Fibo 2.0 Dev 登上 ModelScope：Bria 真正為微調打造的檢查點

Fibo 2.0 Dev 在 ModelScope 中國站點的上架項目建立於 2026 年 10 月 20 日 17:03 UTC——也就是 Bria 發布該模型的同一天——而國際站點上的副本則在兩天後、10 月 22 日 09:55 UTC 出現。此後兩個鏡像站都沒有太大變化：本週查驗時，中國上架頁顯示 691 次下載，國際站則為 59 次，而且兩者都有一個授權欄位，上面寫著沒什麼幫助的「other」。下載次數不是重點。重點在於 ModelScope 自家工程技術棧對這些檢查點的說法，因為 DiffSynth-Studio 的 Fibo 文件如今明確指出：只有 Fibo 2.0 Dev 可訓練。

這件事值得慢下來好好細看。Bria（這款模型背後的公司）於 2026 年 10 月 20 日推出 Fibo 2.0，這是個 81.3 億參數的開放權重模型，用同一組權重就能做到文生圖與指令編輯，並以同名發布了兩個檢查點——完整的基礎版，以及一個蒸餾版編輯器。ModelScope 是中國的模型樞紐，旗下 DiffSynth-Studio 專案負責提供訓練腳本；如今它已把兩者都整合進來，並劃出了開發者一直等著看到的那條界線：蒸餾檢查點是部署用的成品，非蒸餾的那個才是你能拿來教、拿來改的東西。

ModelScope 上實際上有什麼、沒有什麼

目前有兩個列表，它們是同一組權重的鏡像，並非重新建置。中國網站將 briaai/Fibo-2.0-dev 列在 text-to-image-synthesis 任務下，並標示函式庫 pytorch、lora、safetensors 與 diffusers——lora 出現在該清單中，算是對其意圖的一點小小線索。國際網站則以相同模型 ID 上架，但擁有自己小得多的下載計數。兩者都回指受限制的 Hugging Face 儲存庫，而非另行託管一份副本，因此任何需要實際檔案的人仍須走完 Bria 的非商業存取表單。

有兩個細節值得特別指出，因為單獨閱讀這份清單的人會因此感到困惑。任務標籤寫的是僅限文生圖，這低估了這個檢查點：Fibo 2.0 Dev 用同一組權重同時進行生成與編輯，而多數團隊最在意的是編輯路徑。授權欄位寫的是「other」而不是「CC BY-NC 4.0」，這是中繼資料的缺口，並非不同的授權條款——授權仍然是 Bria 的非商業授權，而且這是你在這個檢查點之上進行任何微調時最大的單一限制。

時機也影響這則消息應如何解讀。權重於 10 月 18–19 日上傳到 Hub，Artificial Analysis 在 10 月 20 日已有快照，ComfyUI 於 10 月 21 日合併原生支援，ModelScope 的國際鏡像則於 10 月 22 日補齊。Fibo 2.0 Dev 是一個已存在九天的檢查點，處於仍在變動的發布階段，而非被重新啟用的舊版本。

Dev 與 Edit Turbo 是真正的分支，而非命名上的怪癖

Bria 在同一個發佈名稱下發佈了兩個檢查點，而這個差異決定了一切後續發展：

• 取樣 — Fibo 2.0 Dev 以無分類器引導係數 5.0 執行 50 步；Fibo 2.0 Edit Turbo 執行 4 步，引導固定為 1.0，也就是完全沒有引導。

• 任務涵蓋範圍 — Dev 支援文字生圖與編輯；Turbo 僅支援編輯，因此對 Turbo 下文字生圖提示詞是選錯了工具，而不是得到較慢的回應。

• 負向提示詞 — 它們在 Dev 上之所以有效，是因為 CFG 處於開啟狀態；而在 Turbo 上沒有可操控的 CFG，所以負向提示詞沒有可拉的槓桿。

• 可訓練性——這正是此處關鍵的分歧點。DiffSynth-Studio 的 Fibo 頁面明確指出，只有 Fibo-2.0-dev 是訓練目標；Turbo 則被描述為不適合微調。

