Fibo 2.0 กับ Gemma 4 12B: ตัวหนึ่งวาดภาพ อีกตัวเขียนพรอมต์ให้ภาพนั้น

Put Fibo 2.0 and Gemma 4 12B next to each other on a spec sheet and the comparison falls apart immediately, because they do not answer the same question. Fibo 2.0 is an 8B image model released by Bria on 20 October 2026: you give it a description or a picture, it returns pixels. Gemma 4 12B is G​oogle's 11.95B dense multimodal language model, Apache-2.0, live since 23 May 2026: you give it text, images or audio and it returns text, never an image. Every "Fibo 2.0 vs Gemma 4 12B" page that ranks them against each other is ranking a renderer against a writer. The useful version of this comparison is the one where they are not rivals at all — where Gemma 4 12B writes the structured prompt and Fibo 2.0 renders it, and the question becomes whether that pair beats either model used alone. Spec sheets do not record how image and language models fail once they are in production, and those incidents are catalogued in the OrcaRouter AI Incident Archive where each entry carries its own sources, severity, confidence grade and disputed flag.

แต่ละอันส่งคืนอะไรกลับมาจริง ๆ

นี่คือข้อโต้แย้งทั้งหมดในสองบรรทัด และนี่คือเหตุผลว่าทำไมการจับคู่นี้จึงคุ้มค่าที่จะเขียนถึงแทนที่จะมองข้ามไป: ประเภทของผลลัพธ์ไม่ทับซ้อนกัน

• เอาต์พุต — Fibo 2.0 ส่งคืนรูปภาพ โดยมีความเที่ยงตรงในการแก้ไขแบบหลายภาพอ้างอิงได้สูงสุด; Gemma 4 12B ส่งคืนโทเคนข้อความ และไม่มีตัวถอดรหัสภาพใด ๆ เลย

• อินพุต — Fibo 2.0 รับข้อความและภาพอ้างอิงสูงสุดสี่ภาพ; Gemma 4 12B รับข้อความ ภาพ และเสียงในสแต็กไร้เอนโคเดอร์ชุดเดียว โดยมีบริบท 256,000 โทเค็น

• งาน — Fibo 2.0 เป็นเรนเดอเรอร์ที่มีคอขวดด้านพรอมต์; Gemma 4 12B เป็นตัวให้เหตุผลที่มีหน้าต่างยาวมากและไม่มีเส้นทางการเรนเดอร์

ผลลัพธ์ไม่ใช่ว่าอันหนึ่งดีกว่า แต่คือการเปรียบเทียบ Elo แบบตัวต่อตัวระหว่างทั้งสองนั้นไม่เพียงแต่ไม่มีให้ใช้ หากแต่ไร้ความหมาย — ไม่เคยมีใครขอให้กลุ่มคนเลือกหว่าง JPEG กับข้อความหนึ่งย่อหน้า

ตัวเลขที่ผู้คนมักหยิบมาใช้ และเหตุใดจึงไม่สามารถลบออกได้

ทั้งสองโมเดลมีคะแนนอิสระที่น่าเชื่อถือ และวัดสิ่งที่แตกต่างกันด้วยมาตรวัดที่แตกต่างกัน Fibo 2.0 อยู่ที่ 1,087.05 Elo บนบอร์ดจัดอันดับ AA-Image-Editing v2.1 ของ Artificial Analysis เป็นอันดับ 20 โดยรวม และอันดับ 1 ในกลุ่มโมเดลโอเพนเวต โดยมีช่วงความเชื่อมั่นที่ 1,073.05 ถึง 1,101.05 จากการแข่งขัน 4,819 ครั้ง บน AA-Image-T2I v2.1 อยู่ที่ 1,038.79 อันดับ 21 โดยรวม Gemma 4 12B มี Intelligence Index ที่ 14.18 — ซึ่งเป็นคะแนนรวมด้านข้อความและการให้เหตุผล ไม่ใช่คะแนนความชอบ — พร้อมกับ MMLU Pro 77.2, GPQA 78.8, AIME 77.5, Codeforces 1,659 และ MMMU Pro 69.1

