Fibo 2.0 vs Gemma 4 12B: Một bên vẽ nên hình ảnh, bên kia viết lời nhắc cho hình ảnh đó

Đặt Fibo 2.0 và Gemma 4 12B cạnh nhau trên một bảng thông số kỹ thuật và so sánh sẽ sụp đổ ngay lập tức, vì chúng không trả lời cùng một câu hỏi. Fibo 2.0 là một mô hình hình ảnh 8B do Bria phát hành ngày 20 tháng 10 năm 2026: bạn đưa cho nó một mô tả hoặc một bức ảnh, nó trả về điểm ảnh. Gemma 4 12B là mô hình ngôn ngữ đa phương thức dày đặc 11,95B của Google, Apache-2.0, hoạt động từ ngày 23 tháng 5 năm 2026: bạn đưa cho nó văn bản, hình ảnh hoặc âm thanh và nó trả về văn bản, không bao giờ trả về hình ảnh. Mọi trang "Fibo 2.0 vs Gemma 4 12B" xếp chúng đối đầu với nhau đều đang xếp hạng một trình kết xuất với một trình viết. Phiên bản hữu ích của so sánh này là phiên bản mà chúng hoàn toàn không phải đối thủ — nơi Gemma 4 12B viết lời nhắc có cấu trúc và Fibo 2.0 kết xuất nó, và câu hỏi trở thành liệu cặp đôi đó có đánh bại từng mô hình khi dùng riêng lẻ hay không. Bảng thông số kỹ thuật không ghi lại cách các mô hình hình ảnh và ngôn ngữ thất bại khi đã đi vào sản xuất, và những sự cố đó được lập danh mục trong OrcaRouter AI Incident Archive nơi mỗi mục đi kèm nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Mỗi thứ thực sự trả lại những gì

Đây là toàn bộ lập luận gói trong hai dòng, và đó là lý do cặp đấu này đáng được viết đến thay vì bị gạt đi: các kiểu đầu ra là rời rạc.

• Đầu ra — Fibo 2.0 trả về một hình ảnh, với độ trung thực chỉnh sửa đa tham chiếu lên đến mức tối đa; Gemma 4 12B trả về các token văn bản và không có bất kỳ bộ giải mã hình ảnh nào.

• Đầu vào — Fibo 2.0 nhận văn bản và tối đa bốn hình ảnh tham chiếu; Gemma 4 12B nhận văn bản, hình ảnh và âm thanh trong một ngăn xếp duy nhất không dùng bộ mã hóa, với ngữ cảnh 256.000 token.

• Nhiệm vụ — Fibo 2.0 là một trình kết xuất có nút thắt cổ chai ở prompt; Gemma 4 12B là một trình suy luận với cửa sổ rất dài và không có đường kết xuất.

Hệ quả không phải là cái này tốt hơn cái kia. Mà là việc so sánh Elo trực tiếp giữa chúng không chỉ đơn thuần là không có sẵn, mà còn vô nghĩa — chưa từng có ai bảo một đám đông lựa chọn giữa một tệp JPEG và một đoạn văn.

Những con số mà người ta tìm đến, và lý do chúng không thể bị trừ đi

Cả hai mô hình đều có điểm số độc lập đáng tin cậy, và chúng đo những thứ khác nhau trên các thang đo khác nhau. Fibo 2.0 đạt 1.087,05 Elo trên bảng AA-Image-Editing v2.1 của Artificial Analysis, đứng thứ 20 chung cuộc và thứ nhất trong số các mô hình open-weights, với khoảng tin cậy từ 1.073,05 đến 1.101,05 qua 4.819 trận đối đầu. Trên AA-Image-T2I v2.1, mô hình đạt 1.038,79, đứng thứ 21 chung cuộc. Gemma 4 12B có Intelligence Index là 14,18 — một chỉ số tổng hợp về văn bản và lập luận, không phải điểm số ưu tiên — cùng với MMLU Pro 77,2, GPQA 78,8, AIME 77,5, Codeforces 1.659 và MMMU Pro 69,1.

Elo và chỉ số không cùng một đơn vị, nên "Fibo 2.0 tốt hơn 1.072 điểm" là phép tính trên những thang đo không tương thích. Điều mà các con số thực sự ủng hộ là sự phân công vai trò, bởi vì MMMU Pro ở mức 69,1 — suy luận đa phương thức trên hình ảnh — chính là năng lực đọc một bức ảnh nguồn và quyết định điều gì nên thay đổi trong đó. Fibo 2.0 không làm được điều đó. Nó chỉ có thể thực thi một mô tả được đưa cho nó.

Gemma 4 12B chính là nửa còn thiếu của một pipeline Fibo.

Lý do để ghép chúng gắn với cách Fibo 2.0 được xây dựng. Bria huấn luyện và ghi tài liệu cho nó dựa trên VGL — Visual GenAI Language — một định dạng chú thích JSON có cấu trúc với các trường có tên cho chủ thể, bố cục, ánh sáng, máy ảnh, phong cách và văn bản trong ảnh. Mô hình sẽ chấp nhận một câu, nhưng nó dễ dự đoán hơn với schema, vì bộ mã hóa prompt Qwen3-VL-4B của nó được nén qua một bộ tái lấy mẫu Perceiver hai lớp thành 256 đến 512 token gist, và ranh giới các trường vẫn tồn tại qua nút thắt đó theo cách mà một câu dài dòng liền mạch không làm được.