• 每次推理的單張影像成本——Turbo 在它擅長的狹窄用途上，運行成本大約低一個數量級，而這正是為什麼不該對它進行微調來追趕這個差距。

本質上，它們是同一個形態：一個在 FLUX.2 VAE 潛空間中運作的 flow-matching 擴散 transformer，一顆 8,127,342,213 參數的 BF16 DiT，具有 44 個 single-stream 區塊，其中五個會將 cross-attention 接入 Qwen3-VL-4B-Instruct 文字編碼器，而該編碼器的輸出會由兩層 Perceiver resampler 壓縮成 256–512 個「gist」token。整個 repository 全部載入約需 25.5 GB——16.3 GB 的 transformer、8.9 GB 的文字編碼器，以及 0.34 GB 的 VAE——這才是該編列預算的數字，而非 8B 這個標題數字。

訓練配方：凍結的編碼器、可訓練的 DiT

ModelScope 的貢獻不是另一個鏡像，而是一組腳本；它的形式很常規，正因此才便於使用。訓練沿用推論時使用的同一個 FiboPipeline，並透過 examples/fibo/model_training/train.py 執行。VAE 與文字編碼器保持凍結；DiT 則以流匹配進行訓練。這個選擇是合理的——在單一節點上同時微調 Qwen3-VL-4B 編碼器和 16 GB 的 transformer 是另一個專案——但這也意味著，微調可以改變風格、構圖與編輯行為，卻無法讓模型學會一套真正全新的提示語言。

支援兩種層級，且兩者皆僅限於 DiT：

• 完整微調 — 傳入 --trainable_models "dit"，並讓 Accelerate 處理分散式設定；整個 transformer 都會被更新，其他部分則不會。

• LoRA — 將適配器掛接到 DiT，設定 --lora_base_model "dit"、目標模組與 rank，並可選擇從檢查點接續；所提供的 LoRA 腳本預設使用單一 GPU。

編輯是一等一的訓練目標，而非事後補救。編輯執行會透過 --extra_inputs 注入 edit_image 與可選的遮罩，而 UnifiedDataset 會從中繼資料讀取這些欄位；沒有遮罩的資料列會當作一般編輯樣本訓練，而不是被丟棄。由於生成與編輯共享權重，一次微調就能教會模型新領域，以及如何在該領域內進行編輯——Bria 自家的模型卡正是以此宣傳品牌與風格 LoRA、垂直領域專家與窄任務編輯器，並隨附單 GPU LoRA 訓練器，以及倉庫 fine_tuning/ 資料夾中的資料準備指南。

這兩個範例資料集展示了您預期應產出的結構描述：`DiffSynth-Studio/diffsynth_example_dataset`，其中 `fibo/Fibo-2.0-dev` 分割包含 image 與 prompt 的 metadata CSV，而 `fibo/Fibo-2.0-dev-Edit` 分割則包含 image、prompt、edit_image 與選填 mask 的 metadata JSON。那個結構描述本身沒有任何特殊之處；工作重點在於產出說明文字。

VRAM：模型卡未量化的部分

官方並未公布最低需求。DiffSynth 文件建議採用低 VRAM 配置，並根據剩餘記憶體進行自動 VRAM 管理，而不是訂出一個下限；而範例配置也說明了他們的預期：以 FP8 E4M3 載入與準備、以 BF16 運算、卸載至磁碟，並將總用量上限設為 CUDA 總記憶體減 0.5 GB。這是了解答案取決於你的顯示卡、解析度以及是否開啟梯度檢查點的人所寫的作法——而且他們對此很誠實。請為卸載做好準備，並接受以一百萬像素進行微調時，在達到理想效果前會相當緩慢。

結構化 JSON 就是介面，所以你的資料集必須能說這種語言

Fibo 的控制介面並不是提示詞輸入框。該模型是以 Visual GenAI Language（VGL）標註訓練而成；這類標註是結構化 JSON，其中照明、構圖、風格、相機與物件都是可獨立尋址的欄位。推論管線會將標註與其產生的影像一併回傳。bria-vgl 輔助工具提供 create() 用於生成、modify() 用於編輯，因此你不必手寫 JSON；除非你自己撰寫，否則會由託管的 VLM 執行擴充。

這對微調有直接影響，而發表報導大多略過不提。若你用自由文字提示進行訓練，你是在讓 DiT 對照一種它並非為之而建的標註格式進行訓練，而你希望獲得的控制會最先喪失。將 VGL 標註存放在你的中繼資料中——無論是由管線生成後再編輯，或刻意撰寫——能讓可定址欄位行為保持完整，而這正是「只改變風格的 LoRA」與「改變風格卻不破壞畫面其餘部分的 LoRA」之間的差別。若你的訓練集是沒有標註的圖像，標註處理會是昂貴的一步，而且這是語言模型的工作。

