生成的標題卡寫著「FIBO 2.0 vs FLUX 3」,副標題為「2026 年 11 月購買影像模型的兩種方式」,三個標籤分別寫著「開放權重 vs 封閉 API」、「編輯 1,086 vs 1,119」,以及「每 1,000 張圖片 $32 vs $48」。頁腳寫著「Elo 與每 1,000 張圖片價格,資料來源:Artificial Analysis,讀取於 2026 年 11 月 20 日。」
Guides & Insights

FIBO 2.0 對決 FLUX 3:開放 8B 權重,對上 48 美元影像 API

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Fibo 2.0 和 FLUX 3 是同一場押注,只是用了相反的工具。Bria 於 2026 年 10 月 20 日發布了一個 8B 檢查點,你可下載並執行,採非商業授權,在其自家平台上每張圖 $0.032。Black Forest Labs 則將 FLUX 3 作為統一的影片、圖像與音訊模型發布,完全沒有開放圖像權重——公開 API、按圖計價的價目表,以及需洽談的商業權重授權。在 Artificial Analysis 營運的兩個排行榜上,FLUX 3 Image 在兩者皆領先:文字生圖以 1,114.55 對 1,036.98,編輯以 1,118.97 對 1,085.98。在沒有人評分的第三個軸線上,FIBO 2.0 是兩者中唯一你能擁有的。這個取捨就是整個比較,而支撐它的數字並不像標題排名所暗示的那麼失衡。

閱讀這些分數時,要清楚它們代表什麼。這裡每一個 Elo 數值都來自 Artificial Analysis,基於盲測成對投票,並公布 95% 區間,資料讀取於 2026 年 11 月 20 日。每一項價格都是該榜單自身每 1,000 張圖像的代表性成本,這與供應商的價目表不同——它是為了能在各模型之間比較而建立的模型化數字,也是目前唯一存在的跨模型價格。當我改為引用供應商費率時,我會說明。

FLUX 3 真正領先之處

兩個排行榜都是如此,而且差距並不小。在文字生圖上,FLUX 3 Image 的 1,114.55 比 Fibo 2.0 的 1,036.98 高出 78 分——穩穩超出任一區間,而這兩個區間分別為 1,102.55 至 1,126.55 與 1,025.98 至 1,047.98。在編輯方面,差距縮小到 33 分(1,118.97 對 1,085.98),但仍然真實存在。如果你的問題是「哪個能生成更好的圖像」,這絕非勢均力敵的比較,再多的授權爭論也改變不了這一點。

能力清單用不同的詞彙表達了同一件事。FLUX 3 Image 最多可將十張參考圖像合成到單一畫面中,透過提示詞中的詞元來引用這些圖像,並以 0–1000 座標網格上的邊界框來放置元素——接著一次編輯一個框,框外的一切保持原樣。Fibo 2.0 接受四張參考圖像,並依指令或遮罩進行編輯。若你的工作涉及產品合成,十張對四張可不是捨入誤差。

FLUX 3 是附帶圖像層級的影片模型,而不是懷有野心的圖像模型。它能生成最長 20 秒、帶有原生同步音訊的片段,並按秒計價;此外,它還會以獨立的合作夥伴限定層級來預測機器人動作。如果你的流程需要從單一供應商關係同時取得靜態圖片與動態影像,那是一項與 Elo 毫無關係的真正優勢。

Elo 差距何時不再重要

FLUX 3 Image 是一個封閉的 API 模型。開放的 Flux 3 Dev 主幹,也就是能讓你像 FLUX.2 和 FLUX.1 那樣下載並自行託管的那個版本,尚未推出。BFL 將開放權重存取描述為「即將推出」,而 Hugging Face 上唯一的 FLUX 3 參數,是 9 月 22 日發布的 7B 動作檢查點。在圖像方面,你得到的是 API,以及(若經過洽談)一份商業權重授權,涵蓋合約下的微調與地端部署。

這會從三個具體面向改變這項比較。

• 所有權 — Fibo 2.0 的權重目前以 CC BY-NC 4.0 授權提供下載。FLUX 3 Image 的權重則完全無法下載;你要嘛購買授權,要嘛使用 API。兩者都不是商業上免費,但只有其中一個能讓你在今天下午自行檢查、量化、合併與微調。

