Fibo 2.0 vs Gemma 4 12B：一个负责画图，另一个负责为它写提示词

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.

每一个实际返回的内容

这就是整个论证的两行概括，也正是这场对决值得书写而不是被轻易否定的原因：输出类型是不相交的。

• 输出 — Fibo 2.0 返回图像，最高可达到多参考编辑保真度；Gemma 4 12B 返回文本 token，并且没有任何类型的图像解码器。

• 输入 — Fibo 2.0 可接收文本以及最多四张参考图像；Gemma 4 12B 则在单一无编码器堆栈中接收文本、图像和音频，上下文长度达 256,000 个 token。

• 分工 — Fibo 2.0 是一个受提示词瓶颈制约的渲染器；Gemma 4 12B 则是一个拥有超长上下文窗口、却没有渲染路径的推理模型。

后果并不是其中一个更好，而是它们之间的正面 Elo 比较不仅无法进行，而且毫无意义——从来没有人让一群人在一张 JPEG 和一段文字之间做选择。

人们所追求的数字，以及它们为什么不能被减去

两个模型都有可信的独立评分，且它们在不同尺度上衡量不同内容。Fibo 2.0 在 Artificial Analysis 的 AA-Image-Editing v2.1 榜单上以 1,087.05 Elo 位列总榜第 20，并在开放权重模型中排名第一；其置信区间为 1,073.05 至 1,101.05，基于 4,819 场对战。在 AA-Image-T2I v2.1 上，它的得分为 1,038.79，位列总榜第 21。Gemma 4 12B 的智能指数为 14.18——这是文本与推理综合分，而非偏好分数——同时其 MMLU Pro 为 77.2、GPQA 为 78.8、AIME 为 77.5、Codeforces 为 1,659、MMMU Pro 为 69.1。

Elo 和指数不是同一种单位，因此“Fibo 2.0 高出 1,072 分”是在不可比的尺度上做算术。这些数字确实能支持的，是一种分工，因为 MMMU Pro 在 69.1 分——对图像进行多模态推理——正是那种能读取原始照片并决定其中应改变什么的能力。Fibo 2.0 做不到这一点。它只能执行给它的描述。

Gemma 4 12B 是 Fibo 流水线缺失的另一半

将它们配对的原因与 Fibo 2.0 的构建方式密切相关。Bria 基于 VGL——Visual GenAI Language——对其进行训练和文档化，这是一种结构化 JSON 描述格式，包含主体、构图、光照、相机、风格和图像内文本等命名字段。模型可以接受一句话，但在使用该模式时表现得更可预测，因为其 Qwen3-VL-4B 提示编码器会通过两层 Perceiver 重采样器压缩为 256 到 512 个 gist token，而字段边界能以流水句无法做到的方式在这一瓶颈中保留下来。

手动编写符合模式的 JSON 既繁琐又容易出错。把它交给语言模型则并非如此。Gemma 4 12B 具备 256K 上下文，可以在同一个窗口内容纳模式、源图像、内部风格指南和一批示例，输出经过校验的 VGL 对象，并且——这才是关键所在——查看渲染结果并判断这次编辑是否真正生效。后一个角色是 Fibo 2.0 无法自行运行的反馈回路，因为它没有办法检查自己的输出。

• 第一步——Gemma 4 12B 读取参考图像和需求简报，并输出 VGL JSON。真正能说明其能力的是 MMMU Pro 69.1，而不是它的代码得分。

• 第二步 — Fibo 2.0 根据该 JSON 进行渲染或编辑：如果质量至关重要，就在 Dev 模式下使用 50 步；如果吞吐量至关重要，就使用 Edit Turbo 的四步。

• 第三步——Gemma 4 12B 将结果与简报进行比对，然后要么批准，要么输出修正后的 JSON。两轮审核可捕获大多数图像内文字和蒙版边缘的故障。

• 第四步——任何经过循环后仍然留存的内容都会转交人工处理，这会形成一个比审查每一次渲染小得多的队列。

两个模型单打独斗都做不好这件事。Fibo 2.0 没有自检能力；Gemma 4 12B 没有渲染器。流水线本身就是产品。

许可：唯一一行真正可以直接比较的内容

两者均为开放权重。只有一个能在无需对话的情况下用于产品。

• Fibo 2.0 — 模型卡上标注为 CC BY-NC 4.0，仅限非商业用途；商业用途需与 Bria 另行签订协议。Hugging Face 仓库设置为“auto”门控，并需填写公司与预期用途表单。

