Fibo 2.0 Dev เปิดตัวบน ModelScope: เช็กพอยต์ที่ Bria สร้างขึ้นจริงสำหรับการไฟน์ทูน

รายการ Fibo 2.0 Dev บนไซต์จีนของ ModelScope ถูกสร้างขึ้นเมื่อ 17:03 UTC วันที่ 20 ตุลาคม 2026 ซึ่งเป็นวันเดียวกับที่ Bria เปิดตัวโมเดลนี้ และสำเนาบนไซต์นานาชาติปรากฏขึ้นสองวันต่อมา เมื่อ 09:55 UTC วันที่ 22 ตุลาคม ทั้งสองมิเรอร์ไม่ได้ขยับไปไกลนักนับจากนั้น: รายการในจีนมียอดดาวน์โหลด 691 ครั้ง และรายการนานาชาติมี 59 ครั้ง เมื่อตรวจสอบในสัปดาห์นี้ และทั้งสองมีฟิลด์ใบอนุญาตที่ระบุว่า “other” ซึ่งไม่ได้ให้ข้อมูลที่เป็นประโยชน์อะไร ยอดดาวน์โหลดไม่ใช่ประเด็นสำคัญ ประเด็นอยู่ที่สิ่งที่สแต็กวิศวกรรมของ ModelScope เองระบุเกี่ยวกับเช็กพอยต์ เพราะเอกสาร Fibo ของ DiffSynth-Studio ระบุไว้อย่างชัดเจนในตอนนี้ว่า มีเพียง Fibo 2.0 Dev เท่านั้นที่เทรนได้

นี่เป็นเรื่องที่ควรค่าจะหยุดพิจารณาให้ดี Bria (บริษัทผู้อยู่เบื้องหลังโมเดลนี้) เปิดตัว Fibo 2.0 เมื่อวันที่ 20 ตุลาคม 2026 ในฐานะโมเดล open-weights ขนาด 8.13 พันล้านพารามิเตอร์ ที่ทำทั้งการสร้างภาพจากข้อความ (text-to-image generation) และการแก้ไขตามคำสั่ง (instruction editing) ด้วยชุดน้ำหนักชุดเดียว และเผยแพร่ checkpoint สองตัวภายใต้ชื่อนั้น — base ฉบับเต็มและ editor ฉบับ distilled ModelScope ศูนย์รวมโมเดลของจีนซึ่งโครงการ DiffSynth-Studio เป็นผู้จัดหาสคริปต์การฝึก ได้รวมทั้งสองตัวไว้แล้ว และได้ขีดเส้นแบ่งที่นักพัฒนารอคอยจะได้เห็น: checkpoint แบบ distilled คืออาร์ติแฟกต์สำหรับการดีพลอย ส่วนตัวที่ไม่ distilled คือสิ่งที่คุณสามารถสอนและปรับแต่งได้

อะไรอยู่บน ModelScope จริง ๆ และอะไรที่ไม่อยู่

มีรายการอยู่สองรายการ และทั้งสองเป็นสำเนาของน้ำหนักชุดเดียวกัน ไม่ใช่การสร้างใหม่ เว็บไซต์ในจีนระบุ briaai/Fibo-2.0-dev ภายใต้งาน text-to-image-synthesis พร้อมไลบรารี pytorch, lora, safetensors และ diffusers — การมี lora อยู่ในรายการนั้นเป็นสัญญาณเล็ก ๆ เกี่ยวกับเจตนา ส่วนเว็บไซต์นานาชาติมีโมเดล ID เดียวกันพร้อมตัวนับดาวน์โหลดของตนเองที่น้อยกว่ามาก ทั้งสองรายการชี้กลับไปยังที่เก็บ Hugging Face แบบมีเงื่อนไขการเข้าถึง แทนที่จะโฮสต์สำเนาแยกต่างหาก ดังนั้นใครก็ตามที่ต้องการไฟล์จริงยังคงต้องผ่านแบบฟอร์มขอเข้าถึงแบบไม่ใช้เชิงพาณิชย์ของ Bria