Elo กับดัชนีไม่ใช่หน่วยเดียวกัน ดังนั้น "Fibo 2.0 ดีกว่า 1,072 คะแนน" จึงเป็นการคำนวณบนสเกลที่เทียบกันไม่ได้ สิ่งที่ตัวเลขสนับสนุนได้คือการแบ่งงานกันทำ เพราะ MMMU Pro ที่ 69.1 — การให้เหตุผลแบบหลายรูปแบบบนภาพ — คือความสามารถที่อ่านภาพต้นฉบับและตัดสินใจว่าควรเปลี่ยนอะไรในภาพนั้นพอดี Fibo 2.0 ทำสิ่งนั้นไม่ได้ มันทำได้เพียงดำเนินการตามคำอธิบายที่ได้รับมาเท่านั้น

Gemma 4 12B คือครึ่งที่ขาดหายไปของไปป์ไลน์ Fibo

เหตุผลที่ต้องจับคู่กันนั้นเฉพาะเจาะจงกับวิธีที่ Fibo 2.0 ถูกสร้างขึ้น Bria ฝึกและจัดทำเอกสารกำกับมันโดยอิงกับ VGL — Visual GenAI Language — ซึ่งเป็นรูปแบบคำบรรยาย JSON แบบมีโครงสร้างที่มีฟิลด์ชื่อกำกับสำหรับ subject, composition, lighting, camera, style และ text-in-image โมเดลยอมรับประโยคได้ แต่จะให้ผลที่คาดการณ์ได้ง่ายกว่าเมื่อใช้สคีมา เพราะตัวเข้ารหัสพรอมต์ Qwen3-VL-4B ของมันถูกบีบอัดผ่าน Perceiver resampler สองชั้นให้เหลือ gist token 256 ถึง 512 โทเคน และขอบเขตของฟิลด์ยังคงอยู่ผ่านคอขวดนั้นในแบบที่ประโยคยาวต่อเนื่องไม่สามารถทำได้

การเขียน JSON ที่สอดคล้องกับสคีมาด้วยมือนั้นน่าเบื่อและเสี่ยงต่อข้อผิดพลาด แต่การมอบหมายให้โมเดลภาษาทำกลับไม่เป็นเช่นนั้น Gemma 4 12B ที่บริบท 256K สามารถเก็บสคีมา ภาพต้นฉบับ คู่มือสไตล์ขององค์กร และตัวอย่างชุดหนึ่งไว้ในหน้าต่างเดียว สร้างอ็อบเจกต์ VGL ที่ผ่านการตรวจสอบ แล้ว — นี่คือส่วนที่สำคัญ — ดูผลลัพธ์ที่เรนเดอร์ออกมาและตัดสินใจว่าการแก้ไขนั้นลงตัวหรือไม่ บทบาทที่สองนั้นคือลูปป้อนกลับที่ Fibo 2.0 ไม่สามารถดำเนินการได้ด้วยตัวเอง เพราะมันไม่มีวิธีตรวจสอบผลลัพธ์ของตัวเอง

• ขั้นตอนที่หนึ่ง — Gemma 4 12B อ่านภาพอ้างอิงพร้อมบรีฟ แล้วส่งออก VGL JSON คะแนน MMMU Pro 69.1 คือคุณวุฒิที่เกี่ยวข้อง ไม่ใช่คะแนนด้านโค้ดของมัน

• ขั้นตอนที่สอง — Fibo 2.0 จะเรนเดอร์หรือแก้ไขจาก JSON นั้น ในโหมด Dev ที่ 50 สเต็ป หากคุณภาพเป็นสิ่งสำคัญ หรือ Edit Turbo ที่ 4 สเต็ป หากอัตราการประมวลผลเป็นสิ่งสำคัญ

• ขั้นตอนที่สาม — Gemma 4 12B เปรียบเทียบผลลัพธ์กับบรีฟ แล้วอนุมัติหรือส่ง JSON ฉบับแก้ไขออกมา การตรวจสองรอบช่วยจับข้อผิดพลาดส่วนใหญ่ที่เกี่ยวกับข้อความในภาพและขอบมาสก์

