Fibo 2.0 vs LFM2.5 2.6B Base: 2,7 miljarder parametrar av text, eller 8,1 miljarder parametrar av bilder

Storleksskillnaden är det första man lägger märke till och det minst användbara med den. Fibo 2.0, som släpptes av Bria den 20 oktober 2026, har 8 127 342 213 parametrar och returnerar bilder. LFM2.5 2.6B Base, som släpptes av Liquid AI den 1 augusti 2026, har 2,69 miljarder parametrar och returnerar text – och inte färdig text, utan det råa fortsättningsbeteendet hos en förtränad bascheckpoint utan instruktionstrimning. Att fråga vilken som är bättre är som att fråga om en kamera är bättre än en ordbok. Frågan som har ett svar är snävare och mer praktisk: var och en är det minsta trovärdiga öppna alternativet i sitt eget spår, och att veta var varje spårs golv ligger säger dig vilket din begränsning faktiskt utesluter.Inget av modellkorten dokumenterar vad som händer när en checkpoint som denna driftsätts dåligt, och de registrerade incidenterna katalogiseras i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Golvet, i båda riktningarna

Båda modellerna är intressanta av samma strukturella skäl – var och en ligger nära den nedre gränsen för vad som är gångbart för dess uppgift – och det är den enda axel på vilken de överhuvudtaget är jämförbara.

• Parametrar — Fibo 2.0 8 127 342 213 i BF16; LFM2.5 2.6B Base 2,69 miljarder. Ungefär ett förhållande på tre till ett i vikter, vilket ungefär också är förhållandet i minnet.

{{1}}Utdata{{/1}} — Fibo 2.0 returnerar en bild; LFM2.5 2.6B Base returnerar texttokens och inget annat.

• Var den körs — Fibo 2.0 behöver ett grafikkort med tillräckligt med VRAM för en diffusionstransformer med 44 block vid 50 steg, eller fyra steg i Turbo-varianten; LFM2.5 2.6B Base levereras i GGUF-, ONNX- och MLX-format och är byggd för att köras på en telefon, en laptop eller en enkortsdator.

• Finjusteringsstatus – Fibo 2.0 Dev är en icke-destillerad bas med classifier-free guidance, dokumenterad för finjustering; LFM2.5 2.6B Base är endast förtränad, utan instruktionsföljande beteende förrän någon finjusterar den.

• Licens — Fibo 2.0 är CC BY-NC 4.0 för icke-kommersiell användning, med kommersiell användning enligt avtal; LFM2.5 2.6B Base omfattas av licensen LFM 1.0, som tillåter kommersiell användning i enlighet med dess egna villkor.

• Poäng – Fibo 2.0 ligger på 1 087,05 Elo i AA-Image-Editing v2.1, etta bland öppna vikter; LFM2.5 2.6B Base har ett uppskattat Intelligence Index på 8,39, GPQA 55,8 %, Terminal-Bench 2.1 på 4,5 % och HLE 6,2 %.

De två resultatraderna kan inte placeras i samma mening som en jämförelse. Den ena är en preferenspoäng från en publik över renderade bilder; den andra är ett sammansatt mått över textbenchmarker. Det enda ärliga sättet att använda båda är att beskriva vad varje modell är avsedd för.

Vad en bascheckpoint faktiskt är, eftersom namnet är missvisande

"Base" i LFM2.5 2.6B Base är inte ett blygsamt sätt att säga "standard". Det betyder att modellen har tränats på 34 biljoner tokens av nästa-token-förutsägelse och inget annat – ingen instruktionsträning, ingen chattmall, inget vägrandebeteende, ingen medvetenhet om att en fråga är en fråga. Ge den "Sammanfatta det här mejlet:" och den fortsätter strängen i vilken stil förträningsdatan än antyder, vilket kan vara resten av en mejltråd snarare än en sammanfattning.