工具推出的速度，比大多數新檢查點所獲得的還快。

對一個推出僅九天的模型而言，其周邊技術堆疊異常完整；這也是為什麼 ModelScope 的整合看似不如表面那麼重大，實際上卻比單純的鏡像更為有用。

• diffusers — 一個 BriaFibo2Pipeline 已以 PR #14991 送交，這是大多數推論程式碼會採用的路徑。

• ComfyUI — 原生支援於 10 月 21 日以 PR #17240 合併，並隨 v0.43.0 推出，新增 fibo2 文字編碼器類型，可載入官方 Qwen3-VL-4B，以及可處理 VGL 提示詞與參考影像的 TextEncodeFibo2 節點。BF16 與 INT8 重新封裝遵循該載入器配置，且針對量化本機執行提供 GGUF 架構支援。

• ModelScope / DiffSynth-Studio — 推論與訓練腳本集中於一處，這正是打算以 DiffSynth 統一標準的團隊在規劃微調之前真正需要的環節。

那道無人提及的牆：CC BY-NC 4.0

Fibo 2.0 是開放權重，而非開源，而這兩個詞之間的落差正是整個商業問題所在。這些檢查點採用 CC BY-NC 4.0：僅限非商業使用，商業部署須與 Bria 另行簽訂協議，且 Hugging Face 儲存庫設有公司與預期用途表單的閘門。以 Fibo 2.0 Dev 訓練出的品牌 LoRA，在該協議存在之前都只是研究產物——把「正是開發者想要據以建構的東西」放在這個位置很奇怪，但這卻是準確的位置。比較那些直接允許商業使用的開放權重替代方案，對任何要出貨的人而言，決定性的界線就會是授權條款，而不是 Elo。

整體品質情況也比標題給人的印象更狹窄。在 Artificial Analysis 的 AA-Image-Editing v2.1 上，Fibo 2.0 於 5,009 張盲投票中取得 1,088 Elo，區間為 ±14——總排名第 23，並在開放權重編輯器中排名第一，不過自發布時的快照以來已下滑一、兩個名次。Qwen-Image-2.1 為 1,081 ±13，且兩者區間幾乎完全重疊，因此開放權重的領先只是打破平局，而非證明。在 AA-Image-T2I v2.1 上，排名順序反轉：Fibo 2.0 為 1,039 ±12，Qwen-Image-2.1 則為 1,042 ±12。Bria 自家的模型卡在這些細分類別中更不美化——它將文字渲染與版面配置列在十幾名後段到二十幾名前段，人體解剖則列第 18 名。微調可以針對這些弱點追趕，但無法超越編碼器所能理解的程度。

路由何處適用，何處不適用

坦白說，界線很清楚：Fibo 2.0 本身不在 OrcaRouter 的目錄中，所以這裡沒有任何「透過我們呼叫 Fibo」的推銷。路由所換來的是流程管線的另一半。這個檢查點周邊的兩項語言模型工作——為訓練集撰寫 VGL 說明文字，以及在推論時將短提示擴充成結構化 JSON——都屬於一般文字工作負載，而正是這些工作決定微調究竟是否可行。OrcaRouter 提供 一套 API 涵蓋 200+ 個模型，且零加價，因此 供應商定價會原樣傳遞，而供應商降價當天就會反映到你的帳單；跨供應商的自動容錯移轉，意味著對數千張圖片執行說明文字生成時，不會因單一上游服務而整批中止；路由 DSL 可將便宜模型固定用於大量說明文字生成，同時把困難案例交給更強的模型，而當單一說明文字生成器老是漏掉某個欄位時，還可使用模型融合。影像模型維持原位；圍繞它的文字工作則可路由。

接下來值得關注的是 Bria 自家的發展藍圖，模型卡上列出了多輪本地編輯、去背、產品攝影 LoRA、遮罩擦除與擴圖——這些都會先登上 Dev checkpoint，因為 Dev 才是具備訓練迴圈的那一個。ModelScope 的鏡像站是這則故事裡無聊的那一半。DiffSynth 那句「只有 Fibo-2.0-dev 可訓練」才是有用的那一半，也正是值得下載這個 25.5 GB 儲存庫、而非直接呼叫 API 的理由。