Fibo 2.0 Dev når ModelScope: Checkpointen som Bria faktiskt byggde för finjustering

Publiceringen av Fibo 2.0 Dev på ModelScopes kinesiska webbplats skapades kl. 17:03 UTC den 20 oktober 2026 – samma dag som Bria släppte modellen – och en kopia på den internationella webbplatsen dök upp två dagar senare, kl. 09:55 UTC den 22 oktober. Ingen av speglingarna har flyttat sig långt sedan dess: den kinesiska publiceringen hade 691 nedladdningar och den internationella 59 när den kontrollerades den här veckan, och båda har ett licensfält som, inte särskilt hjälpsamt, står som "other". Nedladdningssiffrorna är inte det viktiga. Det viktiga är vad ModelScopes egen ingenjörsstack säger om checkpoints, eftersom DiffSynth-Studios Fibo-dokumentation nu säger det rakt ut: endast Fibo 2.0 Dev är träningsbar.

Det är värt att ta sig tid med. Bria (företaget bakom modellen) lanserade Fibo 2.0 den 20 oktober 2026 som en öppenviktsmodell med 8,13 miljarder parametrar som utför text-till-bild-generering och instruktionsredigering med en enda uppsättning vikter, och publicerade två checkpoints under det namnet – den fullständiga basmodellen och en destillerad redigerare. ModelScope, det kinesiska modellnavet vars DiffSynth-Studio-projekt levererar träningsskripten, har nu integrerat båda och dragit den gräns utvecklare har väntat på att se: den destillerade checkpointen är en driftsättningsartefakt, medan den icke-destillerade är den man kan lära upp.

Vad finns det egentligen på ModelScope, och vad finns det inte?

Två listningar finns, och de är speglingar av samma vikter, inte en ombyggnad. Kinasajten listar briaai/Fibo-2.0-dev under uppgiften text-to-image-synthesis med biblioteken pytorch, lora, safetensors och diffusers – förekomsten av lora i den listan är en liten ledtråd om avsikten. Den internationella sajten har samma modell-ID med sin egen, mycket mindre nedladdningsräknare. Båda pekar tillbaka på det åtkomstskyddade Hugging Face-repositoriet i stället för att vara värd för en separat kopia, så den som behöver de faktiska filerna måste fortfarande gå genom Brias formulär för icke-kommersiell åtkomst.

Två detaljer är värda att påpeka, eftersom de kommer att förvirra någon som läser listningen isolerat. Uppgiftsetiketten anger endast text-till-bild, vilket underskattar checkpointen: Fibo 2.0 Dev utför både generering och redigering med samma vikter, och redigeringsvägen är den som de flesta team intresserar sig mest för. Och licensfältet anger "other" i stället för "CC BY-NC 4.0", vilket är en metadatalucka, inte en annan licens – licensen är fortfarande Bria:s icke-kommersiella licens, och den är den enskilt största begränsningen för allt du finjusterar ovanpå den här checkpointen.

Tajmingen spelar också roll för hur nyheten bör läsas. Vikterna lades upp på Hub 18–19 oktober, Artificial Analysis hade en ögonblicksbild senast den 20 oktober, ComfyUI införlivade inbyggt stöd den 21 oktober och ModelScopes internationella spegel fylldes i den 22 oktober. Fibo 2.0 Dev är en nio dagar gammal checkpoint i en distributionsfas som fortfarande pågår, inte ett gammalt släpp som återupplivas.

Dev kontra Edit Turbo är en riktig fork, inte bara en namnfråga.

Bria publicerade två checkpoints under ett och samma utgivningsnamn, och skillnaden avgör allt nedströms:

• Sampling — Fibo 2.0 Dev kör 50 steg med classifier-free guidance på 5,0; Fibo 2.0 Edit Turbo kör 4 steg med guidance fast på 1,0, vilket innebär ingen guidance alls.

• Uppgiftstäckning — Dev hanterar text-till-bild och redigering; Turbo hanterar endast redigering, så en text-till-bild-prompt mot Turbo är fel verktyg snarare än ett långsammare svar.

• Negativa prompter – de fungerar på Dev eftersom CFG är på; på Turbo finns det ingen CFG att styra, så en negativ prompt har ingen spak att dra i.

• Tränbarhet — det är den här förgreningen som spelar roll här. DiffSynth-Studios Fibo-sida är tydlig med att endast Fibo-2.0-dev är ett träningsobjekt; Turbo beskrivs som inte avsett för finjustering.

• Inferenskostnad per bild — Turbo är ungefär en storleksordning billigare att köra för det snäva ändamål den tjänar, vilket är precis varför ingen bör finjustera den för att jaga ikapp det gapet.

