Fibo 2.0 Dev đã có mặt trên ModelScope: Checkpoint mà Bria thực sự xây dựng để tinh chỉnh

Trang niêm yết Fibo 2.0 Dev trên site Trung Quốc của ModelScope được tạo lúc 17:03 UTC ngày 20 tháng 10 năm 2026 — cùng ngày Bria phát hành mô hình — và một bản sao trên site quốc tế xuất hiện hai ngày sau, lúc 09:55 UTC ngày 22 tháng 10. Kể từ đó, cả hai bản gương đều không nhích lên được bao nhiêu: trang niêm yết Trung Quốc ghi nhận 691 lượt tải và bản quốc tế là 59 khi được kiểm tra tuần này, và cả hai đều có trường giấy phép hiển thị, một cách chẳng mấy hữu ích, là "other". Số lượt tải không phải là câu chuyện. Câu chuyện nằm ở chỗ ngăn xếp kỹ thuật của chính ModelScope nói gì về các checkpoint, bởi tài liệu Fibo của DiffSynth-Studio giờ đây nêu rõ ràng: chỉ Fibo 2.0 Dev là có thể huấn luyện.

Đó là điều đáng để dừng lại mà suy ngẫm. Bria (công ty đứng sau mô hình) đã phát hành Fibo 2.0 vào ngày 20 tháng 10 năm 2026 dưới dạng mô hình trọng số mở 8,13 tỷ tham số, thực hiện tạo ảnh từ văn bản và chỉnh sửa theo chỉ dẫn chỉ với một bộ trọng số, đồng thời công bố hai checkpoint dưới tên đó — bản base đầy đủ và một editor đã chưng cất. ModelScope, hub mô hình Trung Quốc có dự án DiffSynth-Studio cung cấp các script huấn luyện, nay đã tích hợp cả hai và vạch rõ ranh giới mà các nhà phát triển đang chờ đợi: checkpoint đã chưng cất là một sản phẩm triển khai, còn bản không chưng cất là thứ bạn có thể huấn luyện.

Thực ra trên ModelScope có gì và không có gì?

Có hai trang niêm yết, và chúng là bản sao của cùng một bộ trọng số, không phải bản dựng lại. Trang Trung Quốc liệt kê briaai/Fibo-2.0-dev thuộc tác vụ text-to-image-synthesis với các thư viện pytorch, lora, safetensors và diffusers — sự hiện diện của lora trong danh sách đó là một dấu hiệu nhỏ về ý định. Trang quốc tế mang cùng model ID với bộ đếm lượt tải của riêng nó, nhỏ hơn nhiều. Cả hai đều trỏ về kho Hugging Face có kiểm soát truy cập thay vì lưu trữ một bản sao riêng, nên bất kỳ ai cần các tệp thực tế vẫn phải đi qua biểu mẫu truy cập phi thương mại của Bria.

Có hai chi tiết đáng lưu ý vì chúng sẽ khiến người chỉ đọc riêng trang niêm yết bị nhầm lẫn. Nhãn tác vụ ghi chỉ text-to-image, điều này không phản ánh hết giá trị của checkpoint: Fibo 2.0 Dev thực hiện cả tạo và chỉnh sửa từ cùng một bộ trọng số, và luồng chỉnh sửa mới là thứ mà hầu hết các nhóm quan tâm nhất. Và trường giấy phép ghi "other" thay vì "CC BY-NC 4.0", đây là một khoảng trống siêu dữ liệu chứ không phải một điều khoản cấp phép khác — điều khoản cấp phép vẫn là giấy phép phi thương mại của Bria, và đây là ràng buộc lớn nhất đối với bất kỳ thứ gì bạn tinh chỉnh dựa trên checkpoint này.

Thời điểm cũng quan trọng đối với cách đọc tin tức. Các trọng số đã được đưa lên Hub vào ngày 18–19 tháng 10, Artificial Analysis đã có bản chụp vào ngày 20 tháng 10, ComfyUI đã hợp nhất hỗ trợ gốc vào ngày 21 tháng 10, và bản sao quốc tế của ModelScope đã được bổ sung vào ngày 22 tháng 10. Fibo 2.0 Dev là một checkpoint đã chín ngày tuổi trong một giai đoạn phân phối vẫn đang tiếp diễn, chứ không phải một bản phát hành cũ đang được hồi sinh.

Dev so với Edit Turbo là một fork thực sự, không phải chỉ là một sự kỳ quặc trong cách đặt tên.