มีสองรายละเอียดที่ควรหยิบขึ้นมาเตือน เพราะมันจะทำให้คนที่อ่านประกาศนี้เพียงลำพังเกิดความสับสน แท็กงานระบุว่าเป็น text-to-image เท่านั้น ซึ่งเป็นการอธิบายเช็กพอยต์ได้ต่ำกว่าความเป็นจริง: Fibo 2.0 Dev สร้างและแก้ไขภาพได้จากน้ำหนักชุดเดียวกัน และเส้นทางการแก้ไขภาพคือสิ่งที่ทีมส่วนใหญ่ให้ความสำคัญ และช่องสัญญาอนุญาตระบุว่า "other" แทนที่จะเป็น "CC BY-NC 4.0" ซึ่งเป็นช่องว่างของเมทาดาทา ไม่ใช่การอนุญาตคนละแบบ — การอนุญาตยังคงเป็นสัญญาอนุญาตแบบไม่ใช้เชิงพาณิชย์ของ Bria และเป็นข้อจำกัดที่ใหญ่ที่สุดเพียงข้อเดียวต่อสิ่งใดก็ตามที่คุณปรับแต่งเพิ่มเติมบนเช็กพอยต์นี้

จังหวะเวลาก็มีส่วนสำคัญต่อวิธีที่ควรตีความข่าวนี้เช่นกัน น้ำหนักโมเดลถูกอัปโหลดขึ้น Hub ในวันที่ 18–19 ตุลาคม Artificial Analysis มีสแนปช็อตภายในวันที่ 20 ตุลาคม ComfyUI รวมการรองรับแบบเนทีฟเมื่อวันที่ 21 ตุลาคม และมิเรอร์ระหว่างประเทศของ ModelScope ก็เติมเต็มในวันที่ 22 ตุลาคม Fibo 2.0 Dev เป็นเช็กพอยต์อายุเก้าวันในระยะการเผยแพร่ที่ยังคงเคลื่อนไหว ไม่ใช่รีลีสเก่าที่ถูกปลุกขึ้นมาใหม่

Dev กับ Edit Turbo เป็นการแยกสายพัฒนาจริง ไม่ใช่แค่ชื่อที่ดูแปลก

Bria เผยแพร่เช็กพอยต์สองรายการภายใต้ชื่อรีลีสเดียว และความแตกต่างนั้นเป็นตัวกำหนดทุกอย่างที่ตามมา:

• การสุ่มตัวอย่าง — Fibo 2.0 Dev รัน 50 ขั้นตอนด้วย classifier-free guidance ที่ 5.0; Fibo 2.0 Edit Turbo รัน 4 ขั้นตอนโดยกำหนด guidance ไว้คงที่ที่ 1.0 ซึ่งหมายความว่าไม่มี guidance เลย

• ขอบเขตงาน — Dev ทำการสร้างภาพจากข้อความและการแก้ไขภาพ ส่วน Turbo ทำเฉพาะการแก้ไขภาพ ดังนั้นการส่งพรอมต์สร้างภาพจากข้อความไปยัง Turbo จึงเป็นการใช้เครื่องมือผิดประเภท ไม่ใช่คำตอบที่ช้ากว่า

• พรอมป์ต์เชิงลบ — พรอมป์ต์เหล่านี้ได้ผลบน Dev เพราะ CFG เปิดอยู่ ส่วนบน Turbo ไม่มี CFG ให้ใช้บังคับทิศทาง ดังนั้นพรอมป์ต์เชิงลบจึงไม่มีคันโยกให้ดึง

• ความสามารถในการฝึก — นี่คือทางแยกที่สำคัญในกรณีนี้ หน้า Fibo ของ DiffSynth-Studio ระบุไว้อย่างชัดเจนว่าเฉพาะ Fibo-2.0-dev เท่านั้นที่เป็นเป้าหมายสำหรับการฝึก ส่วน Turbo นั้นถูกระบุว่าไม่ได้มีไว้สำหรับการปรับแต่งละเอียด (fine-tuning)

• ต้นทุนต่อภาพตอน inference — Turbo มีต้นทุนการรันถูกกว่าประมาณหนึ่งลำดับขนาดสำหรับงานแคบ ๆ ที่มันทำ ซึ่งนั่นแหละคือเหตุผลที่ไม่มีใครควรไฟน์จูนมันเพื่อไล่ตามช่องว่างนั้น