Viết JSON tuân thủ schema bằng tay thì tẻ nhạt và dễ sai. Giao việc đó cho một mô hình ngôn ngữ thì không như vậy. Gemma 4 12B với ngữ cảnh 256K có thể giữ schema, ảnh nguồn, bộ hướng dẫn phong cách nội bộ và một loạt ví dụ trong cùng một cửa sổ, xuất ra một đối tượng VGL đã được kiểm chứng, và — đây mới là phần quan trọng — nhìn vào kết quả đã render để quyết định xem chỉnh sửa đó có thực sự ăn hay không. Vai trò thứ hai ấy là một vòng phản hồi mà Fibo 2.0 không thể tự chạy, vì nó không có cách nào để tự kiểm tra đầu ra của chính mình.

• Bước một — Gemma 4 12B đọc hình ảnh tham chiếu cùng bản mô tả ngắn và xuất ra VGL JSON. MMMU Pro 69.1 của nó mới là thông số đáng quan tâm, chứ không phải điểm số về mã.

• Bước hai — Fibo 2.0 kết xuất hoặc chỉnh sửa từ JSON đó, ở chế độ Dev với 50 bước nếu ưu tiên chất lượng hoặc Edit Turbo với bốn bước nếu ưu tiên thông lượng.

• Bước ba — Gemma 4 12B so sánh kết quả với bản mô tả yêu cầu rồi phê duyệt hoặc phát ra JSON đã chỉnh sửa. Hai lượt kiểm tra giúp phát hiện phần lớn lỗi chữ nằm trong ảnh và lỗi ở mép mặt nạ.

• Bước bốn — bất kỳ thứ gì vượt qua vòng lặp sẽ được chuyển đến con người, đây là một hàng đợi nhỏ hơn nhiều so với việc đánh giá mọi bản render.

Không mô hình nào tự làm tốt việc này. Fibo 2.0 không có cơ chế tự kiểm tra; Gemma 4 12B không có bộ kết xuất. Bản thân pipeline mới là sản phẩm.

Giấy phép: dòng duy nhất mà việc so sánh thực sự trực tiếp

Cả hai đều là trọng số mở. Chỉ một cái dùng được trong sản phẩm mà không cần cuộc trò chuyện.

• Fibo 2.0 — CC BY-NC 4.0 trên thẻ mô hình cho mục đích phi thương mại; sử dụng thương mại yêu cầu thỏa thuận riêng với Bria. Kho lưu trữ Hugging Face được kiểm soát truy cập ở chế độ "auto" với biểu mẫu về công ty và mục đích sử dụng.

• Gemma 4 12B — Apache-2.0, không gating, không hạn chế lĩnh vực sử dụng, không có thỏa thuận riêng. Tải về và triển khai.

• Điều đó có nghĩa gì cho cặp này — một pipeline nghiên cứu nội bộ có thể dùng cả hai ngay hôm nay. Một sản phẩm thương mại có thể dùng Gemma 4 12B ngay hôm nay và cần chữ ký của Bria cho renderer.

• Vì sao điều khoản của Bria là có thể biện minh được — kho dữ liệu huấn luyện gồm khoảng một tỷ hình ảnh được cấp phép mà công ty đã trả tiền. Việc phát hành trọng số cho phép bất kỳ ai cạnh tranh phá giá API của chính công ty trên kho dữ liệu đó, miễn phí, sẽ là cho không tài sản mà kho dữ liệu đã mua. Điều khoản phi thương mại chính là cơ chế ngăn chặn điều đó.

Đây là phép so sánh duy nhất trong bài giống như một phép so sánh mô hình thông thường: cùng câu hỏi, cùng định dạng câu trả lời, một người thắng rõ ràng. Apache-2.0 thắng. Nó chỉ tình cờ là hàng kém thú vị nhất, bởi vì giấy phép không cho bạn biết nên dùng mô hình nào cho việc gì — nó cho bạn biết liệu bạn có được phép hay không, và đó là thứ cần kiểm tra đầu tiên chứ không phải cuối cùng.

Chi phí của cặp so với chi phí của API

Fibo 2.0 qua API của Bria có giá 0,032 USD mỗi ảnh, 0,0288 USD cho gói Fibo Lite rẻ hơn, và 0,02 USD mỗi lần gọi nếu bạn dùng dịch vụ structured-prompt của chính Bria thay vì tự viết VGL. Artificial Analysis liệt kê pricePer1kImages của nó ở mức 32,00 USD, khớp với mức giá công bố. Dòng structured-prompt 0,02 USD đó đáng để dừng lại suy nghĩ, vì đó chính xác là công việc đang được giao cho Gemma 4 12B ở trên — và Gemma 4 12B với 12B tham số đủ rẻ để chạy đến mức câu hỏi đặt ra là liệu tự viết JSON có rẻ hơn so với trả gấp đôi cho mỗi ảnh hay không.