Bria đã công bố hai checkpoint dưới cùng một tên phát hành, và sự khác biệt giữa chúng quyết định mọi thứ ở các bước phía sau:

• Lấy mẫu — Fibo 2.0 Dev chạy 50 bước với classifier-free guidance ở mức 5.0; Fibo 2.0 Edit Turbo chạy 4 bước với guidance cố định ở 1.0, tức là hoàn toàn không có guidance.

• Phạm vi tác vụ — Dev làm được text-to-image và chỉnh sửa; Turbo chỉ làm chỉnh sửa, nên một prompt text-to-image với Turbo là dùng sai công cụ chứ không phải là một câu trả lời chậm hơn.

• Prompt phủ định — chúng có tác dụng trên Dev vì CFG đang bật; trên Turbo không có CFG để điều hướng, nên prompt phủ định chẳng có cần gạt nào để kéo.

• Khả năng huấn luyện — đây chính là ngã rẽ quan trọng ở đây. Trang Fibo của DiffSynth-Studio nói rõ rằng chỉ Fibo-2.0-dev là đối tượng để huấn luyện; Turbo được mô tả là không nhằm mục đích tinh chỉnh.

• Chi phí trên mỗi hình ảnh khi suy luận — Turbo rẻ hơn khoảng một bậc độ lớn để vận hành đối với đúng thứ hẹp mà nó làm, và đó chính là lý do không ai nên tinh chỉnh nó để theo đuổi khoảng cách đó.

Về cơ bản, chúng có cùng kiến trúc: một transformer khuếch tán flow-matching hoạt động trong không gian latent của FLUX.2 VAE, một DiT BF16 8,127,342,213 tham số với 44 khối single-stream, trong đó năm khối đưa cross-attention vào một text encoder Qwen3-VL-4B-Instruct mà đầu ra được nén thành 256–512 token "gist" bởi một Perceiver resampler hai lớp. Repository chạy tổng cộng khoảng 25.5 GB — một transformer 16.3 GB, một text encoder 8.9 GB và một VAE 0.34 GB — đây mới là con số cần dự trù, không phải con số 8B được nêu trên tiêu đề.

Công thức huấn luyện: bộ mã hóa đóng băng, một DiT có thể huấn luyện

Đóng góp của ModelScope không phải là một bản gương khác mà là một bộ script, và hình thức của nó mang tính quy ước theo cách khiến nó dễ sử dụng. Quá trình huấn luyện tái sử dụng chính FiboPipeline được dùng cho suy luận và chạy qua examples/fibo/model_training/train.py. VAE và bộ mã hóa văn bản được đóng băng; DiT được huấn luyện bằng flow matching. Lựa chọn đó là hợp lý — tinh chỉnh một bộ mã hóa Qwen3-VL-4B song hành với một transformer 16 GB trên một node duy nhất là một dự án khác — nhưng nó cũng có nghĩa là một lần tinh chỉnh có thể chuyển hướng phong cách, bố cục và hành vi chỉnh sửa mà không dạy mô hình một ngôn ngữ gợi ý thực sự mới.

Hai cấp độ được hỗ trợ, và cả hai đều chỉ dùng DiT:

• Tinh chỉnh toàn phần — truyền --trainable_models "dit" và để Accelerate xử lý cấu hình phân tán; toàn bộ transformer được cập nhật, không có gì khác.

• LoRA — gắn các adapter vào DiT bằng --lora_base_model "dit", thiết lập mô-đun mục tiêu và rank, đồng thời tùy chọn tiếp tục từ checkpoint; các script LoRA được cung cấp mặc định chạy trên một GPU.

Chỉnh sửa là mục tiêu huấn luyện hạng nhất chứ không phải việc nghĩ đến sau. Các lần chạy chỉnh sửa đưa edit_image và một mask tùy chọn vào thông qua --extra_inputs, và UnifiedDataset đọc các cột đó từ metadata; các hàng không có mask được huấn luyện như các mẫu chỉnh sửa thông thường thay vì bị loại bỏ. Bởi vì sinh tạo và chỉnh sửa dùng chung trọng số, một lần tinh chỉnh có thể dạy một miền mới và cách chỉnh sửa bên trong miền đó — thẻ mô hình của chính Bria quảng bá điều đó cho LoRA thương hiệu và phong cách, chuyên gia theo ngành dọc và công cụ chỉnh sửa tác vụ hẹp, đồng thời cung cấp một trình huấn luyện LoRA trên một GPU với hướng dẫn chuẩn bị dữ liệu trong thư mục fine_tuning/ của kho lưu trữ.

