Fibo 2.0 与 LFM2.5 2.6B Base：27 亿参数的文本，还是 81 亿参数的图片

规模差距是任何人最先注意到的东西，也是关于它最没用的东西。Bria 于 2026 年 10 月 20 日发布的 Fibo 2.0 拥有 8,127,342,213 个参数，输出图像。Liquid AI 于 2026 年 8 月 1 日发布的 LFM2.5 2.6B Base 拥有 26.9 亿个参数，输出文本——而且不是成品文本，而是未经指令微调的预训练基础检查点的原始续写行为。问哪个更好，就像问相机是否比词典更好。有答案的问题更狭窄也更实际：两者各自都是自己赛道中最小的可信开放选项，而知道每条赛道的下限在哪里，就能告诉你你的约束条件实际排除了哪一个。两份模型卡都没有记录这样的检查点部署不当时会发生什么，而有记录的事件被编目在OrcaRouter AI Incident Archive中，其中每条记录都带有自己的来源、严重程度、置信度等级和争议标记。

地板，双向

两个模型之所以都值得关注，是出于同一个结构性原因——各自都接近其任务可行性的下限——而这也是它们之间唯一可资比较的维度。

• 参数——Fibo 2.0 在 BF16 下为 8,127,342,213；LFM2.5 2.6B Base 为 26.9 亿。权重上大约是三比一的比例，内存占用上的比例也大致相同。

• 输出 — Fibo 2.0 返回图像；LFM2.5 2.6B Base 仅返回文本 token，不返回其他任何内容。

• 运行环境——Fibo 2.0 需要一块显存足够的 GPU，以支持 44 层扩散 Transformer 在 50 步下运行，或在 Turbo 变体中运行 4 步；LFM2.5 2.6B Base 以 GGUF、ONNX 和 MLX 格式提供，旨在可在手机、笔记本电脑或单板计算机上运行。

• 微调状态 — Fibo 2.0 Dev 是一个非蒸馏的基础模型，带有无分类器引导，并有面向微调的文档说明；LFM2.5 2.6B Base 仅经过预训练，在有人对其进行调优之前不具备指令遵循行为。

• 许可证 — Fibo 2.0 在非商业用途下采用 CC BY-NC 4.0，商业用途需通过协议获得许可；LFM2.5 2.6B Base 采用 LFM 1.0 许可证，该许可证允许商业使用，但须遵守其自身条款。

• 分数——Fibo 2.0 在 AA-Image-Editing v2.1 上以 1,087.05 Elo 位居开放权重第一；LFM2.5 2.6B Base 的估计智能指数为 8.39，GPQA 为 55.8%，Terminal-Bench 2.1 为 4.5%，HLE 为 6.2%。

那两条评分线不能放进同一个句子里作比较。一条是对渲染图像的大众偏好评分，另一条是文本基准上的综合评分。要同时使用两者，唯一诚实的做法是说明每个模型各自的用途。

基础检查点实际上是什么，因为这个名称具有误导性

LFM2.5 2.6B Base 中的“Base”并非“标准”的委婉说法。它意味着该模型仅用 34 万亿个词元进行了下一词元预测训练，除此之外别无所学——没有指令微调，没有聊天模板，没有拒答行为，也没有意识到某个输入是在提问。输入“总结这封邮件：”，它会按照预训练数据所暗示的风格续写这个字符串，续出来的可能是邮件线程的剩余部分，而不是摘要。

这让它成为一个不错的起点，却是一个糟糕的产品。Liquid AI 将它提供给打算进行微调的人，而架构正是为这项工作而选：30 层、22 个双门控短卷积层和 8 个分组查询注意力层、128K 词表、131,072 个 token 的上下文，以及预训练覆盖 16 种语言。以卷积为主的堆栈正是它能装进手机的原因——注意力成本会随上下文增长，而卷积不会，这就是整套设计的核心论点。

• 架构 — 30 层：22 个双门控短卷积块和 8 个 GQA 块，128K 词表。

• 训练 — 34 万亿 tokens、16 种语言，仅做预训练。

• 上下文——131,072 个 token，而卷积栈的设计正是为了让这个数量变得可负担。

• 格式 — GGUF、ONNX 和 MLX，因此 llama.cpp、ONNX Runtime 和 Apple silicon 都是一等目标。

• 它不会做什么——在你对它进行微调之前，它不会遵循指令、进行对话，也不会生成除文本续写之外的任何内容。

与 Fibo 2.0 的 Dev 检查点作比较，比乍看之下更贴切。Fibo 2.0 Dev 也是一个基础模型——非蒸馏，50 步，使用值为 5.0 的无分类器引导，并且是 Bria 明确指定用于微调的检查点。两个项目都提供了一个微调目标，要么与可用产品一同交付，要么取而代之。不同之处在于，Fibo 2.0 Edit Turbo 作为同一组权重的可用版本存在，经蒸馏后只需四步且无需引导；而 LFM2.5 2.6B 必须先经过微调，才能使用。

许可与“开放”的实际成本

两个模型都可以下载。但你可以用它们做什么却大相径庭，而且方向恰恰颠覆了人们对体量的通常直觉：那个小模型才是可商用的那个。

• Fibo 2.0 — 非商业用途采用 CC BY-NC 4.0 许可。商业用途需与 Bria 另行签订协议。Hugging Face 仓库设有访问限制，需填写公司及预期用途表单。

