Fibo 2.0 Dev chega ao ModelScope: o checkpoint que a Bria realmente criou para fine-tuning

A listagem do Fibo 2.0 Dev no site chinês da ModelScope foi criada às 17:03 UTC de 20 de outubro de 2026 — no mesmo dia em que a Bria lançou o modelo — e uma cópia no site internacional apareceu dois dias depois, às 09:55 UTC de 22 de outubro. Nenhum dos espelhos mudou muito desde então: a listagem chinesa tinha 691 downloads e a internacional, 59, quando verificadas esta semana, e ambas trazem um campo de licença que diz, de forma pouco útil, “other”. As contagens de downloads não são o ponto. O ponto é o que a própria stack de engenharia da ModelScope diz sobre os checkpoints, porque a documentação do Fibo do DiffSynth-Studio agora afirma claramente: apenas o Fibo 2.0 Dev é treinável.

Vale a pena desacelerar para isso. A Bria (a empresa por trás do modelo) lançou o Fibo 2.0 em 20 de outubro de 2026 como um modelo de pesos abertos com 8,13 bilhões de parâmetros que faz geração de imagens a partir de texto e edição por instruções com um único conjunto de pesos, e publicou dois checkpoints com esse nome — o base completo e um editor destilado. O ModelScope, o hub chinês de modelos cujo projeto DiffSynth-Studio fornece os scripts de treinamento, agora integrou ambos e traçou a linha que os desenvolvedores esperavam ver: o checkpoint destilado é um artefato de implantação; o não destilado é aquilo que você pode ensinar.

O que está realmente no ModelScope, e o que não está

Existem duas listagens, e elas são espelhos dos mesmos pesos, não uma reconstrução. O site chinês lista briaai/Fibo-2.0-dev na tarefa de síntese texto-para-imagem com as bibliotecas pytorch, lora, safetensors e diffusers — a presença de lora nessa lista é um pequeno indício sobre a intenção. O site internacional traz o mesmo ID de modelo com seu próprio contador de downloads, muito menor. Ambos apontam de volta para o repositório restrito do Hugging Face, em vez de hospedar uma cópia separada, portanto quem precisa dos arquivos reais ainda passa pelo formulário de acesso não comercial da Bria.

Dois detalhes merecem ser destacados porque confundirão alguém que leia a listagem isoladamente. A etiqueta da tarefa diz apenas texto para imagem, o que subestima o checkpoint: Fibo 2.0 Dev faz geração e edição a partir dos mesmos pesos, e o caminho de edição é o que mais importa para a maioria das equipes. E o campo de licença diz "other" em vez de "CC BY-NC 4.0", o que é uma lacuna de metadados, não uma concessão diferente — a concessão continua sendo a licença não comercial da Bria, e é a maior restrição isolada sobre qualquer coisa que você ajuste finamente com base neste checkpoint.

O momento também importa para a forma como a notícia deve ser interpretada. Os pesos foram disponibilizados no Hub em 18–19 de outubro, a Artificial Analysis já tinha um snapshot em 20 de outubro, o ComfyUI integrou suporte nativo em 21 de outubro, e o espelho internacional do ModelScope ficou completo em 22 de outubro. O Fibo 2.0 Dev é um checkpoint de nove dias de idade em uma fase de distribuição que ainda está em movimento, não um lançamento antigo sendo reavivado.

Dev versus Edit Turbo é um fork de verdade, não uma peculiaridade de nomenclatura.

A Bria publicou dois checkpoints sob um único nome de lançamento, e a diferença determina tudo o que vem depois:

• Amostragem — Fibo 2.0 Dev executa 50 passos com orientação livre de classificador em 5,0; Fibo 2.0 Edit Turbo executa 4 passos com orientação fixada em 1,0, ou seja, sem orientação alguma.

• Cobertura de tarefas — Dev faz texto para imagem e edição; Turbo faz apenas edição, então um prompt de texto para imagem no Turbo é a ferramenta errada, e não uma resposta mais lenta.

• Prompts negativos — funcionam no Dev porque o CFG está ativado; no Turbo, não há CFG para direcionar, então um prompt negativo não tem alavanca para puxar.

• Treinabilidade — esta é a bifurcação que importa aqui. A página do Fibo no DiffSynth-Studio deixa explícito que apenas o Fibo-2.0-dev é um alvo de treinamento; o Turbo é descrito como não destinado ao ajuste fino.

• Custo por imagem na inferência — o Turbo é cerca de uma ordem de magnitude mais barato de executar para a tarefa estreita que realiza, e é exatamente por isso que ninguém deveria fazer fine-tune nele para tentar fechar essa diferença.