Hai bộ dữ liệu ví dụ cho thấy lược đồ mà bạn được kỳ vọng sẽ tạo ra: DiffSynth-Studio/diffsynth_example_dataset, với một split fibo/Fibo-2.0-dev mang CSV metadata của image và prompt, và một split fibo/Fibo-2.0-dev-Edit mang JSON metadata của image, prompt, edit_image và mask tùy chọn. Không có gì trong lược đồ đó là xa lạ; công việc nằm ở việc tạo ra các caption.

VRAM: phần mà thẻ mô hình không định lượng

Không có mức tối thiểu nào được công bố. Tài liệu DiffSynth khuyến nghị các cấu hình VRAM thấp và quản lý VRAM tự động dựa trên bộ nhớ còn lại thay vì đưa ra một mức sàn cụ thể, và cấu hình ví dụ cho bạn biết họ kỳ vọng điều gì: tải và chuẩn bị ở FP8 E4M3, tính toán ở BF16, offload ra đĩa, và giới hạn tổng mức sử dụng ở tổng bộ nhớ CUDA trừ 0.5 GB. Đó là một công thức được viết bởi những người biết rằng câu trả lời phụ thuộc vào card của bạn, độ phân giải của bạn và việc gradient checkpointing có được bật hay không — và nó thành thật về điều đó. Hãy lên kế hoạch cho việc offload và chấp nhận rằng một lần fine-tune ở một megapixel sẽ chậm trước khi nó trở nên tốt.

JSON có cấu trúc chính là giao diện, vì vậy bộ dữ liệu của bạn phải nói được ngôn ngữ đó

Bề mặt điều khiển của Fibo không phải là một hộp nhập lệnh. Mô hình được huấn luyện trên các chú thích Visual GenAI Language (VGL) — JSON có cấu trúc, trong đó ánh sáng, bố cục, phong cách, máy ảnh và đối tượng là các trường có thể truy cập độc lập — và quy trình suy luận trả về chú thích cùng với hình ảnh mà nó tạo ra. Trình trợ giúp bria-vgl cung cấp create() để tạo và modify() để chỉnh sửa, nên bạn không cần tự viết JSON bằng tay; một VLM được lưu trữ sẽ thực hiện việc mở rộng trừ khi bạn tự viết.

Điều đó có hệ quả trực tiếp đối với việc tinh chỉnh mà phần đưa tin về buổi ra mắt phần lớn đã bỏ qua. Nếu bạn huấn luyện trên các prompt văn bản tự do, bạn đang huấn luyện DiT với một định dạng chú thích mà nó vốn không được thiết kế để dùng, và khả năng kiểm soát mà bạn mong có được lại chính là thứ đầu tiên mất đi. Lưu các chú thích VGL trong metadata của bạn — dù do pipeline tạo ra rồi được chỉnh sửa, hay được viết một cách có chủ đích — sẽ giữ nguyên hành vi của trường địa chỉ hóa, và đó chính là khác biệt giữa một LoRA thay đổi phong cách và một LoRA thay đổi phong cách mà không phá hỏng phần còn lại của khung hình. Nếu tập huấn luyện của bạn là những hình ảnh không có chú thích, thì bước tạo chú thích là bước tốn kém, và đó là công việc của mô hình ngôn ngữ.

Công cụ đã ra mắt nhanh hơn mức thường thấy ở hầu hết các checkpoint mới.

Với một mô hình mới chỉ chín ngày tuổi, ngăn xếp công nghệ xung quanh nó lại hoàn thiện đến mức bất thường; đây là một phần lý do khiến tích hợp ModelScope thực ra không phải là vấn đề lớn như vẻ ngoài, mà còn hữu ích hơn một bản sao đơn thuần.

• diffusers — một BriaFibo2Pipeline đã được đưa vào dưới dạng PR #14991, đây là hướng mà hầu hết mã suy luận sẽ đi theo.

• ComfyUI — hỗ trợ gốc được hợp nhất vào ngày 21 tháng 10 dưới dạng PR #17240 và phát hành trong v0.43.0, bổ sung loại bộ mã hóa văn bản fibo2 tải Qwen3-VL-4B chính thức và nút TextEncodeFibo2 xử lý lời nhắc VGL cùng hình ảnh tham chiếu. Các bản đóng gói lại BF16 và INT8 tuân theo bố cục loader đó, và hỗ trợ kiến trúc GGUF có sẵn cho các lần chạy cục bộ đã lượng tử hóa.

• ModelScope / DiffSynth-Studio — các script suy luận và huấn luyện trong cùng một nơi, chính là phần mà một nhóm đang chuẩn hóa theo DiffSynth thực sự cần trước khi có thể lên kế hoạch tinh chỉnh.

