Fibo 2.0 Dev 登陆 ModelScope：Bria 真正为微调打造的检查点

ModelScope 中国站点上的 Fibo 2.0 Dev 条目创建于 2026 年 10 月 20 日 17:03 UTC——正是 Bria 发布该模型的同一天——而国际站点上的副本则在两天后出现，时间为 10 月 22 日 09:55 UTC。此后两个镜像都没有太大变化：本周查看时，中国站点条目有 691 次下载，国际站点有 59 次，而且两者都带有一个毫无帮助、只写着“other”的许可证字段。下载量并不是重点。重点是 ModelScope 自己的工程栈对检查点（checkpoints）的说明，因为 DiffSynth-Studio 的 Fibo 文档如今已明确写道：只有 Fibo 2.0 Dev 是可训练的。

这值得放慢节奏细看。Bria（该模型背后的公司）于 2026 年 10 月 20 日发布了 Fibo 2.0——一个拥有 81.3 亿参数、采用开放权重的模型，能用同一套权重完成文生图生成和指令编辑，并以该名称发布了两份检查点：完整基础版和一份蒸馏编辑器。ModelScope 是中国模型中心，其 DiffSynth-Studio 项目提供训练脚本；它现已集成这两者，并划出了开发者一直期待的那条界线：蒸馏检查点是部署产物，非蒸馏版本才是你可以继续训练的那个。

ModelScope 上实际有什么，又没有什么

现有两个条目，它们是同一套权重的镜像，而非重新构建的版本。中国站点将 briaai/Fibo-2.0-dev 列在 text-to-image-synthesis 任务下，所用库为 pytorch、lora、safetensors 和 diffusers——lora 出现在该列表中，多少透露了意图。国际站点则列出相同的模型 ID，并带有其自己的、小得多的下载计数。两者都指向设有门控的 Hugging Face 仓库，而非托管一份单独副本，因此任何需要实际文件的人仍须走完 Bria 的非商业访问表单。

有两个细节值得指出，因为单独阅读该模型页面的人会因此感到困惑。任务标签只写了文生图，这低估了这个检查点：Fibo 2.0 Dev 使用同一组权重同时进行生成和编辑，而大多数团队关心的正是编辑路径。许可证字段写的是“other”而不是“CC BY-NC 4.0”，这属于元数据缺失，并非不同的授权——授权仍然是 Bria 的非商业许可证，并且它是对基于此检查点进行任何微调的最大单一约束。

发布时机同样影响这条消息应如何解读。权重于10月18–19日上传至 Hub，Artificial Analysis 于10月20日前已有快照，ComfyUI 于10月21日合并了原生支持，ModelScope 的国际镜像于10月22日补齐。Fibo 2.0 Dev 是一个已有九天历史的检查点，正处于仍在推进的分发阶段，而不是被重新启用的旧版本发布。

Dev 与 Edit Turbo 是真正相互独立的分支，而不是命名上的文字游戏。

Bria 在同一个发布名称下发布了两个检查点，而这一差异决定了下游的一切：

• 采样 — Fibo 2.0 Dev 以 5.0 的无分类器引导运行 50 步；Fibo 2.0 Edit Turbo 运行 4 步，引导固定为 1.0，也就是说完全不使用引导。

• 任务覆盖范围——Dev 支持文生图和编辑；Turbo 仅支持编辑，因此对 Turbo 使用文生图提示词是用错了工具，而不是得到了更慢的响应。

• 负面提示词——在 Dev 上它们有效，因为 CFG 处于开启状态；而在 Turbo 上没有可用来引导的 CFG，因此负面提示词也就没有可以拉动的杠杆。

• 可训练性——这才是这里关键的分野。DiffSynth-Studio 的 Fibo 页面明确指出，只有 Fibo-2.0-dev 是训练目标；Turbo 则被描述为不适用于微调。

