Fibo 2.0 vs Gemma 4 12B: Um desenha a imagem, o outro escreve o prompt para ela

Coloque o Fibo 2.0 e o Gemma 4 12B lado a lado em uma ficha técnica e a comparação desmorona imediatamente, porque eles não respondem à mesma pergunta. O Fibo 2.0 é um modelo de imagem de 8B lançado pela Bria em 20 de outubro de 2026: você fornece uma descrição ou uma imagem, e ele retorna pixels. O Gemma 4 12B é o modelo de linguagem multimodal denso de 11,95B do Google, Apache-2.0, disponível desde 23 de maio de 2026: você fornece texto, imagens ou áudio e ele retorna texto, nunca uma imagem. Toda página "Fibo 2.0 vs Gemma 4 12B" que os coloca em ranking um contra o outro está comparando um renderizador com um escritor. A versão útil desta comparação é aquela em que eles não são rivais de forma alguma — em que o Gemma 4 12B escreve o prompt estruturado e o Fibo 2.0 o renderiza, e a questão passa a ser se essa dupla supera qualquer um dos modelos usados isoladamente.As fichas técnicas não registram como modelos de imagem e de linguagem falham depois que entram em produção, e esses incidentes são catalogados no Arquivo de Incidentes de IA da OrcaRouter, em que cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.

O que cada um realmente devolve

Este é o argumento inteiro em duas linhas, e é por isso que vale a pena escrever sobre o confronto em vez de descartá-lo: os tipos de saída são disjuntos.

• Saída — o Fibo 2.0 retorna uma imagem, com fidelidade de edição multi-referência de até alto nível; o Gemma 4 12B retorna tokens de texto e não possui nenhum tipo de decodificador de imagem.

• Entrada — O Fibo 2.0 aceita texto e até quatro imagens de referência; o Gemma 4 12B aceita texto, imagens e áudio em uma única pilha sem codificador, com contexto de 256.000 tokens.

• Trabalho — Fibo 2.0 é um renderizador com um gargalo de prompt; Gemma 4 12B é um raciocinador com uma janela muito longa e sem caminho de renderização.

A consequência não é que um seja melhor. É que uma comparação Elo direta entre eles não é apenas indisponível, é sem sentido — ninguém nunca pediu a uma multidão que escolhesse entre um JPEG e um parágrafo.

Os números a que as pessoas recorrem, e por que eles não podem ser subtraídos

Ambos os modelos têm pontuações independentes confiáveis e medem coisas diferentes em escalas diferentes. O Fibo 2.0 está em 1.087,05 Elo no ranking AA-Image-Editing v2.1 da Artificial Analysis, 20º no geral e primeiro entre os modelos de pesos abertos, com intervalo de confiança de 1.073,05 a 1.101,05 em 4.819 confrontos. No AA-Image-T2I v2.1, ele está em 1.038,79, 21º no geral. O Gemma 4 12B tem um Índice de Inteligência de 14,18 — um composto de texto e raciocínio, não uma pontuação de preferência —, além de MMLU Pro 77,2, GPQA 78,8, AIME 77,5, Codeforces 1.659 e MMMU Pro 69,1.

Um Elo e um índice não são a mesma unidade, portanto, "o Fibo 2.0 é 1.072 pontos melhor" é aritmética entre escalas incompatíveis. O que os números de fato sustentam é uma divisão de trabalho, porque o MMMU Pro com 69,1 — raciocínio multimodal sobre imagens — é precisamente a capacidade que lê uma fotografia de origem e decide o que deve mudar nela. O Fibo 2.0 não consegue fazer isso. Ele só consegue executar uma descrição que recebe.

O Gemma 4 12B é a metade que faltava de um pipeline Fibo

O motivo para emparelhá-los é específico da forma como o Fibo 2.0 foi construído. A Bria o treina e documenta com base no VGL — Visual GenAI Language —, um formato estruturado de legenda em JSON com campos nomeados para sujeito, composição, iluminação, câmera, estilo e texto na imagem. O modelo aceita uma frase, mas é mais previsível com o esquema, porque seu codificador de prompt Qwen3-VL-4B é comprimido por um resampler Perceiver de duas camadas em 256 a 512 tokens de essência, e os limites dos campos sobrevivem a esse gargalo de uma forma que uma frase corrida não sobrevive.