• ขั้นตอนที่สี่ — อะไรก็ตามที่ผ่านลูปไปได้จะถูกส่งให้มนุษย์ตรวจ ซึ่งเป็นคิวที่เล็กกว่าการตรวจสอบทุกรายการเรนเดอร์มาก

ไม่มีโมเดลใดทำสิ่งนี้ได้ดีเพียงลำพัง Fibo 2.0 ไม่มีการตรวจสอบตนเอง ส่วน Gemma 4 12B ไม่มีตัวเรนเดอร์ ไปป์ไลน์คือผลิตภัณฑ์

ใบอนุญาต: แถวเดียวที่การเปรียบเทียบเป็นไปโดยตรงอย่างแท้จริง

ทั้งสองเป็นโอเพนเวตส์ มีเพียงตัวเดียวเท่านั้นที่ใช้งานในผลิตภัณฑ์ได้โดยไม่ต้องมีการสนทนา

• Fibo 2.0 — CC BY-NC 4.0 บนการ์ดโมเดลสำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์; การใช้งานเชิงพาณิชย์ต้องมีข้อตกลงแยกต่างหากกับ Bria รีโพซิทอรี Hugging Face ถูกจำกัดการเข้าถึงที่ "auto" พร้อมแบบฟอร์มข้อมูลบริษัทและวัตถุประสงค์การใช้งาน

• Gemma 4 12B — Apache-2.0 ไม่มีระบบขออนุมัติเข้าถึง ไม่มีข้อจำกัดขอบเขตการใช้งาน ไม่มีข้อตกลงแยกต่างหาก ดาวน์โหลดแล้วนำไปใช้งานได้เลย

• สิ่งนี้หมายความอย่างไรสำหรับทั้งคู่ — ไปป์ไลน์การวิจัยภายในสามารถใช้ทั้งสองได้แล้ววันนี้ ผลิตภัณฑ์เชิงพาณิชย์สามารถใช้ Gemma 4 12B ได้แล้ววันนี้ และต้องได้รับการอนุมัติจาก Bria สำหรับตัวเรนเดอร์

• {{1}}เหตุใดเงื่อนไขของ Bria จึงมีเหตุผลรองรับ{{/1}} — คลังข้อมูลสำหรับฝึกโมเดลคือภาพที่ได้รับอนุญาตราวหนึ่งพันล้านภาพซึ่งบริษัทจ่ายเงินซื้อมา {{2}}การเผยแพร่น้ำหนักโมเดลที่ทำให้ใครก็ตามสามารถใช้คลังข้อมูลนั้นเพื่อตัดราคา API ของบริษัทเองได้โดยไม่เสียค่าใช้จ่าย จะเท่ากับแจกสินทรัพย์ที่คลังข้อมูลนั้นซื้อมาไปให้เปล่า{{/2}} ข้อกำหนดเรื่องการไม่ใช้เชิงพาณิชย์คือกลไกที่ป้องกันไม่ให้เกิดสิ่งนี้

นี่คือการเปรียบเทียบเพียงรายการเดียวในบทความนี้ที่ทำตัวเหมือนการเปรียบเทียบโมเดลทั่วไป คือคำถามเดียวกัน รูปแบบคำตอบเดียวกัน และมีผู้ชนะที่ชัดเจน Apache-2.0 ชนะ แต่แถวนั้นกลับกลายเป็นแถวที่น่าสนใจน้อยที่สุด เพราะสัญญาอนุญาตไม่ได้บอกว่าคุณควรใช้โมเดลไหนกับงานอะไร แต่บอกว่าคุณได้รับอนุญาตให้ใช้หรือไม่ และมันเป็นสิ่งแรกที่ควรตรวจสอบ ไม่ใช่สิ่งสุดท้าย

