Fibo 2.0 對上 Gemma 4 12B：一個負責繪製圖像，另一個則為它撰寫提示詞

把 Fibo 2.0 和 Gemma 4 12B 並排放在規格表上，這個比較立刻就不成立，因為它們回答的不是同一個問題。Fibo 2.0 是 Bria 於 2026 年 10 月 20 日發布的 8B 圖像模型：你給它一段描述或一張圖片，它就回傳像素。Gemma 4 12B 是 Google 的 11.95B 稠密多模態語言模型，採 Apache-2.0，自 2026 年 5 月 23 日起上線：你給它文字、圖像或音訊，它就回傳文字，絕不回傳圖像。每個把兩者互相排名較勁的「Fibo 2.0 vs Gemma 4 12B」頁面，都是在拿渲染器跟寫作者比。這個比較真正有用的版本，是兩者根本不是對手的那個版本——由 Gemma 4 12B 撰寫結構化提示詞、Fibo 2.0 負責渲染，而問題就變成：這樣的組合是否勝過單獨使用任一模型。規格表不會記錄圖像模型和語言模型在進入生產環境後如何失效，而那些事件都被收錄於OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心評級與爭議標記。

每一個實際上回傳什麼

整個論點兩行就能講完，而這正是這場對決值得書寫、而非直接略過的原因：輸出型別彼此不相交。

• 輸出 — Fibo 2.0 會傳回影像，最高可達多參考編輯保真度；Gemma 4 12B 則傳回文字 token，完全不具任何影像解碼器。

• 輸入 — Fibo 2.0 可接收文字與最多四張參考圖像；Gemma 4 12B 則在單一無編碼器堆疊中接收文字、圖像與音訊，並具備 256,000 個詞元的上下文。

• 任務 — Fibo 2.0 是帶有提示詞瓶頸的渲染器；Gemma 4 12B 是具有超長視窗但沒有渲染路徑的推理器。

後果並不是說其中一個比較好，而是說要在兩者之間做一對一的 Elo 比較，不只無從取得，更是毫無意義——從來沒有人讓群眾在 JPEG 和一段文字之間做選擇。

人們所追求的數字，以及為何它們無法被減去

兩個模型都有可信的獨立分數，且它們以不同尺度衡量不同事物。Fibo 2.0 在 Artificial Analysis 的 AA-Image-Editing v2.1 排行榜上以 1,087.05 Elo 位居第 20 名，並在開放權重模型中排名第一，其信賴區間為 1,073.05 至 1,101.05，基於 4,819 場對戰。在 AA-Image-T2I v2.1 上，其分數為 1,038.79，總排名第 21。Gemma 4 12B 的 Intelligence Index 為 14.18——這是文字與推理的綜合分數，而非偏好分數——同時還有 MMLU Pro 77.2、GPQA 78.8、AIME 77.5、Codeforces 1,659 與 MMMU Pro 69.1。

Elo 和指數不是同一個單位，所以「Fibo 2.0 高出 1,072 分」是在不相容的尺度上做算術。這些數字真正能支持的是分工，因為 MMMU Pro 的 69.1 分——對影像進行多模態推理——正是讀取原始照片並判斷其中該改變什麼的能力。Fibo 2.0 做不到這一點。它只能執行被給予的描述。

Gemma 4 12B 是 Fibo 管線缺少的另一半

將兩者搭配的理由，與 Fibo 2.0 的建構方式特別有關。Bria 是依照 VGL——Visual GenAI Language——來訓練與記錄它；VGL 是一種結構化 JSON 標註格式，具有具名欄位，分別對應主體、構圖、光線、相機、風格與影像內文字。模型可以接受一句話，但搭配此結構描述時會更具可預測性，因為它的 Qwen3-VL-4B 提示編碼器會透過兩層 Perceiver 重取樣器壓縮成 256 到 512 個 gist token，而欄位邊界能在這個瓶頸中保留下來，一長串不分段的句子則無法做到。

手寫符合結構定義的 JSON 既繁瑣又容易出錯。交給語言模型處理則不然。Gemma 4 12B 具備 256K 上下文，能在同一個視窗中容納結構定義、來源圖片、內部風格指南和一批範例，輸出經過驗證的 VGL 物件，而且——這才是關鍵——查看渲染結果並判斷這次編輯是否成功套用。第二個角色是 Fibo 2.0 無法獨自運作的回饋迴路，因為它沒辦法檢查自己的輸出。

• {{1}}第一步{{/1}} — Gemma 4 12B 會讀取參考影像與簡報，並輸出 VGL JSON。其 MMMU Pro 69.1 才是相關資歷，而非其程式碼分數。

• 第二步 — Fibo 2.0 會從該 JSON 進行渲染或編輯；若重視品質，就在 Dev 模式下以 50 步執行；若重視吞吐量，則以四步使用 Edit Turbo。

• 第三步 — Gemma 4 12B 會將結果與需求簡述比對，然後核准或輸出修正後的 JSON。兩輪處理可捕捉大多數圖中文字與遮罩邊緣的失敗情況。

• 步驟四 — 任何通過迴圈的項目都會轉交人工處理，這條佇列遠比逐一審查每次渲染小得多。

兩個模型單獨運作都做不好。Fibo 2.0 沒有自我檢查；Gemma 4 12B 沒有渲染器。這條管線本身就是產品。

授權：唯一真正可直接比較的那一列

兩者皆為開放權重。只有其中一個能在產品中無需對話即可使用。

• Fibo 2.0 — 模型卡上標示 CC BY-NC 4.0，供非商業使用；商業使用需與 Bria 另行簽訂協議。Hugging Face 儲存庫以「auto」模式設限，須填寫公司與預定用途表單。

