Fibo 2.0 vs LFM2.5 2.6B Base: 2,7 bilhões de parâmetros de texto, ou 8,1 bilhões de parâmetros de imagens

A diferença de tamanho é a primeira coisa que qualquer um nota e a menos útil nela. O Fibo 2.0, lançado pela Bria em 20 de outubro de 2026, tem 8.127.342.213 parâmetros e retorna imagens. O LFM2.5 2.6B Base, lançado pela Liquid AI em 1 de agosto de 2026, tem 2,69 bilhões e retorna texto — e não texto finalizado, mas o comportamento bruto de continuação de um checkpoint base pré-treinado sem qualquer ajuste por instruções aplicado. Perguntar qual é melhor é como perguntar se uma câmera é melhor que um dicionário. A pergunta que tem resposta é mais estreita e mais prática: cada um é a menor opção aberta crível em sua própria categoria, e saber onde fica o piso de cada categoria diz qual deles a sua restrição de fato elimina.Nenhum dos cards de modelo registra o que acontece quando um checkpoint como esse é implantado de forma inadequada, e os incidentes registrados estão catalogados em the OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e flag de disputa.

O piso, em ambas as direções

Ambos os modelos são interessantes pelo mesmo motivo estrutural — cada um fica perto do limite inferior do que é viável para a sua função — e esse é o único eixo em que são minimamente comparáveis.

• Parâmetros — Fibo 2.0 8,127,342,213 em BF16; LFM2.5 2.6B Base 2,69 bilhões. Uma proporção de aproximadamente três para um em pesos, que é aproximadamente a mesma proporção em memória também.

• Saída — Fibo 2.0 retorna uma imagem; LFM2.5 2.6B Base retorna tokens de texto e nada mais.

• Onde ele roda — o Fibo 2.0 precisa de uma GPU com VRAM suficiente para um transformer de difusão de 44 blocos em 50 etapas, ou quatro etapas na variante Turbo; o LFM2.5 2.6B Base é distribuído nos formatos GGUF, ONNX e MLX e foi projetado para rodar em um celular, um laptop ou um computador de placa única.

• Estado de ajuste — Fibo 2.0 Dev é uma base não destilada com classifier-free guidance, documentada para ajuste fino; o LFM2.5 2.6B Base é apenas pré-treinado, sem comportamento de seguir instruções até que alguém o ajuste.

• Licença — Fibo 2.0 está sob CC BY-NC 4.0 para uso não comercial, com uso comercial mediante acordo; LFM2.5 2.6B Base está sob a licença LFM 1.0, que permite uso comercial sujeito aos seus próprios termos.

• Pontuações — o Fibo 2.0 está em 1.087,05 Elo no AA-Image-Editing v2.1, primeiro entre os modelos de pesos abertos; o LFM2.5 2.6B Base tem um Índice de Inteligência estimado de 8,39, GPQA de 55,8%, Terminal-Bench 2.1 com 4,5% e HLE de 6,2%.

Essas duas linhas de pontuação não podem ser colocadas na mesma frase como comparação. Uma é uma pontuação de preferência do público sobre imagens renderizadas; a outra é uma pontuação composta em benchmarks de texto. O único uso honesto de ambas é caracterizar para que serve cada modelo.

O que um checkpoint base realmente é, porque o nome engana

“Base” em LFM2.5 2.6B Base não é uma forma modesta de dizer “padrão”. Significa que o modelo foi treinado com 34 trilhões de tokens de previsão do próximo token e nada mais — sem ajuste de instruções, sem template de chat, sem comportamento de recusa, sem consciência de que uma pergunta é uma pergunta. Dê a ele “Resuma este e-mail:” e ele continuará a string no estilo que os dados de pré-treinamento sugerirem, que pode ser o restante de uma thread de e-mail em vez de um resumo.