Bức tường mà không ai nhắc đến: CC BY-NC 4.0

Fibo 2.0 là trọng số mở, không phải mã nguồn mở, và khoảng cách giữa hai cụm từ đó chính là toàn bộ câu hỏi thương mại. Các checkpoint được cấp phép theo CC BY-NC 4.0: chỉ dùng cho mục đích phi thương mại, việc triển khai thương mại cần một thỏa thuận riêng với Bria, và các kho lưu trữ trên Hugging Face bị hạn chế truy cập sau biểu mẫu khai báo công ty và mục đích sử dụng. Một LoRA thương hiệu được huấn luyện trên Fibo 2.0 Dev là một sản phẩm nghiên cứu cho đến khi có thỏa thuận đó — một chỗ kỳ lạ để đặt “chính xác thứ mà các nhà phát triển muốn xây dựng lên trên”, nhưng đó là chỗ chính xác. Hãy so sánh với các lựa chọn thay thế trọng số mở vốn cho phép sử dụng thương mại hoàn toàn, và giấy phép — không phải Elo — trở thành ranh giới quyết định cho bất kỳ ai phát hành sản phẩm.

Bức tranh chất lượng cũng hẹp hơn so với tiêu đề. Trên AA-Image-Editing v2.1 của Artificial Analysis, Fibo 2.0 đạt 1.088 Elo với khoảng ±14 trên 5.009 phiếu bầu mù — đứng thứ hai mươi ba tổng thể và thứ nhất trong số các trình chỉnh sửa open-weights, dù đã tụt một hoặc hai bậc kể từ ảnh chụp lúc ra mắt. Qwen-Image-2.1 ở mức 1.081 ±13, và các khoảng gần như trùng khớp hoàn toàn, nên vị trí dẫn đầu open-weights chỉ là kết quả phân định hòa chứ không phải bằng chứng. Trên AA-Image-T2I v2.1, thứ tự đảo ngược: 1.039 ±12 cho Fibo 2.0 so với 1.042 ±12 của Qwen-Image-2.1. Thẻ mô hình của chính Bria còn kém tâng bốc hơn ở các hạng mục hẹp — nó liệt kê kết xuất văn bản và bố cục ở khoảng cuối mười mấy đến đầu hai mươi, còn giải phẫu người ở vị trí thứ mười tám. Một bản tinh chỉnh có thể theo đuổi những điểm yếu đó, nhưng không thể vượt quá những gì bộ mã hóa hiểu được.

Khi nào định tuyến phù hợp, và khi nào không

Cách chia tách trung thực: bản thân Fibo 2.0 không nằm trong danh mục của OrcaRouter, nên ở đây không có gì là lời chào mời “gọi Fibo qua chúng tôi”. Điều mà định tuyến mang lại là nửa còn lại của quy trình. Hai công việc mô hình ngôn ngữ quanh checkpoint này — viết chú thích VGL cho một tập huấn luyện và mở rộng các prompt ngắn thành JSON có cấu trúc khi suy luận — là những khối lượng công việc văn bản thông thường, và chúng chính là những thứ quyết định liệu có thể tinh chỉnh được hay không. OrcaRouter cung cấp một API cho hơn 200 mô hình với mức phụ phí 0%, vì vậy giá niêm yết của nhà cung cấp được chuyển nguyên trạngvà phần cắt của nhà cung cấp đi thẳng vào hóa đơn của bạn trong cùng ngày; tự động chuyển đổi dự phòng giữa các nhà cung cấp nghĩa là một lượt tạo chú thích cho vài nghìn ảnh không bị chết vì một upstream; và DSL định tuyến có thể ghim một mô hình rẻ cho việc tạo chú thích hàng loạt trong khi gửi những trường hợp khó đến một mô hình mạnh hơn, với tính năng hợp nhất mô hình sẵn có khi một bộ tạo chú thích duy nhất cứ bỏ sót một trường. Mô hình hình ảnh vẫn ở nguyên chỗ của nó; phần văn bản xung quanh nó có thể định tuyến.

Điều đáng theo dõi tiếp theo là lộ trình của chính Bria, mà model card liệt kê gồm chỉnh sửa cục bộ đa lượt, xóa nền, một LoRA chụp ảnh sản phẩm, xóa mặt nạ và outpainting — tất cả đều sẽ xuất hiện trên checkpoint Dev trước tiên, vì Dev là bản có vòng lặp huấn luyện. Các bản mirror trên ModelScope là nửa nhàm chán của câu chuyện này. Câu của DiffSynth “chỉ Fibo-2.0-dev là có thể huấn luyện” là nửa hữu ích, và đó là lý do để tải repository 25,5 GB thay vì gọi API.