• 迭代成本——Fibo 2.0 的微調可在單一 GPU 上,使用其儲存庫中的 LoRA 訓練器執行。FLUX 3 Image 的微調則是一場合約談判,接著還要看 BFL 同意哪種部署方式。對於研究,以及任何你打算專精的領域,這個差異比 78 Elo 還大。

• 授權純淨度 — Bria 的整套賣點是授權訓練資料、C2PA 來源溯源與企業賠償保障,並聲稱是首家完全符合歐盟《人工智慧法》的供應商。FLUX 3 的訓練資料立場並未以這些措辭宣傳。若你是為受監管買方採購,附帶賠償保障的模型可能不論評測排行榜結果如何都會勝出。

Screenshot of the Artificial Analysis text-to-image leaderboard table, captured in English, showing the ranked rows with FLUX 3 Image at rank 21 scored 1,115 at 48.00 dollars per 1,000 images, FLUX 3 Image Klein at rank 31 scored 1,041 at 9.00 dollars per 1,000 images, and Fibo 2.0 at rank 32 scored 1,037 at 32.00 dollars per 1,000 images, each row carrying its release month and sample count.

無人提及的開放權重鄰居

FIBO 對上 FLUX 3 Image 並不是公平對決。真正的公平對決是 FIBO 對上 Flux 3 Image Klein——這是 BFL 於 10 月 15 日推出的 5.6B 開放權重層級模型,需要 8 GB VRAM,且授權條款中還有一條 500 萬美元營收條款。Klein 與 Fibo 2.0 屬於同一類別,而排行榜也如此看待它。

• 文生圖 — Flux 3 Image Klein 1,041.34 對上 Fibo 2.0 1,036.98。Klein 領先 4.4 分,相當於任一區間半寬的四分之一。平手,以排名表述。

• 編輯 — Fibo 2.0 為 1,085.98,相較於 Klein 的 1,068.50。Fibo 高出 17.5,約為半寬的兩倍半。這個你可以採取行動。

{{1}}價格{{/1}} — {{2}}Fibo 2.0{{/2}} 每 1,000 個為 $32,{{3}}Klein{{/3}} 在同一塊板的建模上每 1,000 個為 $9。{{4}}Klein{{/4}} 是較便宜的那一款,便宜了三點五倍。

• 授權 — Fibo 2.0 採用 CC BY-NC 4.0。Klein 的 FLUX Kommunity License 允許在明訂的營收門檻以下進行商業使用。如果你是小型的作業室,這是與價格影響方向相反的實質差異。

四強比較的全貌,比任何單一對比頁面所承認的都要混亂。旗艦款 FLUX 3 在品質上勝過 Fibo,成本也更高。開源的 Klein 在品質上與 Fibo 持平,成本只有三分之一,還提供 Fibo 所沒有的商業授權。Fibo 站得住腳的主張,是編輯品質加上附帶賠償保障、具授權資料來源的血統——而它在編輯方面領先 Klein 的幅度,是這整份比較中唯一經得起自身誤差範圍的數字。

Generated three-column scoreboard titled 'FIBO 2.0, FLUX 3 Image and FLUX 3 Image Klein', with a header row and six rows per column: Fibo 2.0 reads text to image 1,037, editing 1,086, price per 1,000: 32 dollars, weights open, non commercial, commercial use by agreement, reference images four; FLUX 3 Image reads 1,115, 1,119, 48 dollars, weights closed, commercial use paid licence, reference images ten; FLUX 3 Image Klein reads 1,041, 1,069, 9 dollars, weights closed, commercial use revenue cap, reference images not disclosed. A footer reads 'Elo and price per Artificial Analysis, read 20 November 2026; licences per each vendor model card. This graphic is generated from those figures, not a capture.'