ต้นทุนของคู่เทียบกับต้นทุนของ API

Fibo 2.0 ผ่าน API ของ Bria ราคา $0.032 ต่อภาพ, $0.0288 สำหรับระดับ Fibo Lite ที่ถูกกว่า และ $0.02 ต่อการเรียกใช้ หากคุณใช้บริการ structured-prompt ของ Bria เองแทนการเขียน VGL เอง Artificial Analysis ระบุ pricePer1kImages ไว้ที่ $32.00 ซึ่งสอดคล้องกับราคาหลัก บรรทัด structured-prompt ที่ $0.02 นั้นน่าหยุดคิด เพราะมันคืองานเดียวกับที่กำลังมอบให้ Gemma 4 12B ข้างต้น — และ Gemma 4 12B ที่มี 12B พารามิเตอร์นั้นถูกพอที่จะรันได้ จนคำถามคือ การเขียน JSON เองถูกกว่าการจ่ายสองครั้งต่อภาพหรือไม่

• Fibo 2.0 เพียงอย่างเดียว โดยใช้พรอมต์ข้อความอิสระ — $0.032 ต่อภาพ

• Fibo 2.0 พร้อมบริการพรอมต์แบบมีโครงสร้างของ Bria — $0.052 ต่อภาพ และไม่จำเป็นต้องใช้โมเดลสำหรับการให้เหตุผล

• Fibo 2.0 บวก Gemma 4 12B ที่เขียน JSON — $0.032 ต่อภาพ บวกกับค่าใช้จ่ายของ 12B เท่าไรก็ตามที่คุณต้องจ่าย บน GPU ที่เช่าและรัน 12B ในเครื่อง โดยปกติแล้วจะเสียค่าการสร้างน้อยกว่าสองเซนต์ต่อพรอมป์ หากผ่านเอนด์พอยต์ที่โฮสต์ไว้ จะขึ้นอยู่กับราคาอินพุตของผู้ให้บริการทั้งหมด เพราะพรอมป์มีภาพแนบไปด้วย

เส้นทางแบบโฮสต์เองยังให้สิ่งที่ API ทำไม่ได้ นั่นคือการตรวจสอบตัวเองแบบสองรอบ บริการ structured-prompt ของ Bria สร้าง JSON แต่มันไม่ได้ดูผลเรนเดอร์ในภายหลัง Gemma 4 12B ที่รันในเครื่องทำได้ และสำหรับงานใดก็ตามที่การเรนเดอร์ข้อความหรือขอบมาสก์มีความสำคัญ การตรวจทานนั้นคือจุดที่คุณภาพเกิดขึ้นจริง

การรัน Gemma 4 12B ควบคู่กับตัวเรนเดอร์

Gemma 4 12B ในรูปแบบ 12B ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter ดังนั้นให้ถือเป็นข้อเท็จจริงไปเลย แทนที่จะพยายามหลีกเลี่ยง สิ่งที่อยู่ในแคตตาล็อกคือรุ่นพี่ Gemma 4 ที่ใหญ่กว่า: google/gemma-4-26b-a4b-it ราคา $0.06 สำหรับอินพุต และ $0.33 สำหรับเอาต์พุตต่อหนึ่งล้านโทเค็น และ google/gemma-4-31b-it ราคา $0.13 และ $0.38 ทั้งสองรุ่นจะเขียน VGL JSON ได้ ทั้งคู่มีค่าใช้จ่ายต่อการเรียกใช้สูงกว่า 12B แต่ให้ระยะเผื่อในการให้เหตุผลที่มากกว่าสำหรับขั้นตอนการตรวจทาน ซึ่งเป็นครึ่งหนึ่งของลูปที่ได้ประโยชน์จากความสามารถที่มากขึ้น

