonuje 4 kroki z guidance ustalonym na 1,0, co oznacza brak jakiegokolwiek guidance.

• Zakres zadań — Dev obsługuje text-to-image i edycję; Turbo obsługuje tylko edycję, więc użycie promptu text-to-image w przypadku Turbo to wybór niewłaściwego narzędzia, a nie wolniejsza odpowiedź.

• Prompty negatywne — działają w Dev, ponieważ CFG jest włączone; w Turbo nie ma CFG, którym można by sterować, więc prompt negatywny nie ma żadnej dźwigni, którą można pociągnąć.

• Możliwość trenowania — właśnie to rozwidlenie ma tu znaczenie. Strona Fibo w DiffSynth-Studio wyraźnie podaje, że tylko Fibo-2.0-dev jest celem trenowania; Turbo opisano jako nieprzeznaczone do dostrajania.

• Koszt na obraz podczas wnioskowania — Turbo jest mniej więcej o rząd wielkości tańszy w uruchamianiu w przypadku wąskiego zadania, które realizuje, i właśnie dlatego nikt nie powinien go dostrajać, by gonić tę lukę.

W gruncie rzeczy mają ten sam kształt: transformer dyfuzyjny z dopasowaniem przepływu (flow-matching), działający w przestrzeni utajonej VAE FLUX.2, to DiT BF16 o 8 127 342 213 parametrach, z 44 blokami single-stream, z których pięć wykorzystuje uwagę krzyżową do enkodera tekstu Qwen3-VL-4B-Instruct, którego dane wyjściowe są ściskane do 256–512 tokenów „gist” przez dwuwarstwowy resampler Perceivera. Całe repozytorium zajmuje około 25,5 GB — 16,3 GB transformera, 8,9 GB enkodera tekstu i 0,34 GB VAE — i to jest liczba, którą należy uwzględnić w budżecie, a nie nagłówek „8B”.

Przepis treningowy: zamrożone enkodery, trenowalny DiT

Wkład ModelScope to nie kolejna kopia lustrzana, ale zestaw skryptów, a jego forma jest konwencjonalna w sposób, który czyni go użytecznym. Trening wykorzystuje ten sam FiboPipeline co wnioskowanie i przebiega przez examples/fibo/model_training/train.py. VAE i enkoder tekstu są zamrożone; DiT jest trenowany z użyciem dopasowania przepływu. Ten wybór jest rozsądny — dostrajanie enkodera Qwen3-VL-4B wraz z 16 GB transformatorem na pojedynczym węźle to inny projekt — ale oznacza też, że dostrojenie może przekierować styl, kompozycję i zachowanie edycyjne, nie ucząc modelu zupełnie nowego języka podpowiedzi.

Obsługiwane są dwa poziomy i oba dotyczą wyłącznie DiT:

• Pełny fine-tuning — przekaż --trainable_models "dit" i pozwól Accelerate zająć się konfiguracją rozproszoną; przenoszony jest cały transformer, nic innego.

• LoRA — dołącz adaptery do DiT za pomocą --lora_base_model "dit", ustaw moduły docelowe i rangę oraz opcjonalnie wznów z punktu kontrolnego; udostępnione skrypty LoRA domyślnie używają pojedynczej GPU.

Edycja jest obiektem treningowym pierwszej klasy, a nie czymś dodanym po fakcie. Przebiegi edycji wstrzykują edit_image i opcjonalną maskę przez --extra_inputs, a UnifiedDataset odczytuje te kolumny z metadanych; wiersze bez masek są trenowane jako zwykłe próbki edycji zamiast być odrzucane. Ponieważ generacja i edycja współdzielą wagi, jeden fine-tune może nauczyć nową dziedzinę i sposób edycji w niej — karta modelu samej Bria zachwala to podejście dla LoRA marek i stylów, specjalistów branżowych i edytorów wąskich zadań, a także dostarcza trener LoRA dla pojedynczego GPU wraz z przewodnikiem przygotowania danych w folderze fine_tuning/ repozytorium.