一千張圖片的實際成本是多少

看板上的價格數字是經建模且可比較的,因此適合用來排名,不適合用來編預算。供應商費率卡則相反。兩者都值得保留。

Bria 自家平台列出 Fibo 2.0 每張圖 $0.032。還有一筆會讓人措手不及的額外費用:結構化提示步驟會把你的單純指令轉成模型實際使用的 VGL/JSON 說明文字,而這是一筆另計的視覺語言呼叫,每次約 $0.02。跳過這個輔助步驟、自己撰寫 JSON,就只需付圖片費用;若使用它,單張生成圖片在還沒做任何有趣的事之前,成本就接近 $0.052。在自己的 GPU 上執行模型,邊際成本就是電費;某位社群工作流作者測得的實際耗時為:在 RTX 6000 Pro 上,用一張參考圖生成 2K、4 百萬像素影像需 19 秒。

BFL 的 Flux 3 Image 價目表依方案層級不同,每張圖像收費從 {{1}}$0.041{{/1}} 到 {{2}}$0.607{{/2}} 不等,而原本持續到 10 月 8 日的五折首發優惠已經結束。因此,一千張圖像的費用大致落在四十一美元到六百零七美元之間,而董事會估算的四十八美元,是假設採用該價格區間的最低端。若你需要更高的解析度,請以最高價來規劃。

真正重要的比較根本不在每張圖片上。Fibo 的 $0.032 是託管價格,針對的是你已經擁有權重的模型——Bria 賣的是便利性,建立在你可以自行擁有的硬體上。Klein 的每千張 $9 是託管價格,而其模型權重在營收門檻以下可免費下載。FLUX 3 Image 的 $48 是三家中唯一一個把託管 API 當作產品、而非附帶選項的。

在它們之間做選擇

四位讀者,四個答案,而董事會只決定其中兩個。

若整體需求只看影像品質,而預算由別人買單,就選 FLUX 3 Image。它在兩個獨立榜單上都勝出,能組合十個參考素材,具備邊界框控制,旁邊還搭配一個影片模型。面對更好的模型,沒有什麼巧妙的理由可以反對。

如果你需要擁有這個東西、微調它,或證明它的訓練資料來源,Fibo 2.0 是目前唯一存在且附帶賠償保證的選擇。8B 檢查點小到足以放進單一 GPU,LoRA 訓練器隨 repo 一同提供,而它在編輯能力上領先 Klein 的幅度,是這項比較中唯一超出自身雜訊範圍的差距。

如果你對成本敏感且擁有商業授權,那麼上述兩者都不是答案——在營收門檻以下,每千次 9 美元的 Klein 才是;而誠實地說,Fibo 2.0 相對它的優勢,在於你可能根本不需要的編輯品質。

如果你是在建置管線,而不是在挑選模型,有用的做法是別再把它當成二元選擇。OrcaRouter 路由的是語言模型,不是圖像模型,而且它不支援 Fibo 2.0 或 FLUX 3——所以無論如何,圖像呼叫都會送到 Bria、BFL,或你自己的 GPU。單一 OpenAI 相容端點能替你換來的是其餘工作:餵給 Fibo 結構化提示詞的圖說模型、為輸出評分的視覺模型,以及下游的文字工作。用一把金鑰就能以供應商標價、無加成地使用 200 多個模型這表示其中任一模型的價格變動都會當天生效,而不是等到下一張帳單,而且自動容錯移轉意味著一批一千張圖像不會因為評分器的供應商有一小時出狀況就失效。

Screenshot of Black Forest Labs' documentation overview for FLUX 3 Image, captured in English, showing the opening description 'FLUX 3 Image gives you maximum control over every pixel' with the instruction to generate from a prompt, edit specific details, combine up to ten references and draw bounding boxes to place each element, followed by sections headed Text to image, Edit an image, Multi reference, Combine up to ten images and Control the composition, the last stating that each box is '[top, left, bottom, right] on a 0 to 1000 grid' and that the same boxes let you recolor, move, replace or remove one element while the rest stays unchanged.

值得關注的是 FLUX 3 Dev 骨幹。如果 BFL 釋出開放的圖像權重,Fibo 2.0 唯一保有的結構性優勢——也就是可以下載——就會消失,而這項比較就會淪為一場品質競賽,而 FLUX 3 目前正領先。在那之前,這兩個模型其實並不是在爭奪同一類買家,而 Elo 差距是兩者身上最不有趣的部分。