Fibo 2.0 vs Gemma 4 12B: Den ena ritar bilden, den andra skriver prompten för den

Ställ Fibo 2.0 och Gemma 4 12B bredvid varandra på ett specifikationsblad och jämförelsen faller samman omedelbart, eftersom de inte svarar på samma fråga. Fibo 2.0 är en 8B-bildmodell som släpptes av Bria den 20 oktober 2026: du ger den en beskrivning eller en bild, och den returnerar pixlar. Gemma 4 12B är Googles 11,95B täta multimodala språkmodell, Apache-2.0, tillgänglig sedan 23 maj 2026: du ger den text, bilder eller ljud och den returnerar text, aldrig en bild. Varje sida med "Fibo 2.0 vs Gemma 4 12B" som rangordnar dem mot varandra rangordnar en renderare mot en skribent. Den användbara versionen av denna jämförelse är den där de inte alls är rivaler — där Gemma 4 12B skriver den strukturerade prompten och Fibo 2.0 renderar den, och frågan blir om det paret överträffar endera modellen när den används ensam. Specifikationsblad registrerar inte hur bild- och språkmodeller misslyckas när de väl är i produktion, och dessa incidenter katalogiseras i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, förtroendegrad och en flagga för omstridd status.

Vad var och en faktiskt lämnar tillbaka

Det här är hela argumentet i två rader, och det är därför mötet är värt att skriva om i stället för att avfärda: utdatatyperna är disjunkta.

• Utdata — Fibo 2.0 returnerar en bild, med upp till trohet vid redigering med flera referenser; Gemma 4 12B returnerar texttoken och har ingen bildavkodare av något slag.

• Indata – Fibo 2.0 tar text och upp till fyra referensbilder; Gemma 4 12B tar text, bilder och ljud i en enda kodarfri stack, med ett kontextfönster på 256 000 token.

• Jobb — Fibo 2.0 är en renderare med en promptflaskhals; Gemma 4 12B är en resonerare med ett mycket långt fönster och ingen renderingsväg.

Konsekvensen är inte att den ena är bättre. Det är att en direkt Elo-jämförelse mellan dem inte bara är otillgänglig, den är meningslös – ingen har någonsin bett en publik att välja mellan en JPEG och ett stycke.

Siffrorna som människor tar till, och varför de inte kan subtraheras

Båda modellerna har trovärdiga oberoende poäng, och de mäter olika saker på olika skalor. Fibo 2.0 ligger på 1 087,05 Elo på resultattavlan AA-Image-Editing v2.1 från Artificial Analysis, 20:e totalt och först bland modeller med öppna vikter, med ett konfidensintervall på 1 073,05 till 1 101,05 över 4 819 matcher. På AA-Image-T2I v2.1 ligger den på 1 038,79 och är 21:a totalt. Gemma 4 12B har ett Intelligence Index på 14,18 – ett sammansatt text- och resonemangsindex, inte en preferenspoäng – tillsammans med MMLU Pro 77,2, GPQA 78,8, AIME 77,5, Codeforces 1 659 och MMMU Pro 69,1.

Ett Elo-värde och ett index är inte samma enhet, så "Fibo 2.0 är 1 072 poäng bättre" är aritmetik på inkompatibla skalor. Det siffrorna däremot stöder är en arbetsfördelning, eftersom MMMU Pro på 69,1 – multimodalt resonemang över bilder – är exakt den förmåga som läser ett källfotografi och avgör vad som bör ändras i det. Fibo 2.0 kan inte göra det. Det kan bara utföra en beskrivning som det får.

Gemma 4 12B är den saknade halvan av en Fibo-pipeline

Anledningen till att para ihop dem är specifik för hur Fibo 2.0 byggdes. Bria tränar och dokumenterar det mot VGL — Visual GenAI Language — ett strukturerat JSON-bildtextformat med namngivna fält för motiv, komposition, ljussättning, kamera, stil och text-i-bild. Modellen accepterar en mening, men den är mer förutsägbar med schemat, eftersom dess Qwen3-VL-4B-promptkodare komprimeras genom en tvålagers Perceiver-resampler till 256 till 512 gist-token, och fältgränser överlever den flaskhalsen på ett sätt som en enda lång mening inte gör.