Escrever JSON em conformidade com o esquema à mão é tedioso e propenso a erros. Entregá-lo a um modelo de linguagem não é nem uma coisa nem outra. O Gemma 4 12B com contexto de 256K pode manter o esquema, a imagem de origem, um guia de estilo da casa e um lote de exemplos em uma única janela, emitir um objeto VGL validado e — esta é a parte que importa — observar o resultado renderizado e decidir se a edição teve efeito. Esse segundo papel é um ciclo de feedback que o Fibo 2.0 não consegue executar sozinho, porque não tem como inspecionar a própria saída.

• Primeiro passo — o Gemma 4 12B lê a imagem de referência e o briefing e emite JSON VGL. Seu MMMU Pro 69.1 é a credencial relevante, não sua pontuação em código.

• Etapa dois — o Fibo 2.0 renderiza ou edita a partir desse JSON, no modo Dev com 50 etapas se a qualidade importar, ou no Edit Turbo com quatro etapas se a produtividade importar.

• Passo três — o Gemma 4 12B compara o resultado com o briefing e aprova ou emite um JSON corrigido. Duas passagens detetam a maioria das falhas de texto em imagem e de bordas de máscara.

• Etapa quatro — qualquer coisa que sobreviva ao ciclo vai para uma pessoa, o que é uma fila muito menor do que revisar cada render.

Nenhum dos modelos faz isso bem sozinho. O Fibo 2.0 não tem autoverificação; o Gemma 4 12B não tem renderizador. O pipeline é o produto.

Licença: a única linha em que a comparação é genuinamente direta

Ambos são pesos abertos. Apenas um é utilizável em um produto sem uma conversa.

• Fibo 2.0 — CC BY-NC 4.0 na ficha do modelo para uso não comercial; o uso comercial exige um acordo separado com a Bria. O repositório no Hugging Face tem acesso restrito no modo "auto", com um formulário de empresa e uso pretendido.

• Gemma 4 12B — Apache-2.0, sem restrições de acesso, sem restrição de campo de uso, sem contrato separado. Baixe e distribua.

• O que isso significa para o par — um pipeline interno de pesquisa pode usar ambos hoje. Um produto comercial pode usar o Gemma 4 12B hoje e precisa da assinatura da Bria para o renderizador.

• Por que o termo da Bria é defensável — o corpus de treinamento é composto por cerca de um bilhão de imagens licenciadas pelas quais a empresa pagou. Liberar pesos que permitam a qualquer pessoa concorrer por baixo do preço da própria API da empresa com base nesse corpus, de graça, seria entregar o ativo que o corpus comprou. A cláusula não comercial é o mecanismo que impede isso.

Esta é a única comparação no artigo que se comporta como uma comparação normal de modelos: a mesma pergunta, o mesmo formato de resposta, um vencedor claro. A Apache-2.0 vence. Acontece que é simplesmente a linha menos interessante, porque a licença não lhe diz qual modelo usar para quê — diz-lhe se tem permissão para o usar, e é a primeira coisa a verificar, e não a última.

Custo do par em relação ao custo da API

O Fibo 2.0 por meio da API da Bria custa $0.032 por imagem, $0.0288 no nível mais barato Fibo Lite e $0.02 por chamada se você usar o serviço de prompt estruturado da própria Bria em vez de escrever o VGL por conta própria. O Artificial Analysis lista seu pricePer1kImages em $32.00, consistente com a tarifa divulgada. Vale a pena parar para pensar nessa linha de $0.02 do prompt estruturado, porque é exatamente a tarefa que está sendo entregue ao Gemma 4 12B acima — e o Gemma 4 12B, com 12B parâmetros, é barato o suficiente para executar que a questão é se escrever o JSON por conta própria sai mais barato do que pagar duas vezes por imagem.