โดยพื้นฐานแล้ว ทั้งสองมีโครงสร้างเดียวกัน: เป็นทรานส์ฟอร์เมอร์แบบดิฟฟิวชันที่ใช้การจับคู่การไหล (flow-matching) ซึ่งทำงานในพื้นที่แฝงของ FLUX.2 VAE, เป็น DiT แบบ BF16 ขนาด 8,127,342,213 พารามิเตอร์ ที่มี 44 บล็อกแบบ single-stream โดยห้าบล็อกในจำนวนนี้ใช้ cross-attention ไปยังตัวเข้ารหัสข้อความ Qwen3-VL-4B-Instruct ซึ่งเอาต์พุตถูกบีบให้เหลือ 256–512 โทเค็น "gist" ด้วยตัวรีแซมเปลอร์ Perceiver แบบสองชั้น รีโพซิทอรีใช้พื้นที่รวมประมาณ 25.5 GB — ทรานส์ฟอร์เมอร์ 16.3 GB, ตัวเข้ารหัสข้อความ 8.9 GB และ VAE 0.34 GB — นี่คือตัวเลขที่ต้องเผื่อทรัพยากรไว้ ไม่ใช่ตัวเลข 8B ที่เป็นพาดหัว

สูตรการเทรน: เอนโคเดอร์แบบตรึงน้ำหนัก, DiT ที่เทรนได้

ผลงานของ ModelScope ไม่ใช่มิเรอร์อีกแห่ง แต่เป็นชุดสคริปต์ และรูปร่างของมันก็เป็นไปตามแบบแผนทั่วไปในลักษณะที่ทำให้ใช้งานได้จริง การเทรนใช้ FiboPipeline ตัวเดียวกับที่ใช้ในการอนุมานซ้ำ และรันผ่าน examples/fibo/model_training/train.py โดย VAE และ text encoder ถูกแช่แข็ง ส่วน DiT ได้รับการเทรนด้วย flow matching ทางเลือกนี้เป็นทางเลือกที่สมเหตุสมผล — การไฟน์จูน Qwen3-VL-4B encoder ควบคู่กับ transformer ขนาด 16 GB บนโหนดเดียวถือเป็นอีกโปรเจกต์หนึ่ง — แต่ก็หมายความว่าการไฟน์จูนสามารถเปลี่ยนทิศทางสไตล์ องค์ประกอบ และพฤติกรรมการแก้ไข โดยไม่สอนภาษาใหม่ของพรอมต์ให้โมเดลอย่างแท้จริง

รองรับสองระดับ และทั้งสองเป็น DiT-only:

• ไฟน์จูนแบบเต็ม — ส่ง `--trainable_models "dit"` และให้ Accelerate จัดการการกำหนดค่าแบบกระจาย ตัวทรานส์ฟอร์เมอร์ทั้งหมดจะถูกปรับ ไม่มีส่วนอื่นถูกปรับ

• LoRA — แนบอะแดปเตอร์กับ DiT ด้วย --lora_base_model "dit" กำหนดโมดูลเป้าหมายและแรงก์ (rank) และเลือกได้ว่าจะทำต่อจาก checkpoint หรือไม่ สคริปต์ LoRA ที่ให้มานั้นใช้ GPU เดียวเป็นค่าเริ่มต้น

การแก้ไขภาพเป็นเป้าหมายการฝึกที่มีความสำคัญอันดับแรก而非สิ่งที่คิดทีหลัง การรันงานแก้ไขจะส่ง edit_image และ mask แบบไม่บังคับผ่าน --extra_inputs และ UnifiedDataset จะอ่านคอลัมน์เหล่านั้นจาก metadata; แถวที่ไม่มี mask จะถูกฝึกเป็นตัวอย่างการแก้ไขทั่วไปแทนที่จะถูกตัดทิ้ง เนื่องจากการสร้างและการแก้ไขใช้น้ำหนักร่วมกัน การ fine-tune ครั้งเดียวจึงสามารถสอนโดเมนใหม่และวิธีแก้ไขภายในโดเมนนั้นได้ — model card ของ Bria เองก็นำเสนอจุดขายนี้สำหรับ LoRA แบรนด์และสไตล์ ผู้เชี่ยวชาญเฉพาะอุตสาหกรรม และตัวแก้ไขงานเฉพาะทางแคบ ๆ พร้อมทั้งมาพร้อมตัวฝึก LoRA บน GPU เดียวและคู่มือการเตรียมข้อมูลในโฟลเดอร์ fine_tuning/ ของรีพอซิทอรี