Isso o torna um bom ponto de partida e um produto ruim. A Liquid AI o disponibiliza para quem pretende fazer ajuste fino, e a arquitetura é escolhida para essa tarefa: 30 camadas, 22 convoluções curtas com duplo gate e 8 camadas de atenção com consultas agrupadas, um vocabulário de 128K, um contexto de 131.072 tokens e cobertura de 16 idiomas no pré-treinamento. A pilha com muita convolução é o motivo de ele caber em um telefone — o custo da atenção cresce com o contexto e o das convoluções não, que é toda a tese de design.

• Arquitetura — 30 camadas: 22 blocos de convolução curta com duplo gate e 8 blocos GQA, vocabulário de 128K.

• Treinamento — 34 trilhões de tokens, 16 idiomas, somente pré-treinado.

• Contexto — 131.072 tokens, que é o número que a pilha de convolução foi projetada para tornar acessível.

• Formatos — GGUF, ONNX e MLX, de modo que llama.cpp, ONNX Runtime e Apple silicon são todos alvos de primeira classe.

• O que ele não faz — seguir instruções, manter uma conversa ou produzir qualquer coisa além de uma continuação de texto, até que você o ajuste.

A comparação com o checkpoint Dev do Fibo 2.0 é mais próxima do que parece à primeira vista. O Fibo 2.0 Dev também é uma base — não destilado, 50 passos com classifier-free guidance em 5.0, explicitamente o checkpoint que a Bria indica para fine-tuning. Ambos os projetos entregam um alvo de tuning junto com, ou em vez de, um produto utilizável. A diferença é que o Fibo 2.0 Edit Turbo existe como a versão utilizável dos mesmos pesos, destilado para quatro passos sem guidance, enquanto o LFM2.5 2.6B precisa ser ajustado antes de ser utilizável.

Licença e o custo real do "aberto"

Ambos os modelos podem ser baixados. O que você pode fazer com eles diverge acentuadamente, e em uma direção que inverte a intuição habitual sobre tamanho: o modelo minúsculo é o utilizável comercialmente.

• Fibo 2.0 — CC BY-NC 4.0 para uso não comercial. O uso comercial exige um acordo separado com a Bria. O repositório no Hugging Face tem acesso restrito mediante um formulário de empresa e uso pretendido.

• LFM2.5 2.6B Base — licença LFM 1.0, que permite implantação comercial sob seus próprios termos. Sem negociação por uso, embora os termos não sejam Apache-2.0 e mereçam ser lidos em vez de presumidos.

• Por que a condição da Bria é o que é — o corpus de treinamento é composto por cerca de um bilhão de imagens licenciadas pelas quais a empresa pagou. Pesos gratuitos que permitissem a qualquer pessoa oferecer preços menores que a própria API da Bria usando esse corpus entregariam de graça o ativo que o corpus comprou.

• A divisão prática — um pipeline interno de pesquisa pode usar ambos amanhã. Um produto em produção pode incorporar o LFM2.5 2.6B Base em um dispositivo amanhã e não pode lançar o Fibo 2.0 sem uma assinatura.

Isto não é uma crítica à Bria. É a estrutura de custos dos dois problemas. A Liquid AI treinou com texto, a maior parte do qual é gratuita para licenciamento; a Bria treinou com fotografias, nenhuma das quais é. Os termos de licença acompanham os dados de entrada, não a qualidade do modelo, e esse é o lugar correto para eles acompanharem.

Onde eles se encontram: o assistente no dispositivo que descreve antes de renderizar

Há uma arquitetura na qual esses dois modelos pertencem ao mesmo sistema, e é por isso que este artigo é uma comparação, e não uma rejeição. O caminho de condicionamento do Fibo 2.0 recebe uma legenda JSON estruturada — VGL, a Visual GenAI Language da Bria — com campos nomeados para assunto, composição, iluminação, câmera, estilo e texto na imagem. Um modelo de texto de 2,6B que cabe no dispositivo que captura a foto é exatamente o tipo de coisa que poderia escrever esse JSON localmente, sem uma ida e volta.