• Somente Fibo 2.0, prompt de texto livre — US$ 0,032 por imagem.

• Fibo 2.0, além do serviço de prompts estruturados da Bria — US$ 0,052 por imagem, sem necessidade de modelo de raciocínio.

• Fibo 2.0 mais Gemma 4 12B escrevendo o JSON — $0.032 por imagem, mais o que o 12B custar para você. Em uma GPU alugada executando o 12B localmente, isso geralmente custa menos de dois centavos de geração por prompt; por meio de um endpoint hospedado, depende inteiramente do preço de entrada do provedor, porque o prompt carrega uma imagem.

A rota auto-hospedada também oferece algo que a API não consegue: a autoverificação em duas passagens. O serviço de prompts estruturados da Bria produz o JSON; ele não examina a renderização depois. Um Gemma 4 12B local pode fazer isso e, para qualquer coisa em que a renderização de texto ou as bordas da máscara importem, é dessa revisão que a qualidade realmente vem.

Executando o Gemma 4 12B ao lado do renderizador

O Gemma 4 12B na sua forma de 12B não está no catálogo do OrcaRouter, portanto trate isso como um fato em vez de tentar contorná-lo. O que está no catálogo são os irmãos maiores do Gemma 4: google/gemma-4-26b-a4b-it a US$ 0,06 de entrada e US$ 0,33 de saída por milhão de tokens, e google/gemma-4-31b-it a US$ 0,13 e US$ 0,38. Qualquer um dos dois escreverá VGL JSON; ambos custam mais por chamada do que o 12B, mas oferecem uma margem de raciocínio maior para a etapa de revisão, que é a metade do loop que se beneficia de mais capacidade.

Essa é a forma do argumento do OrcaRouter aqui, e é um argumento estreito. O renderizador é da Bria, acessado pela API da Bria ou por pesos auto-hospedados. O modelo que escreve e verifica os prompts pode ficar atrás de uma única chave, junto com todo o resto da sua stack — mais de 200 modelos, preços de tabela dos provedores repassados com 0% de markup, failover automático quando um endpoint se degrada, e o DSL de roteamento para encadear as etapas de escrita-renderização-revisão em uma única chamada, em vez de três bibliotecas de cliente. Se a Bria reduzir a tarifa por imagem, a metade inalterada da sua fatura não precisa de uma migração para refletir isso.

O que o OrcaRouter não faz é servir o Fibo 2.0. Qualquer página que afirme que um único endpoint cobre as duas metades deste pipeline está descrevendo um produto que não existe.

Qual você realmente precisa

Pergunte qual é o entregável. Se for uma imagem, o Gemma 4 12B não é candidato e nunca foi — não consegue produzir uma, a nenhum preço, sob nenhuma licença, independentemente da forma como o ranking seja lido. Se o entregável for uma decisão sobre uma imagem — esta fotografia é utilizável, este layout corresponde ao manual de marca, o que deve mudar nesta cena — o Fibo 2.0 é a ferramenta errada e o seu Elo de 1.087 é irrelevante.

O caso de pareamento é aquele para o qual vale a pena construir, e é o que o lançamento torna agora praticável. O formato VGL do Fibo 2.0 é uma interface legível por máquina, e uma interface legível por máquina é o que permite a um modelo de linguagem comandar um renderizador de forma confiável, em vez de torcer para que um prompt em texto livre dê certo. Antes deste lançamento, a geração e a edição do Fibo eram checkpoints separados com comportamentos distintos; agora, um único conjunto de pesos cobre ambos, o esquema está documentado e o pacote bria-vgl dá a um modelo de linguagem algo concreto contra o que validar. A comparação interessante nunca foi Fibo 2.0 contra Gemma 4 12B. É Fibo 2.0 mais Gemma 4 12B contra um diretor de arte humano com uma assinatura de banco de imagens, e, em volume, não há nem comparação.