Por baixo, têm a mesma estrutura: um transformer de difusão com flow matching operando no espaço latente do VAE do FLUX.2, um DiT BF16 de 8.127.342.213 parâmetros com 44 blocos de fluxo único, cinco dos quais aplicam atenção cruzada a um codificador de texto Qwen3-VL-4B-Instruct cuja saída é comprimida em 256–512 tokens “gist” por um resampler Perceiver de duas camadas. O repositório ocupa cerca de 25,5 GB no total — um transformer de 16,3 GB, um codificador de texto de 8,9 GB e um VAE de 0,34 GB — e é esse o número a considerar no orçamento, não o destaque dos 8B.

A receita de treinamento: encoders congelados, um DiT treinável

A contribuição do ModelScope não é outro espelho, mas um conjunto de scripts, e a sua forma é convencional da maneira que o torna utilizável. O treinamento reutiliza o mesmo FiboPipeline usado para a inferência e é executado através de examples/fibo/model_training/train.py. O VAE e o codificador de texto estão congelados; o DiT é treinado com flow matching. Essa escolha é a sensata — o ajuste fino de um codificador Qwen3-VL-4B junto com um transformer de 16 GB num único nó é um projeto diferente — mas também significa que um ajuste fino pode redirecionar estilo, composição e comportamento de edição sem ensinar ao modelo uma linguagem de prompts genuinamente nova.

Dois níveis são suportados, e ambos são somente DiT:

• Ajuste fino completo — passe --trainable_models "dit" e deixe o Accelerate cuidar da configuração distribuída; o transformer inteiro se move, nada mais.

• LoRA — anexe adaptadores ao DiT com --lora_base_model "dit", defina os módulos de destino e o rank e, opcionalmente, retome a partir de um checkpoint; os scripts LoRA fornecidos usam por padrão uma única GPU.

A edição é um alvo de treinamento de primeira classe, e não algo pensado de última hora. As execuções de edição injetam edit_image e uma máscara opcional por meio de --extra_inputs, e um UnifiedDataset lê essas colunas dos metadados; as linhas sem máscara são treinadas como amostras comuns de edição em vez de serem descartadas. Como geração e edição compartilham pesos, um único fine-tune pode ensinar um novo domínio e como editar dentro dele — o model card da própria Bria defende essa proposta para LoRAs de marca e estilo, especialistas verticais e editores de tarefas específicas, e inclui um treinador LoRA para GPU única com um guia de preparação de dados na pasta fine_tuning/ do repositório.

Os dois conjuntos de dados de exemplo mostram o esquema que você deve produzir: DiffSynth-Studio/diffsynth_example_dataset, com uma divisão fibo/Fibo-2.0-dev contendo um CSV de metadados de imagem e prompt, e uma divisão fibo/Fibo-2.0-dev-Edit contendo um JSON de metadados de image, prompt, edit_image e máscara opcional. Nada nesse esquema é exótico; o trabalho está em produzir as legendas.

VRAM: a parte que o cartão do modelo não quantifica.

Não há mínimo publicado. A documentação do DiffSynth recomenda configurações de pouca VRAM e gerenciamento automático de VRAM com base na memória restante, em vez de indicar um piso, e a configuração de exemplo informa o que eles esperam: carregar e preparar em FP8 E4M3, calcular em BF16, fazer offload para o disco e limitar o uso total à memória CUDA total menos 0,5 GB. Essa é uma receita escrita por pessoas que sabem que a resposta depende da sua placa, da sua resolução e de o checkpointing de gradiente estar ativado — e são honestas quanto a isso. Planeje o offload e aceite que um fine-tune de um megapixel será lento antes de ficar bom.

O JSON estruturado é a interface, portanto o seu conjunto de dados tem de falar essa língua

A superfície de controle do Fibo não é uma caixa de prompt. O modelo foi treinado em legendas do Visual GenAI Language (VGL) — JSON estruturado no qual iluminação, composição, estilo, câmera e objetos são campos endereçáveis de forma independente — e o pipeline de inferência retorna a legenda junto com a imagem que produziu. O helper bria-vgl expõe create() para geração e modify() para edições, então não se espera que você escreva o JSON à mão; um VLM hospedado faz a expansão, a menos que você mesmo o escreva.

Isso tem uma consequência direta para o ajuste fino que a cobertura do lançamento em grande parte deixou de lado. Se você treinar com prompts de texto livre, estará treinando o DiT contra um formato de legenda para o qual ele não foi criado, e o controle que você esperava obter é a primeira coisa a desaparecer. Armazenar legendas VGL nos seus metadados — seja geradas pelo pipeline e depois editadas, seja escritas deliberadamente — mantém intacto o comportamento dos campos endereçáveis, e é a diferença entre uma LoRA que altera um estilo e uma LoRA que altera um estilo sem destruir o restante do quadro. Se o seu conjunto de treinamento for de imagens sem legendas, a etapa de legendagem é a cara, e é uma tarefa de modelo de linguagem.