• Gemma 4 12B — Apache-2.0，無需審核、無使用領域限制、無需另訂協議。下載即可部署。

• 這對這組合意味著什麼——內部研究流程如今就能同時使用兩者。商業產品如今就能使用 Gemma 4 12B，而渲染器則需要 Bria 的簽署。

• 為何 Bria 的條款站得住腳——其訓練語料約有十億張該公司付費取得授權的圖像。若釋出權重，讓任何人都能免費在那份語料上壓低其自家 API 的價格，等於白白送出語料所換來的資產。非商業條款正是防止此事的機制。

這是整篇文章中唯一一個表現得像一般模型比較的比較：同樣的問題、同樣的答案格式、明確的贏家。Apache-2.0 勝出。只是它恰好是最不有趣的一列，因為授權條款不會告訴你哪個模型該用於什麼——它告訴你的是你是否被允許使用，而且它是該先檢查、而非最後才檢查的事。

這組的成本與 API 的成本相比

透過 Bria 的 API 使用 Fibo 2.0，每張圖像為 0.032 美元；較便宜的 Fibo Lite 方案為 0.0288 美元；若改用 Bria 自家的結構化提示服務，而非自行撰寫 VGL，則每次呼叫為 0.02 美元。Artificial Analysis 將其 pricePer1kImages 列為 32.00 美元，與主要費率一致。那個 0.02 美元的結構化提示項目值得停下來想一想，因為這正是上方交給 Gemma 4 12B 的工作——而以 12B 參數而言，Gemma 4 12B 的執行成本夠低，所以問題在於：自行撰寫 JSON 是否比每張圖支付兩次費用更便宜。

• 單獨使用 Fibo 2.0，自由文字提示 — 每張圖片 $0.032。

• Fibo 2.0 加上 Bria 的結構化提示服務——每張圖片 $0.052，且無需推理模型。

• 由 Fibo 2.0 加上 Gemma 4 12B 撰寫 JSON —— 每張影像 $0.032，再加上 12B 對你產生的任何成本。在租用的 GPU 上於本機執行 12B 時，每個提示詞的生成成本通常不到兩美分；若透過託管端點，則完全取決於供應商的輸入定價，因為提示詞會攜帶一張影像。

自架路線還能換來 API 做不到的一件事：兩遍式自我檢查。Bria 的結構化提示服務會產生 JSON，但之後不會再看渲染結果。本機的 Gemma 4 12B 則可以；而對於任何文字渲染或遮罩邊緣至關重要的情況，品質其實正是來自那次複核。

在渲染器旁執行 Gemma 4 12B

Gemma 4 12B 的 12B 版本並未收錄於 OrcaRouter 目錄中，因此請將這點視為事實，不要設法繞過它。目錄中收錄的是較大的 Gemma 4 同系列模型：google/gemma-4-26b-a4b-it，每百萬 token 輸入 $0.06、輸出 $0.33，以及 google/gemma-4-31b-it，輸入 $0.13、輸出 $0.38。兩者都能撰寫 VGL JSON；每次呼叫的成本都高於 12B，但能為審查步驟提供更大的推理餘裕，而審查步驟正是這個迴圈中能從更強能力獲益的那一半。

這就是此處 OrcaRouter 論點的輪廓，而且範圍很窄。渲染器是 Bria 的，可透過 Bria 的 API 或自託管權重來使用。負責撰寫與檢查提示詞的模型，可以與你技術堆疊中的其他一切一起放在同一把金鑰之後——超過 200 個模型、供應商牌價以 0% 加成原樣傳遞、端點效能下降時自動容錯移轉，以及可將撰寫、渲染、審查步驟串成單一呼叫而非三個用戶端函式庫的路由 DSL。若 Bria 調降每張影像的費率，你帳單中未變動的那一半不需要遷移就能反映出來。

OrcaRouter 不提供 Fibo 2.0。任何聲稱單一端點就能涵蓋這條流程兩部分的頁面，都是在描述一個不存在的產品。

你真正需要的是哪一個？

問清楚交付物是什麼。如果交付物是圖像，Gemma 4 12B 就不是候選方案，也從來不是——無論價格多低、採用哪種授權，也不論排行榜怎麼解讀，它都無法產出圖像。如果交付物是關於圖像的決策——這張照片能不能用、這個版面配置符不符合品牌指南、這個場景該改什麼——Fibo 2.0 就是錯誤的工具，它那 1,087 Elo 也無關緊要。

配對情境才是值得投入打造的情境，也是這次發布才真正變得可行的情境。Fibo 2.0 的 VGL 格式是一種機器可讀介面，而機器可讀介面正是讓語言模型能可靠驅動渲染器的關鍵，而不是只能指望自由文字提示恰好命中。在此版本之前，Fibo 的生成與編輯是各自獨立的檢查點，行為也各自不同；現在一組權重同時涵蓋兩者，結構描述已有文件說明，而 bria-vgl 套件則讓語言模型有具體對象可供驗證。真正有趣的比較從來不是 Fibo 2.0 對上 Gemma 4 12B，而是 Fibo 2.0 加上 Gemma 4 12B 對上一位擁有圖庫照片訂閱的人類藝術總監——而在處理量上，這兩者根本沒得比。