ชุดข้อมูลตัวอย่างทั้งสองแสดงสคีมาที่คาดหวังให้คุณสร้าง: DiffSynth-Studio/diffsynth_example_dataset โดยมีสปลิต fibo/Fibo-2.0-dev ที่มีไฟล์ CSV เมทาดาทาของ image และ prompt และมีสปลิต fibo/Fibo-2.0-dev-Edit ที่มีไฟล์ JSON เมทาดาทาของ image, prompt, edit_image และ mask ที่ไม่บังคับ ไม่มีอะไรแปลกใหม่ในสคีมานั้น งานอยู่ที่การสร้างแคปชัน

VRAM: ส่วนที่ model card ไม่ได้ระบุปริมาณ

ไม่มีค่าขั้นต่ำที่ประกาศไว้อย่างเป็นทางการ เอกสารของ DiffSynth แนะนำให้ใช้การกำหนดค่าที่ใช้ VRAM ต่ำและการจัดการ VRAM อัตโนมัติโดยอิงจากหน่วยความจำที่เหลืออยู่ แทนการระบุค่าต่ำสุด และคอนฟิกตัวอย่างก็บอกสิ่งที่พวกเขาคาดหวังไว้: โหลดและเตรียมใน FP8 E4M3 คำนวณใน BF16 ออฟโหลดไปยังดิสก์ และจำกัดการใช้งานรวมไว้ที่หน่วยความจำ CUDA ทั้งหมดลบ 0.5 GB นั่นคือสูตรที่เขียนโดยคนที่รู้ว่าคำตอบขึ้นอยู่กับการ์ดของคุณ ความละเอียด และว่าเปิด gradient checkpointing หรือไม่ — และซื่อสัตย์เกี่ยวกับเรื่องนี้ วางแผนสำหรับการออฟโหลดและยอมรับว่าไฟน์ทูนที่หนึ่งเมกะพิกเซลจะช้าในช่วงแรกก่อนจะได้ผลลัพธ์ที่ดี

JSON ที่มีโครงสร้างคืออินเทอร์เฟซ ดังนั้นชุดข้อมูลของคุณจึงต้องพูดภาษานี้

พื้นผิวควบคุมของ Fibo ไม่ใช่กล่องพรอมต์ โมเดลนี้ได้รับการฝึกด้วยคำบรรยายภาพใน Visual GenAI Language (VGL) ซึ่งเป็น JSON แบบมีโครงสร้างที่ฟิลด์แสง องค์ประกอบ สไตล์ กล้อง และวัตถุสามารถอ้างอิงได้อย่างอิสระ และไปป์ไลน์การอนุมานจะส่งคืนคำบรรยายภาพพร้อมกับภาพที่สร้างขึ้น ตัวช่วย bria-vgl เปิดให้ใช้ create() สำหรับการสร้าง และ modify() สำหรับการแก้ไข ดังนั้นคุณจึงไม่จำเป็นต้องเขียน JSON ด้วยมือ VLM ที่โฮสต์ไว้จะทำการขยายให้ เว้นแต่คุณจะเขียนขึ้นเอง

สิ่งนี้ส่งผลโดยตรงต่อการ fine-tuning ซึ่งการรายงานข่าวเปิดตัวส่วนใหญ่ไม่ได้กล่าวถึง หากคุณฝึกด้วยพรอมต์ข้อความอิสระ คุณกำลังฝึก DiT ด้วยรูปแบบแคปชันที่มันไม่ได้ถูกออกแบบมารองรับ และการควบคุมที่คุณหวังว่าจะได้มาจะเป็นสิ่งแรกที่หายไป การเก็บแคปชัน VGL ไว้ในเมทาดาทาของคุณ — ไม่ว่าจะสร้างโดยไปป์ไลน์แล้วนำมาแก้ไข หรือเขียนขึ้นเองโดยตั้งใจ — จะรักษาพฤติกรรมของฟิลด์ที่เข้าถึงได้ให้คงเดิม และนั่นคือความแตกต่างระหว่าง LoRA ที่เปลี่ยนสไตล์ กับ LoRA ที่เปลี่ยนสไตล์โดยไม่ทำลายส่วนที่เหลือของเฟรม หากชุดข้อมูลฝึกของคุณเป็นภาพที่ไม่มีแคปชัน ขั้นตอนการสร้างแคปชันคือขั้นตอนที่แพง และมันเป็นงานของโมเดลภาษา