Chỉ riêng Fibo 2.0, lời nhắc văn bản tự do — $0.032 mỗi ảnh.

• Fibo 2.0 cùng dịch vụ prompt có cấu trúc của Bria — $0.052 mỗi ảnh, và không cần mô hình suy luận.

• Fibo 2.0 cộng Gemma 4 12B viết JSON — 0,032 đô-la mỗi ảnh cộng với chi phí 12B mà bạn phải trả. Trên một GPU thuê chạy 12B cục bộ, thường tốn chưa đến hai xu cho mỗi lần sinh theo lời nhắc; qua một endpoint được lưu trữ, điều đó hoàn toàn phụ thuộc vào giá đầu vào của nhà cung cấp, vì lời nhắc có kèm một hình ảnh.

Con đường tự vận hành (self-hosted) còn mang lại một thứ mà API không thể: bước tự kiểm tra hai lượt. Dịch vụ structured-prompt của Bria tạo ra JSON; nó không nhìn lại bản render sau đó. Một Gemma 4 12B chạy cục bộ thì có thể, và với bất kỳ thứ gì mà việc render chữ hay đường viền mask quan trọng, chính bước rà soát đó mới là nơi chất lượng thực sự đến từ.

Chạy Gemma 4 12B bên cạnh renderer

Gemma 4 12B ở dạng 12B không có trong danh mục của OrcaRouter, vì vậy hãy coi đó là sự thật thay vì tìm cách lách nó. Những gì có trong danh mục là các phiên bản lớn hơn cùng dòng Gemma 4: google/gemma-4-26b-a4b-it với $0.06 cho đầu vào và $0.33 cho đầu ra trên mỗi triệu token, và google/gemma-4-31b-it với $0.13 và $0.38. Cả hai đều sẽ viết VGL JSON; cả hai đều tốn nhiều hơn mỗi lần gọi so với bản 12B, nhưng bù lại cho bạn dư địa suy luận lớn hơn cho bước đánh giá, tức là nửa vòng lặp được hưởng lợi từ năng lực cao hơn.

Đó là hình hài của lập luận OrcaRouter ở đây, và nó khá hẹp. Trình kết xuất là của Bria, được truy cập qua API của Bria hoặc trọng số tự lưu trữ. Mô hình viết và kiểm tra lời nhắc có thể nằm sau một khóa cùng với mọi thứ khác trong ngăn xếp của bạn — hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển qua với mức cộng thêm 0%, tự động chuyển đổi dự phòng khi một điểm cuối bị suy giảm, và DSL định tuyến để nối các bước viết-kết xuất-đánh giá thành một lần gọi duy nhất thay vì ba thư viện máy khách. Nếu Bria cắt giảm mức giá trên mỗi hình ảnh, nửa không thay đổi trong hóa đơn của bạn không cần phải di chuyển để phản ánh điều đó.

Điều mà OrcaRouter không làm là cung cấp Fibo 2.0. Bất kỳ trang nào khẳng định một endpoint duy nhất bao phủ cả hai nửa của pipeline này đều đang mô tả một sản phẩm không hề tồn tại.

Cái nào bạn thực sự cần

Hãy hỏi xem sản phẩm bàn giao là gì. Nếu đó là một hình ảnh, Gemma 4 12B không phải là ứng viên và chưa từng là ứng viên — nó không thể tạo ra một hình ảnh, với bất kỳ mức giá nào, dưới bất kỳ giấy phép nào, dù bảng xếp hạng được đọc theo cách nào. Nếu sản phẩm bàn giao là một quyết định về một hình ảnh — ảnh này có dùng được không, bố cục này có khớp với hướng dẫn thương hiệu không, cảnh này nên thay đổi gì — thì Fibo 2.0 là công cụ sai và 1,087 Elo của nó không liên quan.

Trường hợp ghép cặp là trường hợp đáng để xây dựng hướng tới, và cũng là trường hợp mà bản phát hành này lần đầu khiến trở nên thiết thực. Định dạng VGL của Fibo 2.0 là một giao diện máy đọc được, và giao diện máy đọc được chính là thứ cho phép một mô hình ngôn ngữ điều khiển trình kết xuất một cách đáng tin cậy thay vì hy vọng một câu lệnh văn bản tự do sẽ ăn khớp. Trước bản phát hành này, việc tạo và chỉnh sửa của Fibo là các checkpoint riêng biệt với hành vi riêng biệt; giờ đây một bộ trọng số bao quát cả hai, schema được tài liệu hóa, và gói bria-vgl cho mô hình ngôn ngữ một thứ cụ thể để đối chiếu kiểm chứng. Phép so sánh thú vị chưa bao giờ là Fibo 2.0 với Gemma 4 12B. Mà là Fibo 2.0 cộng Gemma 4 12B với một giám đốc nghệ thuật con người có thuê bao ảnh kho, và xét về khối lượng thì không có cửa so.