Det gör den till en bra utgångspunkt och en dålig produkt. Liquid AI levererar den för personer som avser att finjustera, och arkitekturen är vald för den uppgiften: 30 lager, 22 dubbelgrindade korta faltningar och 8 lager med grouped-query-attention, en vokabulär på 128K, en kontext på 131 072 token och täckning av 16 språk i förträningen. Den faltningstunga stacken är anledningen till att den får plats i en telefon — kostnaden för attention växer med kontexten, medan faltningar inte gör det, vilket är hela designidén.

• Arkitektur — 30 lager: 22 dubbelgrindade korta konvolutionsblock och 8 GQA-block, 128K vokabulär.

• Träning – 34 biljoner tokens, 16 språk, endast förtränad.

• Kontext — 131 072 token, vilket är det antal som konvolutionsstacken är utformad för att göra överkomligt.

• Format – GGUF, ONNX och MLX, så llama.cpp, ONNX Runtime och Apple silicon är alla förstklassiga mål.

• Vad den inte gör – följa instruktioner, hålla en konversation eller producera något annat än en textfortsättning, förrän du finjusterar den.

Jämförelsen med Fibo 2.0:s Dev-checkpoint är närmare än den först verkar. Fibo 2.0 Dev är också en bas – icke-destillerad, 50 steg med classifier-free guidance på 5,0, uttryckligen den checkpoint som Bria hänvisar till för finjustering. Båda projekten levererar ett finjusteringsobjekt vid sidan av, eller i stället för, en användbar produkt. Skillnaden är att Fibo 2.0 Edit Turbo finns som den användbara versionen av samma vikter, destillerad till fyra steg utan guidance, medan LFM2.5 2.6B måste finjusteras innan den överhuvudtaget är användbar.

Licens och den faktiska kostnaden för "öppen"

Båda modellerna går att ladda ner. Vad du får göra med dem skiljer sig markant, och på ett sätt som vänder upp och ner på den vanliga intuitionen om storlek: det är den pyttelilla modellen som är kommersiellt användbar.

• Fibo 2.0 — CC BY-NC 4.0 för icke-kommersiell användning. Kommersiell användning kräver ett separat avtal med Bria. Hugging Face-förvaret är åtkomstbegränsat med ett formulär för företag och avsedd användning.

• LFM2.5 2.6B Base — LFM 1.0-licens, som tillåter kommersiell driftsättning enligt dess egna villkor. Ingen förhandling per användning, även om villkoren inte är Apache-2.0 och är värda att läsa i stället för att anta.

• Varför Bria:s villkor ser ut som de gör – träningskorpusen består av ungefär en miljard licensierade bilder som företaget har betalat för. Gratis vikter som låter vem som helst underprissa Bria:s egen API på den korpusen skulle skänka bort den tillgång som korpusen har köpt.

• Den praktiska uppdelningen – en intern forskningspipeline kan använda båda imorgon. En produkt som levereras kan bädda in LFM2.5 2.6B Base i en enhet imorgon och kan inte leverera Fibo 2.0 utan en signatur.

Detta är inte en kritik mot Bria. Det är kostnadsstrukturen för de två problemen. Liquid AI tränade på text, varav det mesta är gratis att licensiera; Bria tränade på fotografier, varav inga är det. Licensvillkoren följer indata, inte modellkvaliteten, och det är rätt plats för dem att följa.

Där de möts: den enhetsbaserade assistenten som beskriver innan den renderar

Det finns en arkitektur där dessa två modeller hör hemma i samma system, och det är anledningen till att den här artikeln är en jämförelse snarare än ett avfärdande. Fibo 2.0:s konditioneringsväg tar en strukturerad JSON-bildtext — VGL, Bria:s Visual GenAI Language — med namngivna fält för motiv, komposition, ljus, kamera, stil och text i bild. En textmodell på 2,6B som får plats på enheten som tar fotot är precis den sorts sak som skulle kunna skriva den JSON:en lokalt, utan en tur och retur.