• Gemma 4 12B — Apache-2.0 许可，无门控，无使用领域限制，无需单独协议。下载即可发布。

• 这对两者意味着什么——内部研究流水线目前可以同时使用两者。商业产品目前可以使用 Gemma 4 12B，而渲染器则需要获得 Bria 的授权签名。

• 为什么 Bria 的条款站得住脚——其训练语料约十亿张授权图片，是公司花钱买来的。若放出权重，让任何人都能凭这批语料免费压低其自家 API 的价格，那就等于把语料买来的资产白白送人。非商业条款正是防止这种情况的机制。

这是整篇文章中唯一一个表现得像普通模型比较的对比：同样的问题、同样的回答格式、明确的赢家。Apache-2.0 胜出。它恰好是最不有趣的一行，因为许可证并不告诉你该用哪个模型做什么——它告诉你的是你是否被允许这么做，而且它是首先该检查的东西，而不是最后才看的。

该配对的成本相对于 API 的成本

通过 Bria API 使用 Fibo 2.0 的价格是每张图像 0.032 美元，更便宜的 Fibo Lite 档位为 0.0288 美元，而如果你使用 Bria 自己的结构化提示服务，而不是自己编写 VGL，则每次调用为 0.02 美元。Artificial Analysis 将其 pricePer1kImages 列为 32.00 美元，与公开标价一致。那 0.02 美元的结构化提示这一项值得停下来想一想，因为这正是上面交给 Gemma 4 12B 的工作——而 12B 参数的 Gemma 4 12B 运行成本足够低，所以问题在于自己编写 JSON 是否比每张图像付两次钱更便宜。

• 仅使用 Fibo 2.0，自由文本提示 — 每张图片 $0.032。

• Fibo 2.0 加上 Bria 的结构化提示词服务 — 每张图像 0.052 美元，且无需推理模型。

• Fibo 2.0 加上由 Gemma 4 12B 编写 JSON，每张图像 $0.032，再加上 12B 产生的任何费用。在租用的 GPU 上本地运行 12B 时，每个提示词的生成成本通常低于两美分；通过托管端点调用时，则完全取决于提供方的输入定价，因为提示词中会携带一张图像。

自托管方案还能带来 API 无法提供的东西：两轮自检。Bria 的结构化提示服务会生成 JSON；但它之后不会检查渲染结果。本地的 Gemma 4 12B 可以做到，而且对于文本渲染或蒙版边缘至关重要的任何场景，质量实际上正来自这项复核。

在渲染器旁边运行 Gemma 4 12B

Gemma 4 12B 的 12B 版本不在 OrcaRouter 目录中，因此请把这当作事实，而不是设法绕过它。目录中提供的是更大的 Gemma 4 同系列型号：google/gemma-4-26b-a4b-it，每百万 token 输入 $0.06、输出 $0.33，以及google/gemma-4-31b-it，输入 $0.13、输出 $0.38。两者都能编写 VGL JSON；每次调用的成本都比 12B 高，但会为审查步骤提供更大的推理余量，而这正是循环中受益于更强能力的那一半。

这就是 OrcaRouter 在这里的论证形态，而且范围很窄。渲染器是 Bria 的，通过 Bria 的 API 或自托管权重访问。编写和检查提示词的模型可以与技术栈中的其他一切共用一把密钥——超过 200 个模型，供应商目录价以 0% 加价直通，端点性能下降时自动故障转移，以及路由 DSL，可将写入—渲染—审核步骤串联成一次调用，而不是三个客户端库。如果 Bria 降低单图费率，账单中未变的那一半无需迁移即可反映出来。

OrcaRouter 并不提供 Fibo 2.0 服务。任何声称单个端点即可覆盖此流程两个部分的页面，所描述的都是一个并不存在的产品。

你到底需要哪一个？

问清楚交付物是什么。如果交付物是图像，那么 Gemma 4 12B 不是候选方案，也从来都不是——无论价格如何、采用何种许可证、无论排行榜怎么解读，它都无法生成图像。如果交付物是关于图像的决策——这张照片能否使用、这个版式是否符合品牌指南、这个场景中应改变什么——那么 Fibo 2.0 就是错误的工具，其 1,087 Elo 也无关紧要。

配对场景才是值得为之构建的场景，也是这次发布让它新近变得可行的场景。Fibo 2.0 的 VGL 格式是一种机器可读接口，而机器可读接口正是让语言模型能够可靠驱动渲染器、而不是寄希望于自由文本提示恰好奏效的关键。在这次发布之前，Fibo 的生成和编辑是彼此分离的检查点，行为也各自不同；现在一套权重同时覆盖两者，模式已有文档，bria-vgl 包则让语言模型有了具体的东西可据以校验。真正有意思的对比从来不是 Fibo 2.0 对 Gemma 4 12B，而是 Fibo 2.0 加 Gemma 4 12B 对一位拥有图库订阅的人类艺术总监——而在产量上，这两者完全不在一个量级。