• 推理时每张图像的成本——Turbo 在执行其特定窄任务时的运行成本大约低一个数量级，这正是为什么不应该通过微调它来追赶这一差距。

从底层来看，它们的形态相同：一个运行在 FLUX.2 VAE 潜空间中的流匹配扩散 Transformer，一个拥有 8,127,342,213 个参数的 BF16 DiT，包含 44 个单流块，其中五个通过交叉注意力接入 Qwen3-VL-4B-Instruct 文本编码器，而该编码器的输出由两层 Perceiver 重采样器压缩为 256–512 个“gist”token。该仓库整体运行约需 25.5 GB——16.3 GB 的 Transformer、8.9 GB 的文本编码器和 0.34 GB 的 VAE——这才是需要预留预算的数字，而不是 8B 这个标题数字。

训练方案：冻结编码器，可训练的 DiT

ModelScope 的贡献不是又一个镜像，而是一套脚本；而它的形态恰恰是那种"常规得让人能用得起来"的常规。训练复用与推理相同的 FiboPipeline，并通过 examples/fibo/model_training/train.py 运行。VAE 和文本编码器被冻结；DiT 以 flow matching 训练。这个选择是明智的——在单节点上把一个 Qwen3-VL-4B 编码器和一台 16 GB 的 transformer 放在一起微调，那是另一个项目了——但它同时也意味着，一次微调可以改变风格、构图和编辑行为，却无法教会模型一门真正全新的提示语言。

支持两个级别，且两者均仅限 DiT：

• 完整微调 — 传入 --trainable_models "dit"，并让 Accelerate 处理分布式配置；整个 transformer 都会参与训练，其他部分则保持不动。

• LoRA — 使用 --lora_base_model "dit" 将适配器附加到 DiT，设置目标模块和秩，并可选择从检查点恢复；提供的 LoRA 脚本默认使用单块 GPU。

编辑并非事后补充，而是一等一的训练目标。编辑任务通过 --extra_inputs 注入 edit_image 和一个可选掩码，UnifiedDataset 则从元数据中读取这些列；没有掩码的行会作为普通编辑样本参与训练，而不是被丢弃。由于生成与编辑共享权重，一次微调便能同时教会模型一个新领域以及如何在该领域内进行编辑——Bria 自家的模型卡正是以此作为卖点，面向品牌与风格 LoRA、垂直领域专家模型和窄任务编辑器，并随附一个单 GPU 的 LoRA 训练器，以及仓库 fine_tuning/ 文件夹中的数据准备指南。

两个示例数据集展示了预期要生成的模式：DiffSynth-Studio/diffsynth_example_dataset，其中 fibo/Fibo-2.0-dev 划分带有一个包含 image 和 prompt 的元数据 CSV，而 fibo/Fibo-2.0-dev-Edit 划分带有一个包含 image、prompt、edit_image 和可选 mask 的元数据 JSON。该模式中没有任何新奇之处；工作在于生成字幕。

VRAM：型号卡未量化的部分

官方没有公布最低配置要求。DiffSynth 的文档推荐采用低显存配置，并基于剩余显存进行自动显存管理，而不是给出一个下限；而示例配置则明确说明了他们的预期：以 FP8 E4M3 加载和准备，以 BF16 进行计算，卸载到磁盘，并将总使用量限制在 CUDA 总显存减去 0.5 GB 以内。这套方案出自那些清楚答案取决于你的显卡、你的分辨率以及是否启用梯度检查点的人之手——而且它对这一点毫不掩饰。请按需要卸载来规划，并接受这样一个事实：百万像素级别的微调，在变好之前会先是很慢。

结构化 JSON 就是接口，所以你的数据集必须说这种语言。

Fibo 的控制接口不是提示词框。该模型是在 Visual GenAI Language (VGL) 描述文本上训练的——这是一种结构化 JSON，其中光照、构图、风格、相机和对象都是可独立寻址的字段——并且推理流水线会返回它生成的图像以及对应的描述文本。bria-vgl 辅助工具提供用于生成的 create() 和用于编辑的 modify()，因此你不需要手写 JSON；除非你自行编写，否则由托管的 VLM 完成扩展。

这对微调有着直接影响，而发布报道大多略过了这一点。如果你用自由文本提示词进行训练，你就是在让 DiT 针对一种并非为其设计的 caption 格式进行训练，而你原本希望获得的控制力会最先丧失。将 VGL caption 存入元数据——无论是由流水线生成后再编辑，还是刻意撰写——都能保持可寻址字段的行为不变，而这正是“改变风格的 LoRA”与“改变风格却不破坏画面其余部分的 LoRA”之间的差别。如果你的训练集是没有 caption 的图像，那么 caption 生成环节就是昂贵的一步，而且这是一项语言模型任务。