Att skriva schemakonform JSON för hand är tråkigt och felbenäget. Att överlåta det till en språkmodell är varken det ena eller det andra. Gemma 4 12B med 256K kontext kan hålla schemat, källbilden, en intern stilguide och en omgång exempel i ett och samma fönster, avge ett validerat VGL-objekt och – det här är den viktiga delen – titta på det renderade resultatet och avgöra om redigeringen landade. Den andra rollen är en återkopplingsslinga som Fibo 2.0 inte kan köra på egen hand, eftersom den inte har något sätt att granska sin egen utdata.

• Steg ett – Gemma 4 12B läser referensbilden plus briefen och emitterar VGL JSON. Dess MMMU Pro 69.1 är den relevanta meriten, inte dess kodpoäng.

• Steg två – Fibo 2.0 renderar eller redigerar från den JSON:en, i Dev-läge vid 50 steg om kvalitet är viktigt, eller Edit Turbo vid fyra steg om genomströmning är det.

• Steg tre – Gemma 4 12B jämför resultatet med briefen och godkänner antingen det eller skickar ut en korrigerad JSON. Två pass fångar de flesta fel med text-i-bild och maskkanter.

• Steg fyra – allt som överlever loopen går till en människa, vilket är en mycket mindre kö än att granska varje rendering.

Ingen av modellerna klarar detta bra på egen hand. Fibo 2.0 har ingen självkontroll; Gemma 4 12B har ingen renderare. Pipelinen är produkten.

Licens: den enda raden där jämförelsen är genuint direkt

Båda har öppna vikter. Endast en kan användas i en produkt utan en konversation.

• Fibo 2.0 — CC BY-NC 4.0 på modellkortet för icke-kommersiell användning; kommersiell användning kräver ett separat avtal med Bria. Hugging Face-repositoriet är åtkomstbegränsat till "auto" med ett formulär för företag och avsedd användning.

• Gemma 4 12B — Apache-2.0, ingen gating, inga begränsningar för användningsområde, inget separat avtal. Ladda ner och leverera.

• Vad det innebär för paret — en intern forskningspipeline kan använda båda idag. En kommersiell produkt kan använda Gemma 4 12B idag och behöver Brias signatur för renderaren.

• Varför Brias villkor är försvarbart — träningskorpusen består av ungefär en miljard licensierade bilder som företaget har betalat för. Att släppa vikterna som låter vem som helst gratis konkurrera ut företagets egen API på den korpusen skulle skänka bort den tillgång som korpusen köpte. Det icke-kommersiella villkoret är mekanismen som förhindrar det.

Detta är den enda jämförelsen i artikeln som beter sig som en vanlig modelljämförelse: samma fråga, samma svarsformat, en tydlig vinnare. Apache-2.0 vinner. Den råkar bara vara den minst intressanta raden, eftersom licensen inte talar om vilken modell du ska använda till vad – den talar om ifall du har tillåtelse att göra det, och den är det första man bör kontrollera snarare än det sista.

Kostnaden för paret jämfört med kostnaden för API:et

Fibo 2.0 via Brias API kostar $0,032 per bild, $0,0288 för den billigare Fibo Lite-nivån och $0,02 per anrop om du använder Brias egen tjänst för strukturerade prompter i stället för att skriva VGL själv. Artificial Analysis listar sitt pricePer1kImages som $32,00, vilket stämmer med det annonserade priset. Den där $0,02-raden för strukturerade prompter är värd att stanna upp vid, eftersom det är exakt jobbet som läggs på Gemma 4 12B ovan – och Gemma 4 12B med 12B parametrar är billig nog att köra att frågan är om det är billigare att skriva JSON själv än att betala två gånger per bild.