LFM2.5 2.6B Base —— LFM 1.0 许可证，按其自身条款允许商业部署。无需逐次使用协商，不过这些条款并非 Apache-2.0，值得仔细阅读，而非想当然。

• Bria 的条款为何如此——其训练语料库是公司付费获得的大约十亿张授权图像。若免费开放权重，让任何人都能凭该语料库以低于 Bria 自家 API 的价格竞争，那就等于把该语料库换来的资产拱手送出。

• 现实中的分界在于——内部研究流程明天就能同时使用两者。而准备上市的产品明天就能把 LFM2.5 2.6B Base 嵌入设备，但没有签署许可就无法交付 Fibo 2.0。

这不是在贬低 Bria。这是两个问题各自的成本结构。Liquid AI 用文本训练，其中大部分文本都可免费获得许可；Bria 用照片训练，而这些照片没有一张可免费获得许可。许可条款取决于输入数据，而不是模型质量，而这正是它们应当取决的地方。

它们交汇之处：先描述、后渲染的设备端助手

存在一种架构，能让这两个模型同处一个系统之中，而这正是本文是作对比、而非否定它们的原因。Fibo 2.0 的条件路径接收结构化的 JSON 描述文本——即 VGL，Bria 的 Visual GenAI Language——其中包含用于主体、构图、光照、相机、风格和图中文字的命名字段。一个 2.6B 的文本模型能够装进拍摄照片的那台设备上，而它恰恰就是那种可以在本地写出这段 JSON、无需往返服务器的模型。

能否做到与是否应该做是两回事。一个估计指数为 8.39、GPQA 55.8%、HLE 6.2% 的预训练基座模型，在没有针对具体任务进行微调的情况下，无法可靠地从一张照片中输出符合 schema 的 JSON——而在 VGL 语料库上对它进行微调，是一项定义明确、适合小模型规模的工作。这就是“折中方案”论证的诚实版本：LFM2.5 2.6B Base 是经过微调的说明文字生成器的合理基础，而不是开箱即用的现成方案。

• 2.6B 带来了什么——它在拍照现场运行，权重不足 3 GB，无需联网，也没有按次调用费用。

• 它首先需要的是——在 VGL 格式示例上进行监督微调，再加上约束解码或 JSON 语法，以保证输出有效。

• 渲染器带来了什么——它仍然需要 GPU。设备端的那一半负责描述，服务器端的那一半负责绘制。这是当今唯一可行的分工方式。

• 这个想法的问题在于——如果说明文字必须足够好，那么 12B 级多模态模型比 2.6B 纯文本模型更能读懂源图像，因为 2.6B 模型根本看不到照片。

最后这一点，才是真正决定大多数实际设计方案的关键。LFM2.5 2.6B Base 是文本输入、文本输出。它能根据文字简报写出 VGL 图注；却无法查看自己所描述的那张图像。任何把两者搭配使用的人，都应当清楚自己实际买到的究竟是其中哪一项能力。

获取每一个

Fibo 2.0 来自 Bria 的 API，每张图像 $0.032；也可通过 Bria 的托管创作工具、ComfyUI 节点，或作为 Hugging Face 上的门控权重获取。LFM2.5 2.6B Base 以 GGUF、ONNX 和 MLX 格式从 Hugging Face 提供，基础版本不设门控。两者都不在 OrcaRouter 目录中，而且这两种说法都无需弱化：Fibo 2.0 是一个图像端点，Liquid 的 2.6B 基础版是一个可下载的检查点，而路由器对两者都无法很好地服务。

路由器真正服务的，是模型周边的一切。OrcaRouter 用一个密钥覆盖 200 多个模型，并以 0% 加价率原样传递供应商标价，因此文本侧的供应商价格一旦变化，当天就会反映出来。如果你正在为 VGL 说明文字生成器构建微调流水线，生成合成训练对的模型和对它们进行评分的模型都可以位于同一个密钥之后，并具备迭代期间的自动故障转移，以及通过路由 DSL 在单次调用中将基准测试分发到多个模型。渲染器仍由 Bria 提供。微调循环正是路由发挥价值的地方。

这个决定，直白地说

如果你的约束是模型在哪里运行，那么 LFM2.5 2.6B Base 并不是在跟 Fibo 2.0 竞争——两者之中，它是唯一一个能在设备上运行的，而它 8.39 的预估指数是你为了换取这一点而有意选择的上限。如果你的约束是输出是什么，那么 Fibo 2.0 是两者中唯一能产出该输出的，而它在开放权重模型中的 1,087 Elo 是目前可下载图像编辑的最高水平。没有人是在这些模型之间做选择。他们是在一个部署目标和一个交付成果之间做选择，而这是两个不同的决定，只是恰好出现在同一周的新闻里。

{{1}}唯一真正共同的问题{{/1}}是{{2}}许可证{{/2}}，而对商业构建的两个部分来说，它的解决方式相同：{{3}}2.6B 基础模型{{/3}}按其条款可用，{{4}}8B 渲染器{{/4}}需要{{5}}Bria 的同意{{/5}}，而{{6}}更小的模型反而更自由{{/6}}这一点，关乎训练数据，而非工程。围绕这一点来规划产品，而不是围绕参数规模。