Under skalet är de samma form: en flödesmatchande diffusionstransformer som arbetar i FLUX.2 VAE-latentutrymmet, en BF16-DiT med 8 127 342 213 parametrar och 44 single-stream-block, varav fem använder korsattention mot en Qwen3-VL-4B-Instruct-textkodare vars utdata pressas samman till 256–512 "gist"-token av en tvålagers Perceiver-resampler. Repot upptar cirka 25,5 GB totalt – en transformer på 16,3 GB, en textkodare på 8,9 GB och en VAE på 0,34 GB – och det är den siffran man bör budgetera för, inte 8B-rubriken.

Träningsreceptet: frysta kodare, en träningsbar DiT.

ModelScopes bidrag är inte ännu en spegel utan en uppsättning skript, och utformningen är konventionell på det sätt som gör den användbar. Träningen återanvänder samma FiboPipeline som används för inferens och körs via examples/fibo/model_training/train.py. VAE:n och textkodaren är frysta; DiT tränas med flödesmatchning. Det valet är det förnuftiga – att finjustera en Qwen3-VL-4B-kodare tillsammans med en 16 GB-transformer på en enda nod är ett annat projekt – men det innebär också att en finjustering kan styra om stil, komposition och redigeringsbeteende utan att lära modellen ett genuint nytt språk för promptar.

Två nivåer stöds, och båda är endast DiT:

• Full finjustering — ange --trainable_models "dit" och låt Accelerate hantera den distribuerade konfigurationen; hela transformatorn flyttas, inget annat.

• LoRA — koppla adaptrar till DiT med --lora_base_model "dit", ange målmoduler och rank, och återuppta valfritt från en checkpoint; de medföljande LoRA-skripten använder som standard en enda GPU.

Redigering är ett förstklassigt träningsmål snarare än en eftertanke. Redigeringskörningar injicerar edit_image och en valfri mask via --extra_inputs, och en UnifiedDataset läser dessa kolumner från metadata; rader utan masker tränas som vanliga redigeringsexempel i stället för att kastas bort. Eftersom generering och redigering delar vikter kan en enda finjustering lära ett nytt domänområde och hur man redigerar inom det – Brias eget modellkort gör den argumentationen för varumärkes- och stil-LoRA:er, vertikala specialister och smala uppgiftsredigerare, och levererar en LoRA-tränare för en enda GPU med en guide för datapreparering i repots fine_tuning/-mapp.

De två exempeldatauppsättningarna visar det schema som du förväntas producera: DiffSynth-Studio/diffsynth_example_dataset, med en fibo/Fibo-2.0-dev-delmängd som innehåller en metadata-CSV med bild och prompt, och en fibo/Fibo-2.0-dev-Edit-delmängd som innehåller metadata-JSON med bild, prompt, edit_image och valfri mask. Ingenting i det schemat är exotiskt; arbetet ligger i att producera bildtexterna.

VRAM: delen som modellkortet inte kvantifierar

Det finns inget publicerat minimikrav. DiffSynth-dokumentationen rekommenderar konfigurationer för låg VRAM och automatisk VRAM-hantering utifrån återstående minne i stället för att ange en nedre gräns, och exempelkonfigurationen visar vad de förväntar sig: ladda och förbered i FP8 E4M3, beräkna i BF16, offloada till disk och begränsa den totala användningen till totalt CUDA-minne minus 0,5 GB. Det är ett recept skrivet av människor som vet att svaret beror på ditt kort, din upplösning och om gradient checkpointing är påslaget – och de är ärliga om det. Planera för offload och acceptera att en finjustering på en megapixel kommer att vara långsam innan den blir bra.

Strukturerad JSON är gränssnittet, så din datauppsättning måste tala det

Fibos kontrollyta är inte en promptruta. Modellen tränades på Visual GenAI Language (VGL)-bildtexter – strukturerad JSON där ljus, komposition, stil, kamera och objekt är fält som kan adresseras oberoende av varandra – och inferenspipelinen returnerar bildtexten tillsammans med bilden den genererade. Hjälparen bria-vgl exponerar create() för generering och modify() för redigeringar, så du förväntas inte skriva JSON:en för hand; en hostad VLM gör expansionen om du inte själv skriver den.

Det har en direkt konsekvens för finjusteringen som lanseringsbevakningen mestadels hoppade över. Om du tränar på fritextprompter tränar du DiT mot ett bildtextsformat som den inte byggdes för, och den kontroll du hoppades vunna är det första som försvinner. Att lagra VGL-bildtexter i din metadata – antingen genererade av pipelinen och sedan redigerade, eller avsiktligt författade – bevarar beteendet hos de adresserbara fälten, och det är skillnaden mellan en LoRA som flyttar en stil och en LoRA som flyttar en stil utan att förstöra resten av bilden. Om din träningsdata består av bilder utan bildtexter är bildtextsättningen det dyra steget, och det är ett språkmodellsjobb.