Dwa przykładowe zbiory danych pokazują schemat, który masz utworzyć: DiffSynth-Studio/diffsynth_example_dataset — z podziałem fibo/Fibo-2.0-dev zawierającym metadane CSV z polami image i prompt oraz z podziałem fibo/Fibo-2.0-dev-Edit zawierającym metadane JSON z polami image, prompt, edit_image i opcjonalnym mask. Nic w tym schemacie nie jest egzotyczne; cała praca polega na tworzeniu podpisów.

VRAM: element, którego karta modelu nie określa liczbowo

Nie ma opublikowanego minimum. Dokumentacja DiffSynth zaleca konfiguracje o niskim zużyciu VRAM i automatyczne zarządzanie VRAM w oparciu o pozostałą pamięć, zamiast podawać konkretny dolny limit, a przykładowa konfiguracja mówi, czego się spodziewać: ładowanie i przygotowanie w FP8 E4M3, obliczenia w BF16, offload na dysk oraz limit całkowitego zużycia równy całkowitej pamięci CUDA minus 0,5 GB. To przepis napisany przez ludzi, którzy wiedzą, że odpowiedź zależy od twojej karty, rozdzielczości i tego, czy włączony jest gradient checkpointing — i mówią to uczciwie. Planuj offload i zaakceptuj, że fine-tuning przy jednym megapikselu będzie wolny, zanim będzie dobry.

Ustrukturyzowany JSON jest interfejsem, więc twój zbiór danych musi nim mówić

Panel sterowania Fibo to nie pole promptu. Model był trenowany na opisach Visual GenAI Language (VGL) — ustrukturyzowanym JSON-ie, w którym oświetlenie, kompozycja, styl, kamera i obiekty są niezależnie adresowalnymi polami — a potok wnioskowania zwraca ten opis wraz z wygenerowanym obrazem. Helper bria-vgl udostępnia create() do generowania i modify() do edycji, więc nie musisz ręcznie pisać tego JSON-a; hostowany VLM zajmuje się rozszerzeniem, chyba że sam go utworzysz.

Ma to bezpośrednią konsekwencję dla dostrajania, którą relacje z premiery przeważnie pominęły. Jeśli trenować na promptach w formie swobodnego tekstu, trenować DiT względem formatu podpisów, wokół którego go nie zbudowano, a kontrola, którą miałeś nadzieję uzyskać, jest pierwszą rzeczą, która znika. Przechowywanie podpisów VGL w metadanych — czy to wygenerowanych przez pipeline i następnie edytowanych, czy świadomie tworzonych — zachowuje zachowanie adresowalnych pól i stanowi różnicę między LoRA, która przenosi styl, a LoRA, która przenosi styl bez niszczenia reszty kadru. Jeśli zbiór treningowy składa się z obrazów bez podpisów, etap opisywania jest kosztownym krokiem i jest zadaniem dla modelu językowego.

Oprogramowanie narzędziowe pojawiło się szybciej, niż trafia ono do większości nowych checkpointów.

Jak na model mający zaledwie dziewięć dni, otaczający go stos technologiczny jest wyjątkowo kompletny, co po części wyjaśnia, dlaczego integracja z ModelScope jest mniej znacząca, niż się wydaje, a zarazem bardziej przydatna niż zwykłe lustrzane odbicie.

• diffusers — BriaFibo2Pipeline trafił jako PR #14991, czyli ścieżka, którą obierze większość kodu inferencji.

• ComfyUI — natywna obsługa została scalona 21 października jako PR #17240 i wydana w v0.43.0, dodając typ enkodera tekstu fibo2, który ładuje oficjalny Qwen3-VL-4B, oraz węzeł TextEncodeFibo2, który obsługuje prompty VGL i obrazy referencyjne. Repaki BF16 i INT8 są zgodne z tym układem loadera, a obsługa architektury GGUF jest dostępna dla skwantyzowanych uruchomień lokalnych.

• ModelScope / DiffSynth-Studio — skrypty wnioskowania i trenowania w jednym miejscu, czyli element, którego zespół standaryzujący DiffSynth faktycznie potrzebuje, zanim będzie mógł zaplanować dostrajanie (fine-tune).