Se consegue é uma questão diferente de se deveria. Uma base pré-treinada com índice estimado de 8,39, GPQA 55,8% e HLE 6,2% não vai emitir JSON válido conforme o schema de forma confiável a partir de uma fotografia sem ajuste fino específico para a tarefa — e ajustá-la em um corpus VGL é uma tarefa bem definida e de porte adequado a modelo pequeno. Essa é a versão honesta do argumento do meio-termo: o LFM2.5 2.6B Base é um substrato plausível para um gerador de legendas ajustado por fine-tuning, não para um pronto para uso.

• O que o 2.6B traz — ele roda onde a foto é tirada, com menos de 3 GB de pesos, sem rede, sem custo por chamada.

• O que ele precisa primeiro — ajuste fino supervisionado em exemplos no formato VGL, além de decodificação restrita ou uma gramática JSON para garantir saída válida.

• O que o renderizador traz — ele ainda precisa de uma GPU. A metade no dispositivo descreve; a metade no servidor desenha. Essa é a única divisão que funciona hoje.

• O que invalida a ideia — se a legenda tiver de ser boa, um modelo multimodal da classe 12B lê a imagem de origem melhor do que um modelo apenas de texto de 2,6B consegue, porque o de 2,6B não consegue ver a foto de modo algum.

Esse último ponto é o que decide a maioria dos projetos reais. O LFM2.5 2.6B Base recebe texto e produz texto. Ele consegue escrever uma legenda VGL a partir de um briefing escrito; não consegue olhar para a imagem que está descrevendo. Quem combinar os dois deve ter clareza sobre qual dessas tarefas está de fato contratando.

Obtendo cada um

O Fibo 2.0 vem da API da Bria a US$ 0,032 por imagem, da ferramenta de criação hospedada da Bria, por meio de nós do ComfyUI ou como pesos com acesso restrito no Hugging Face. O LFM2.5 2.6B Base vem do Hugging Face em GGUF, ONNX e MLX, sem restrição de acesso na versão base. Nenhum dos dois está no catálogo do OrcaRouter, e nenhuma das afirmações precisa ser suavizada: o Fibo 2.0 é um endpoint de imagem e a base 2.6B da Liquid é um checkpoint baixável, e um roteador não serve bem a nenhum dos dois.

O que um roteador de fato entrega é tudo o que está ao redor deles. O OrcaRouter opera uma única chave em mais de 200 modelos, com preços de tabela dos provedores repassados com 0% de markup, então uma mudança de preço de fornecedor no lado de texto aparece no dia em que acontece. Se você está construindo o pipeline de ajuste fino para um gerador de legendas VGL, o modelo que gera pares sintéticos de treinamento e o modelo que os avalia podem ambos ficar por trás dessa única chave, com failover automático enquanto você itera e a DSL de roteamento para distribuir um benchmark entre vários modelos em uma única chamada. O renderizador continua sendo da Bria. O ciclo de ajuste é onde o roteamento justifica seu lugar.

A decisão, dita claramente

Se sua restrição é onde o modelo é executado, o LFM2.5 2.6B Base não está competindo com o Fibo 2.0 — ele é o único dos dois que roda no dispositivo, e seu índice estimado de 8,39 é um teto que você está escolhendo de propósito em troca disso. Se sua restrição é qual é a saída, o Fibo 2.0 é o único dos dois que produz a saída, e seus 1.087 Elo entre os pesos abertos são o recorde atual para edição de imagens para download. Ninguém está escolhendo entre esses modelos. Estão escolhendo entre um alvo de implantação e um entregável, e essas são decisões diferentes que por acaso chegaram nas notícias da mesma semana.

A única questão genuinamente partilhada é a licença, e resolve-se da mesma forma para ambas as metades de uma versão comercial: a base de 2,6B é utilizável nos seus termos, o renderizador de 8B precisa do acordo da Bria, e o facto de o modelo mais pequeno ser o mais livre é uma questão dos dados de treino e não de engenharia. Planeie o produto em torno disso, e não em torno do número de parâmetros.