เครื่องมือพร้อมใช้งานเร็วกว่าที่เช็กพอยต์ใหม่ส่วนใหญ่จะได้รับ

สำหรับโมเดลที่เพิ่งมีอายุได้เก้าวัน สแต็กโดยรอบนั้นสมบูรณ์แบบผิดปกติ ซึ่งเป็นส่วนหนึ่งที่ทำให้การผสานรวมกับ ModelScope เป็นเรื่องที่สำคัญน้อยกว่าที่เห็น และมีประโยชน์มากกว่าการเป็นเพียงมิเรอร์เปล่า ๆ

• diffusers — มี BriaFibo2Pipeline ถูกเพิ่มเข้ามาในฐานะ PR #14991 ซึ่งเป็นเส้นทางที่โค้ดการอนุมานส่วนใหญ่จะเลือกใช้

• ComfyUI — การรองรับแบบเนทีฟถูกรวมเข้าเมื่อวันที่ 21 ตุลาคม ในชื่อ PR #17240 และเผยแพร่ใน v0.43.0 โดยเพิ่มประเภท text-encoder แบบ fibo2 ที่โหลด Qwen3-VL-4B เวอร์ชันทางการ และโน้ด TextEncodeFibo2 ที่จัดการพรอมป์ต์ VGL และภาพอ้างอิง การ repack แบบ BF16 และ INT8 เป็นไปตามเลย์เอาต์ของตัวโหลดดังกล่าว และมีการรองรับสถาปัตยกรรม GGUF สำหรับการรันในเครื่องแบบควอนไทซ์

• ModelScope / DiffSynth-Studio — สคริปต์สำหรับ inference และการฝึกโมเดลอยู่ในที่เดียว ซึ่งเป็นส่วนที่ทีมที่กำลังวางมาตรฐานบน DiffSynth จำเป็นต้องมีจริง ๆ ก่อนที่จะวางแผนทำ fine-tune

กำแพงที่ไม่มีใครกล่าวถึง: CC BY-NC 4.0

Fibo 2.0 เป็น open weights ไม่ใช่ open source และช่องว่างระหว่างสองวลีนี้คือคำถามเชิงพาณิชย์ทั้งหมด เช็กพอยต์อยู่ภายใต้ CC BY-NC 4.0: ใช้ได้เฉพาะ的非เชิงพาณิชย์เท่านั้น โดยการนำไปใช้งานเชิงพาณิชย์ต้องมีข้อตกลงแยกต่างหากกับ Bria และรีโพซิทอรีบน Hugging Face ถูกจำกัดการเข้าถึงไว้หลังแบบฟอร์มข้อมูลบริษัทและวัตถุประสงค์การใช้งาน LoRA ของแบรนด์ที่ฝึกบน Fibo 2.0 Dev ถือเป็นผลงานวิจัยจนกว่าข้อตกลงนั้นจะมีอยู่ — ซึ่งเป็นตำแหน่งที่แปลกสำหรับ "สิ่งที่นักพัฒนาต้องการสร้างต่อยอดอย่างแท้จริง" แต่มันคือตำแหน่งที่ถูกต้อง เมื่อเทียบกับทางเลือก open-weight ที่อนุญาตให้ใช้เชิงพาณิชย์ได้โดยตรง ใบอนุญาต—ไม่ใช่ Elo—จะกลายเป็นเส้นแบ่งชี้ขาดสำหรับใครก็ตามที่นำไปใช้งานจริง