Ściana, o której nikt nie wspomina: CC BY-NC 4.0

Fibo 2.0 to otwarte wagi, a nie open source — i cały komercyjny problem tkwi w różnicy między tymi dwoma określeniami. Checkpointy objęte są licencją CC BY-NC 4.0: wyłącznie użycie niekomercyjne, przy czym wdrożenie komercyjne wymaga odrębnej umowy z Bria, a repozytoria na Hugging Face są dostępne dopiero po podaniu firmy i formularza zamierzonego zastosowania. LoRA marki wytrenowany na Fibo 2.0 Dev pozostaje artefaktem badawczym, dopóki taka umowa nie powstanie — to dziwne miejsce, by umieszczać „dokładnie to, na czym deweloperzy chcą budować", ale jest to miejsce trafne. Porównaj alternatywy o otwartych wagach, które dopuszczają użycie komercyjne wprost, a licencja — nie Elo — staje się decydującą linią dla każdego, kto wypuszcza produkt.

Obraz jakości jest również węższy niż sugeruje nagłówek. W benchmarku AA-Image-Editing v2.1 Artificial Analysis Fibo 2.0 osiąga 1 088 punktów Elo z przedziałem ±14 na podstawie 5 009 ślepych głosów — 23. miejsce w ogólnym zestawieniu i pierwsze wśród edytorów z otwartymi wagami, choć od snapshotu premiery spadł o jedno lub dwa miejsca. Qwen-Image-2.1 plasuje się na poziomie 1 081 ±13, a przedziały pokrywają się niemal całkowicie, więc przewaga w kategorii otwartych wag jest kwestią rozstrzygnięcia remisu, a nie dowodem. W AA-Image-T2I v2.1 kolejność się odwraca: 1 039 ±12 dla Fibo 2.0 wobec 1 042 ±12 Qwen-Image-2.1. Własna karta modelu Bria jest jeszcze mniej pochlebna w wąskich kategoriach — wymienia renderowanie tekstu i układ w przedziale od wysokich pozycji w drugiej dziesiątce do niskich w trzeciej, a anatomię człowieka na osiemnastym miejscu. Dostrajanie modelu może próbować zaradzić tym słabościom, ale nie może wyjść poza to, co rozumie enkoder.

Gdzie routing pasuje, a gdzie nie

Uczciwy podział: sam Fibo 2.0 nie znajduje się w katalogu OrcaRoutera, więc nic tutaj nie jest ofertą typu „wywołaj Fibo przez nas”. To, co daje routing, to druga połowa pipeline'u. Dwa zadania modeli językowych wokół tego checkpointu — pisanie podpisów VGL dla zbioru treningowego oraz rozwijanie krótkich promptów w ustrukturyzowany JSON podczas inferencji — to zwykłe obciążenia tekstowe i to właśnie one decydują, czy fine-tuning jest w ogóle możliwy. OrcaRouter oferuje jedno API dla ponad 200 modeli z marżą 0%, więc ceny katalogowe dostawców przechodzą w całości a prowizja dostawcy trafia do Twojego rachunku jeszcze tego samego dnia; automatyczne przełączanie awaryjne między dostawcami sprawia, że przebieg generowania podpisów dla kilku tysięcy obrazów nie pada z powodu jednego upstreamu; a DSL routingu pozwala przypiąć tani model do masowego podpisywania, kierując trudne przypadki do czegoś mocniejszego, z dostępną fuzją modeli, gdy pojedynczy model podpisujący wciąż pomija jakieś pole. Model obrazu zostaje tam, gdzie jest; otaczający go tekst podlega routingowi.

Co warto obserwować dalej, to własna roadmapa Bria, którą karta modelu wymienia jako edycję lokalną w wielu turach, usuwanie tła, LoRA do zdjęć produktowych, wymazywanie maski i outpainting — wszystko to trafiłoby najpierw do punktu kontrolnego Dev, ponieważ Dev jako jedyny ma pętlę treningową. Lustrzane kopie ModelScope to nudna połowa tej historii. Zdanie DiffSynth „tylko Fibo-2.0-dev można trenować” to użyteczna połowa i właśnie dlatego warto pobrać repozytorium o rozmiarze 25,5 GB zamiast wywoływać API.