Om det kan är en annan fråga än om det bör. En förtränad basmodell med ett uppskattat index på 8,39, GPQA 55,8 % och HLE 6,2 % kommer inte att tillförlitligt kunna producera schemagiltig JSON från ett fotografi utan uppgiftsspecifik finjustering – och att finjustera den på en VGL-korpus är ett väldefinierat jobb av småmodellsstorlek. Det är den ärliga varianten av meet-in-the-middle-argumentet: LFM2.5 2.6B Base är ett rimligt substrat för en finjusterad bildtextsgenerator, inte en direktanvändbar sådan.

• Vad 2.6B innebär – den körs där fotot tas, under 3 GB vikter, inget nätverk, ingen kostnad per anrop.

• Vad den först behöver — övervakad finjustering på exempel i VGL-format, plus begränsad avkodning eller en JSON-grammatik för att garantera giltig utdata.

• Vad renderaren bidrar med – den behöver fortfarande en GPU. Halvan på enheten beskriver; serverhalvan ritar. Det är den enda uppdelningen som fungerar i dag.

• Det som kullkastar idén – om bildtexten måste vara bra läser en multimodal modell i 12B-klassen av källbilden bättre än en textbaserad modell på 2,6B kan, eftersom 2,6B-modellen inte kan se fotot alls.

Den sista punkten är den som avgör de flesta verkliga lösningar. LFM2.5 2.6B Base är text in, text ut. Den kan skriva en VGL-bildtext utifrån en skriven brief; den kan inte titta på bilden den beskriver. Den som parar ihop de två bör vara tydlig med vilket av dessa jobb de faktiskt köper.

Skaffar var och en

Fibo 2.0 finns via Bria:s API för 0,032 USD per bild, via Bria:s värdbaserade skapandeverktyg, genom ComfyUI-noder eller som åtkomstbegränsade vikter på Hugging Face. LFM2.5 2.6B Base finns på Hugging Face i GGUF, ONNX och MLX, utan någon åtkomstbegränsning för basversionen. Ingen av dem finns i OrcaRouter-katalogen, och inget av påståendena behöver mildras: Fibo 2.0 är en bild-endpoint och Liquids 2.6B-bas är en nedladdningsbar checkpoint, och en router tjänar ingen av dem väl.

Det en router gör är att betjäna allt runtomkring dem. OrcaRouter kör en nyckel över fler än 200 modeller med leverantörers listpriser vidarebefordrade med 0 % påslag, så en leverantörsprisändring på textsidan syns samma dag som den sker. Om du bygger finjusteringspipelinen för en VGL-bildtextskrivare kan både modellen som genererar syntetiska träningspar och modellen som betygsätter dem ligga bakom den enda nyckeln, med automatisk redundansväxling medan du itererar och routing-DSL:en för att fördela ett benchmark över flera modeller i ett enda anrop. Renderaren förblir Brias. Det är i finjusteringsloopen som routningen förtjänar sin plats.

Beslutet, klart uttryckt

Om din begränsning är var modellen körs, konkurrerar inte LFM2.5 2.6B Base med Fibo 2.0 – det är den enda av de två som överhuvudtaget körs på enheten, och dess uppskattade index på 8,39 är ett tak som du medvetet väljer i utbyte mot det. Om din begränsning är vad utdata är, är Fibo 2.0 den enda av de två som producerar utdata, och dess 1 087 Elo bland öppna vikter är den nuvarande rekordnivån för nedladdningsbar bildredigering. Ingen väljer mellan dessa modeller. Man väljer mellan ett driftsättningsmål och en leverabel, och det är olika beslut som råkar ha dykt upp i samma veckas nyheter.

Den enda fråga som verkligen är gemensam är licensen, och den löses på samma sätt för båda halvorna av en kommersiell satsning: 2.6B-basen är användbar enligt dess villkor, 8B-renderaren kräver Bria:s godkännande, och att den mindre modellen är den friare är ett faktum om träningsdata snarare än om teknik. Planera produkten utifrån det, inte utifrån parameterantal.