Verktygsstödet kom på plats snabbare än vad de flesta nya checkpoints gör.

För en nio dagar gammal modell är den omgivande stacken ovanligt komplett, vilket är en del av varför ModelScope-integrationen är en mindre sak än den verkar och en mer användbar sådan än enbart en spegel.

• diffusers — en BriaFibo2Pipeline lades in som PR #14991, vilket är den väg som de flesta inferenskod kommer att ta.

• ComfyUI – inbyggt stöd sammanfogades 21 oktober som PR #17240 och levererades i v0.43.0, vilket tillför en fibo2-textkodartyp som laddar den officiella Qwen3-VL-4B och en TextEncodeFibo2-nod som hanterar VGL-prompter och referensbilder. BF16- och INT8-ompackningar följer den laddarens layout, och GGUF-arkitekturstöd finns för kvantiserade lokala körningar.

• ModelScope / DiffSynth-Studio — inferens- och träningsskript på ett ställe, vilket är den del ett team som standardiserar på DiffSynth faktiskt behöver innan det kan planera en finjustering.

Muren som ingen nämner: CC BY-NC 4.0

Fibo 2.0 har öppna vikter, inte öppen källkod, och gapet mellan de två fraserna är hela den kommersiella frågan. Checkpointarna är CC BY-NC 4.0: endast icke-kommersiell användning, med kommersiell driftsättning som kräver ett separat avtal med Bria, och Hugging Face-repositorierna är spärrade bakom ett företag och ett formulär för avsedd användning. En varumärkes-LoRA tränad på Fibo 2.0 Dev är en forskningsartefakt tills det avtalet finns – vilket är en märklig plats att placera "precis vad utvecklare vill bygga vidare på", men det är den korrekta platsen. Jämför alternativen med öppna vikter som tillåter kommersiell användning direkt, och licensen, inte Elo, blir den avgörande linjen för alla som lanserar.

Kvalitetsbilden är också snävare än rubriken. På Artificial Analysis AA-Image-Editing v2.1 ligger Fibo 2.0 på 1 088 Elo med ett intervall på ±14 baserat på 5 009 blindröster – tjugotredje totalt och etta bland redigerare med öppna vikter, även om den har glidit ned en eller två placeringar sedan lanseringens ögonblicksbild. Qwen-Image-2.1 ligger på 1 081 ±13, och intervallen överlappar nästan helt, så ledningen bland öppna vikter är snarare en tiebreak än ett bevis. På AA-Image-T2I v2.1 vänds ordningen: 1 039 ±12 för Fibo 2.0 mot Qwen-Image-2.1:s 1 042 ±12. Bria:s eget modellkort är ännu mindre smickrande i de snäva kategorierna – det listar textåtergivning och layout på placeringar i slutet av tonåren till början av tjugotalet, och mänsklig anatomi på artonde plats. En finjustering kan försöka åtgärda dessa svagheter, men den kan inte överträffa vad encodern förstår.

Var routing passar, och var det inte gör det

Den ärliga uppdelningen: Fibo 2.0 finns inte i OrcaRouters katalog, så inget här är en pitch om att "anropa Fibo via oss". Det routing köper är den andra halvan av pipelinen. De två språkmodellsuppgifterna kring denna checkpoint – att skriva VGL-bildtexter för ett träningsset och att expandera korta prompter till strukturerad JSON vid inferens – är vanliga textarbetsbelastningar, och det är de som avgör om en finjustering överhuvudtaget är möjlig. OrcaRouter erbjuder ett API för 200+ modeller med 0 % påslag, så leverantörernas listpriser går rakt igenom och en leverantörsandel når din faktura samma dag; automatisk failover mellan leverantörer gör att en bildtextningskörning för några tusen bilder inte fallerar på grund av en enda uppströmsleverantör; och routing-DSL kan låsa en billig modell för massbildtextning medan de svåra fallen skickas till något starkare, med modellfusion tillgänglig när en enda bildtextare ständigt missar ett fält. Bildmodellen stannar där den är; texten omkring den kan routas.

Det som är värt att följa härnäst är Brias egen färdplan, som modellkortet listar som lokal redigering över flera turer, borttagning av bakgrund, en LoRA för produktbilder, maskradering och outpainting – allt detta skulle först komma till Dev-checkpointen, eftersom Dev är den som har en träningsloop. ModelScope-speglarna är den tråkiga halvan av den här historien. Meningen i DiffSynth, "endast Fibo-2.0-dev är träningsbar", är den användbara halvan, och det är orsaken till att ladda ned det 25,5 GB stora repositoriet i stället för att anropa API:et.