ภาพรวมด้านคุณภาพก็แคบกว่าที่พาดหัวข่าวเช่นกัน บน AA-Image-Editing v2.1 ของ Artificial Analysis นั้น Fibo 2.0 ได้ 1,088 Elo โดยมีช่วง ±14 จากการโหวตแบบปกปิดจำนวน 5,009 เสียง — เป็นอันดับที่ 23 โดยรวม และอันดับหนึ่งในบรรดาตัวแก้ไขแบบเปิดน้ำหนัก แม้จะหล่นไปหนึ่งหรือสองอันดับนับจากสแนปชอตตอนเปิดตัว Qwen-Image-2.1 อยู่ที่ 1,081 ±13 และช่วงความเชื่อมั่นทับซ้อนกันเกือบทั้งหมด ดังนั้นการนำในกลุ่มเปิดน้ำหนักจึงเป็นเพียงไทเบรก ไม่ใช่ข้อพิสูจน์ บน AA-Image-T2I v2.1 ลำดับกลับกัน: Fibo 2.0 ได้ 1,039 ±12 เทียบกับ Qwen-Image-2.1 ที่ 1,042 ±12 การ์ดโมเดลของ Bria เองก็ยิ่งไม่ค่อยเป็นผลดีในหมวดหมู่แคบ ๆ โดยระบุว่าการเรนเดอร์ข้อความและการจัดวางอยู่ในอันดับปลายสิบถึงต้นยี่สิบ และกายวิภาคมนุษย์อยู่อันดับที่ 18 การไฟน์จูนสามารถตามแก้จุดอ่อนเหล่านั้นได้ แต่ไม่สามารถเกินกว่าสิ่งที่เอนโคเดอร์เข้าใจได้

จุดที่การกำหนดเส้นทางเหมาะสม และจุดที่มันไม่เหมาะสม

พูดกันตามจริง: Fibo 2.0 เองไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter ดังนั้นจึงไม่มีอะไรตรงนี้ที่เป็นการนำเสนอแบบ "เรียกใช้ Fibo ผ่านเรา" สิ่งที่การจัดเส้นทางมอบให้คืออีกครึ่งหนึ่งของไปป์ไลน์ งานโมเดลภาษาสองงานที่อยู่รอบเช็กพอยต์นี้ — การเขียนคำบรรยาย VGL สำหรับชุดฝึก และการขยายพรอมป์ต์สั้นให้เป็น JSON แบบมีโครงสร้างตอนอินเฟอเรนซ์ — เป็นงานประมวลผลข้อความทั่วไป และเป็นงานที่ตัดสินว่าการไฟน์ทูนจะเป็นไปได้เลยหรือไม่ OrcaRouter มี API เดียวสำหรับโมเดล 200+ ตัว โดยมีมาร์กอัป 0% ดังนั้น ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยตรง และส่วนลดจากผู้ขายจะไปถึงใบเรียกเก็บเงินของคุณภายในวันเดียวกัน; การสลับสำรองอัตโนมัติระหว่างผู้ให้บริการหมายความว่าการรันสร้างคำบรรยายภาพหลายพันภาพจะไม่ล่มเพราะผู้ให้บริการต้นทางรายเดียว; และ DSL สำหรับการจัดเส้นทางสามารถปักหมุดโมเดลราคาถูกสำหรับการสร้างคำบรรยายแบบจำนวนมาก ในขณะที่ส่งเคสที่ยากไปยังโมเดลที่แรงกว่า โดยมี model fusion พร้อมใช้เมื่อตัวสร้างคำบรรยายตัวเดียวพลาดฟิลด์หนึ่งซ้ำ ๆ โมเดลภาพยังคงอยู่ที่เดิม; ข้อความที่อยู่รอบ ๆ มันสามารถจัดเส้นทางได้

สิ่งที่ต้องจับตาต่อไปคือโรดแมปของ Bria เอง ซึ่งการ์ดโมเดลระบุไว้ ได้แก่ การแก้ไขเฉพาะจุดแบบหลายรอบ การลบพื้นหลัง LoRA สำหรับภาพสินค้า การลบด้วยมาสก์ และการ outpainting — ทั้งหมดนี้จะมาถึงบน Dev checkpoint ก่อน เพราะ Dev คือตัวที่มีลูปรอบการฝึก ModelScope มิเรอร์เป็นครึ่งที่น่าเบื่อของเรื่องนี้ ประโยคของ DiffSynth ที่ว่า "only Fibo-2.0-dev is trainable" คือครึ่งที่มีประโยชน์ และนั่นคือเหตุผลที่ควรดาวน์โหลด repository ขนาด 25.5 GB แทนการเรียก API