นี่คือลักษณะของข้อโต้แย้งเรื่อง OrcaRouter ในที่นี้ และมันเป็นข้อโต้แย้งที่แคบ ตัวเรนเดอร์เป็นของ Bria เข้าถึงผ่าน API ของ Bria หรือน้ำหนักแบบโฮสต์เอง โมเดลที่เขียนและตรวจสอบพรอมป์ต์สามารถอยู่เบื้องหลังคีย์เดียวพร้อมกับทุกอย่างอื่นในสแตกของคุณ — โมเดลกว่า 200 รายการ ราคาตามรายการของผู้ให้บริการส่งผ่านโดยบวกเพิ่ม 0% การสลับสำรองอัตโนมัติเมื่อปลายทางเสื่อมประสิทธิภาพ และ DSL การกำหนดเส้นทางเพื่อเชื่อมขั้นตอนเขียน-เรนเดอร์-ตรวจสอบให้เป็นการเรียกครั้งเดียวแทนที่จะเป็นไลบรารีไคลเอนต์สามตัว หาก Bria ลดอัตราต่อภาพ ครึ่งหนึ่งของบิลของคุณที่ไม่เปลี่ยนแปลงก็ไม่จำเป็นต้องย้ายระบบเพื่อสะท้อนสิ่งนั้น

สิ่งที่ OrcaRouter ไม่ได้ทำคือการให้บริการ Fibo 2.0 หน้าเว็บใดก็ตามที่อ้างว่าปลายทางเดียว (single endpoint) ครอบคลุมทั้งสองส่วนของไปป์ไลน์นี้ กำลังอธิบายถึงผลิตภัณฑ์ที่ไม่มีอยู่จริง

อันไหนที่คุณต้องการจริงๆ

ถามก่อนว่าสิ่งที่ต้องส่งมอบคืออะไร ถ้าเป็นภาพ Gemma 4 12B ไม่ใช่ตัวเลือกและไม่เคยเป็นเลย — มันสร้างภาพไม่ได้ ไม่ว่าจะราคาเท่าใด ภายใต้สัญญาอนุญาตใดก็ตาม ไม่ว่าจะตีความตารางอันดับอย่างไร ถ้าสิ่งที่ต้องส่งมอบคือการตัดสินใจเกี่ยวกับภาพ — ภาพนี้ใช้งานได้หรือไม่ เลย์เอาต์นี้ตรงกับคู่มือแบรนด์หรือเปล่า ควรเปลี่ยนอะไรในฉากนี้ — Fibo 2.0 เป็นเครื่องมือที่ไม่เหมาะสม และ Elo 1,087 ของมันก็ไม่เกี่ยวข้อง

กรณีการจับคู่คือกรณีที่คุ้มค่าที่จะสร้างเพื่อมัน และเป็นกรณีที่การเปิดตัวครั้งนี้ทำให้เป็นเรื่องปฏิบัติได้จริงขึ้นใหม่ รูปแบบ VGL ของ Fibo 2.0 เป็นอินเทอร์เฟซที่เครื่องอ่านได้ และอินเทอร์เฟซที่เครื่องอ่านได้คือสิ่งที่ทำให้โมเดลภาษาขับเคลื่อนตัวเรนเดอร์ได้อย่างน่าเชื่อถือ แทนที่จะหวังให้พรอมป์ต์ข้อความอิสระได้ผลลัพธ์ตามต้องการ ก่อนการเปิดตัวนี้ การสร้างและการแก้ไขของ Fibo เป็นเช็กพอยต์แยกกันที่มีพฤติกรรมแยกกัน ตอนนี้ชุดน้ำหนักชุดเดียวครอบคลุมทั้งสองอย่าง สคีมาถูกจัดทำเอกสารไว้ และแพ็กเกจ bria-vgl มอบสิ่งที่เป็นรูปธรรมให้โมเดลภาษานำไปตรวจสอบได้ การเปรียบเทียบที่น่าสนใจไม่เคยเป็นการนำ Fibo 2.0 มาเทียบกับ Gemma 4 12B แต่เป็นการนำ Fibo 2.0 บวก Gemma 4 12B มาเทียบกับผู้อำนวยการฝ่ายศิลป์ของมนุษย์ที่มีการสมัครสมาชิกภาพสต็อก และในแง่ปริมาณงาน นั่นไม่ได้ใกล้เคียงกันเลย