工具链落地的速度，比大多数新检查点问世还要快

对于一个问世仅九天的模型来说，其周边技术栈异常完整；这也是为什么 ModelScope 集成看起来没那么重要，却比单纯的镜像更有用的部分原因。

• diffusers —— 一个 BriaFibo2Pipeline 已作为 PR #14991 合入，这也是大多数推理代码会采用的路径。

• ComfyUI —— 原生支持已于 10 月 21 日以 PR #17240 合并，并在 v0.43.0 中发布，新增了 fibo2 文本编码器类型（可加载官方 Qwen3-VL-4B），以及处理 VGL 提示词和参考图像的 TextEncodeFibo2 节点。BF16 与 INT8 重打包遵循该加载器的布局，并且已提供 GGUF 架构支持，用于量化本地运行。

ModelScope / DiffSynth-Studio —— 推理与训练脚本集中在一处，这正是团队在统一采用 DiffSynth 时、规划微调之前真正需要的那一环。

无人提及的墙：CC BY-NC 4.0

Fibo 2.0 是开放权重，而非开源，而这两个说法之间的差别正是整个商业问题的关键。其检查点采用 CC BY-NC 4.0：仅限非商业使用，商业部署需与 Bria 另行签订协议，且 Hugging Face 仓库需填写公司信息和预期用途表单后才能访问。基于 Fibo 2.0 Dev 训练的品牌 LoRA 在协议达成前只是研究产物——把“正是开发者想要构建其上的东西”放在这个位置很奇怪，但这确实是它所处的准确位置。对比那些直接允许商业使用的开放权重替代方案，对任何要交付产品的人来说，决定性的分界线就成了许可证，而不是 Elo。

质量图景也比标题所呈现的更窄。在 Artificial Analysis 的 AA-Image-Editing v2.1 上，Fibo 2.0 基于 5,009 次盲投票取得 1,088 Elo，区间为 ±14——总体排名第 23，并在开放权重编辑器中排名第一，尽管自发布快照以来已下滑一两位。Qwen-Image-2.1 为 1,081 ±13，两者区间几乎完全重叠，因此开放权重方面的领先只是打破平局的结果，而非确证。在 AA-Image-T2I v2.1 上，排序发生反转：Fibo 2.0 为 1,039 ±12，而 Qwen-Image-2.1 为 1,042 ±12。Bria 自己的模型卡在细分类别上还要更不客气——它将文本渲染和布局列在十几名到二十名出头，并将人体解剖列在第 18 名。微调可以追赶这些弱点，但无法超越编码器所理解的范围。

路由适合何处，不适合何处

坦诚地讲：Fibo 2.0 本身并不在 OrcaRouter 的目录中，所以这里没有半点“通过我们调用 Fibo”的推销意味。路由真正提供的是这条流水线的另一半。围绕这个检查点的两项语言模型工作——为训练集编写 VGL 说明文字，以及在推理时把简短提示扩展为结构化 JSON——都是普通文本负载，而它们恰恰决定了微调是否能够实现。OrcaRouter 提供 一个 API 接入 200+ 模型，零加价，因此 各提供商的列表价格原样透传，供应商抽成当天就会反映到你的账单上；跨提供商的自动故障转移意味着，一次处理几千张图片的说明文字生成不会因为某个上游服务出问题而中断；路由 DSL 可以为批量说明文字生成固定使用廉价模型，同时把困难案例交给更强的模型；当单个说明生成器总是漏掉某个字段时，还可以使用模型融合。图像模型保持原位；围绕它的文本部分则可以路由。

接下来值得关注的是 Bria 自己的路线图，模型卡中列出了多轮局部编辑、背景移除、产品图 LoRA、遮罩擦除和外绘——这些功能都会首先出现在 Dev checkpoint 上，因为 Dev 才是带有训练循环的那个。ModelScope 镜像只是这件事中乏味的一半。DiffSynth 那句“只有 Fibo-2.0-dev 可训练”才是有用的一半，也正是要下载这个 25.5 GB 仓库而不是调用 API 的原因。