O ferramental chegou mais rápido do que a maioria dos novos checkpoints costuma chegar.

Para um modelo com nove dias, o stack ao seu redor é excepcionalmente completo, o que explica em parte por que a integração com o ModelScope é menos significativa do que parece e mais útil do que um espelho simples.

• diffusers — um BriaFibo2Pipeline entrou como PR #14991, que é o caminho que a maior parte do código de inferência seguirá.

• ComfyUI — suporte nativo mesclado em 21 de outubro como PR #17240 e incluído na v0.43.0, adicionando um tipo de text-encoder fibo2 que carrega o Qwen3-VL-4B oficial e um nó TextEncodeFibo2 que lida com prompts VGL e imagens de referência. Os repacks BF16 e INT8 seguem esse layout do loader, e existe suporte à arquitetura GGUF para execuções locais quantizadas.

• ModelScope / DiffSynth-Studio — scripts de inferência e treinamento em um só lugar, que é exatamente a peça que uma equipe que está padronizando o DiffSynth realmente precisa antes de poder planejar um ajuste fino.

A parede que ninguém menciona: CC BY-NC 4.0

O Fibo 2.0 tem pesos abertos, não é código aberto, e a diferença entre essas duas expressões é toda a questão comercial. Os checkpoints estão sob CC BY-NC 4.0: uso apenas não comercial, com a implantação comercial exigindo um acordo separado com a Bria, e os repositórios no Hugging Face condicionados a um formulário de empresa e de uso pretendido. Um LoRA de marca treinado no Fibo 2.0 Dev é um artefato de pesquisa até que esse acordo exista — o que é um lugar estranho para se colocar "exatamente aquilo sobre o que os desenvolvedores querem construir", mas é o lugar correto. Compare as alternativas de pesos abertos que permitem uso comercial sem restrições, e a licença, não o Elo, passa a ser a linha decisiva para qualquer um que for lançar algo.

O panorama de qualidade também é mais estreito do que a manchete. No AA-Image-Editing v2.1 da Artificial Analysis, o Fibo 2.0 registra 1.088 Elo com intervalo de ±14 sobre 5.009 votos cegos — vigésimo terceiro no geral e primeiro entre editores de pesos abertos, embora tenha caído uma ou duas posições desde o snapshot de lançamento. O Qwen-Image-2.1 está em 1.081 ±13, e os intervalos se sobrepõem quase totalmente, então a liderança de pesos abertos é um critério de desempate, não uma prova. No AA-Image-T2I v2.1, a ordem se inverte: 1.039 ±12 para o Fibo 2.0 contra 1.042 ±12 do Qwen-Image-2.1. A ficha do modelo da própria Bria é ainda menos lisonjeira nas categorias estreitas — ela lista renderização de texto e layout nas posições entre o fim da casa dos dezessete e o início dos vinte, e anatomia humana em décimo oitavo lugar. Um fine-tune pode perseguir essas fraquezas, mas não pode exceder o que o encoder entende.

Onde o roteamento se encaixa, e onde não

A divisão honesta: o próprio Fibo 2.0 não está no catálogo da OrcaRouter, então nada aqui é um discurso de "chame o Fibo através da gente". O que o roteamento traz é a outra metade do pipeline. As duas tarefas de modelo de linguagem em torno deste checkpoint — escrever legendas VGL para um conjunto de treinamento e expandir prompts curtos em JSON estruturado na inferência — são cargas de trabalho de texto comuns, e são elas que decidem se um fine-tune é possível. A OrcaRouter oferece uma API para mais de 200 modelos com 0% de markup, então os preços de tabela dos provedores são repassados e uma comissão do fornecedor chega à sua fatura no mesmo dia; o failover automático entre provedores significa que uma execução de legendagem de algumas milhares de imagens não morre por causa de um único upstream; e a DSL de roteamento pode fixar um modelo barato para legendagem em massa enquanto envia os casos difíceis para algo mais forte, com fusão de modelos disponível quando um único legendador continua deixando de capturar um campo. O modelo de imagem permanece onde está; o texto ao redor dele é roteável.

O que observar a seguir é o próprio roadmap da Bria, que o model card lista como edição local multiturno, remoção de fundo, um LoRA para fotos de produto, apagamento de máscara e outpainting — tudo isso chegaria primeiro ao checkpoint Dev, porque Dev é o que tem um loop de treinamento. Os espelhos do ModelScope são a metade entediante desta história. A frase do DiffSynth "apenas Fibo-2.0-dev é treinável" é a metade útil, e é o motivo para baixar o repositório de 25,5 GB em vez de chamar a API.