• Enbart Fibo 2.0, fritextprompt — 0,032 USD per bild.

• Fibo 2.0 plus Brias tjänst för strukturerade promptar — 0,052 USD per bild, och ingen resonemangsmodell krävs.

• Fibo 2.0 plus Gemma 4 12B som skriver JSON — $0,032 per bild plus vad 12B kostar dig. På en hyrd GPU som kör 12B lokalt är det vanligtvis mindre än två cent generering per prompt; via en hostad endpoint beror det helt på leverantörens prissättning för indata, eftersom prompten innehåller en bild.

Den självhostade vägen ger också något som API:et inte kan erbjuda: självkontrollen i två steg. Brias tjänst för strukturerade prompter producerar JSON:en; den tittar inte på renderingen efteråt. En lokal Gemma 4 12B kan det, och för allt där textrendering eller maskkanter spelar roll är det i den granskningen kvaliteten faktiskt uppstår.

Kör Gemma 4 12B bredvid renderaren

Gemma 4 12B i sin 12B-form finns inte i OrcaRouter-katalogen, så behandla det som ett faktum i stället för att försöka kringgå det. Det som finns i katalogen är de större Gemma 4-syskonen: google/gemma-4-26b-a4b-it till $0.06 för indata och $0.33 för utdata per miljon token, och google/gemma-4-31b-it till $0.13 och $0.38. Endera kan skriva VGL JSON; båda kostar mer per anrop än 12B men ger dig en större resonemangsmarginal för granskningssteget, vilket är den halva av loopen som drar nytta av mer kapacitet.

Det är formen för OrcaRouter-argumentet här, och det är ett snävt sådant. Renderaren är Brias, nås via Brias API eller självhostade vikter. Modellen som skriver och kontrollerar prompterna kan ligga bakom en enda nyckel tillsammans med allt annat i din stack — över 200 modeller, leverantörernas listpriser vidarebefordrade med 0 % påslag, automatisk failover när en endpoint försämras, och routnings-DSL:en för att kedja skriv-rendera-granska-stegen till ett enda anrop i stället för tre klientbibliotek. Om Bria sänker priset per bild behöver den oförändrade halvan av din faktura ingen migrering för att återspegla det.

Det som OrcaRouter inte gör är att tillhandahålla Fibo 2.0. Varje sida som hävdar att en enda slutpunkt täcker båda halvorna av denna pipeline beskriver en produkt som inte finns.

Vilken du faktiskt behöver

Fråga vad leverabeln är. Om det är en bild är Gemma 4 12B inte en kandidat och har aldrig varit det — den kan inte producera en, till vilket pris som helst, under vilken licens som helst, oavsett hur resultattavlan läses. Om leverabeln är ett beslut om en bild — går det här fotot att använda, matchar den här layouten varumärkesguiden, vad bör ändras i den här scenen — är Fibo 2.0 fel verktyg och dess 1,087 Elo är irrelevant.

Kombinationsfallet är det som är värt att bygga för, och det är just det som lanseringen gör praktiskt möjligt på ett nytt sätt. Fibo 2.0s VGL-format är ett maskinläsbart gränssnitt, och ett maskinläsbart gränssnitt är det som låter en språkmodell styra en renderare pålitligt i stället för att hoppas att en fritextprompt träffar rätt. Före den här lanseringen var Fibos generering och redigering separata checkpoints med separat beteende; nu täcker en uppsättning vikter båda, schemat är dokumenterat och paketet bria-vgl ger en språkmodell något konkret att validera mot. Den intressanta jämförelsen var aldrig Fibo 2.0 mot Gemma 4 12B. Det är Fibo 2.0 plus Gemma 4 12B mot en mänsklig art director med en prenumeration på stockfoton, och volymmässigt är det inte i närheten.