Fibo 2.0 對比 LFM2.5 2.6B Base：27 億參數的文字，還是 81 億參數的圖片

尺寸差距是任何人最先注意到的，也是它最沒有用的一點。Fibo 2.0 由 Bria 於 2026 年 10 月 20 日發布，擁有 8,127,342,213 個參數並輸出圖像。LFM2.5 2.6B Base 由 Liquid AI 於 2026 年 8 月 1 日發布，擁有 26.9 億個參數並輸出文字——而且不是完成的文字，而是未經指令微調的預訓練基礎檢查點原始續寫行為。問哪個更好，就像問相機是否比字典更好。有答案的問題更狹窄也更實用：兩者各自都是其領域中最小的可信開放選項，而知道每個領域的下限在哪裡，就能告訴你哪一個其實被你的限制條件排除。兩張模型卡都沒有記錄像這樣的檢查點被糟糕部署時會發生什麼，而已記錄的事件則收錄在 OrcaRouter AI Incident Archive，其中每一條目都附有各自的來源、嚴重程度、信心等級與爭議標記。

地板，雙向皆然

這兩個模型之所以有意思，是出於同一個結構性原因——各自都逼近其任務可行性的下限——而這也是它們唯一能相提並論的面向。

• 參數 — Fibo 2.0 為 8,127,342,213（BF16）；LFM2.5 2.6B Base 為 26.9 億。權重比例約為三比一，記憶體比例也大致相同。

• 輸出 — Fibo 2.0 回傳一張圖片；LFM2.5 2.6B Base 只回傳文字 token，別無其他。

• 執行環境 — Fibo 2.0 需要 GPU，且 VRAM 足以在 50 步下執行 44 區塊的擴散 Transformer，或在 Turbo 變體下執行 4 步；LFM2.5 2.6B Base 以 GGUF、ONNX 與 MLX 格式提供，並專為在手機、筆記型電腦或單板電腦上執行而打造。

• 微調狀態 — Fibo 2.0 Dev 是一個非蒸餾的基礎模型，具備無分類器引導，並有文件說明可供微調；LFM2.5 2.6B Base 僅經過預訓練，在有人對其進行微調之前，不具備遵循指令的行為。

• 授權 — Fibo 2.0 採用 CC BY-NC 4.0，供非商業使用，商業使用需另行協議；LFM2.5 2.6B Base 採用 LFM 1.0 授權，該授權允許商業使用，但須遵守其自身條款。

• 分數 — Fibo 2.0 在 AA-Image-Editing v2.1 上達到 1,087.05 Elo，在開放權重中排名第一；LFM2.5 2.6B Base 的估計智慧指數為 8.39，GPQA 55.8%、Terminal-Bench 2.1 為 4.5%、HLE 6.2%。

這兩條分數線不能放在同一個句子裡作比較。一條是針對渲染影像的群眾偏好分數；另一條是文本基準上的綜合分數。要同時誠實地使用這兩者，唯一的方式就是說明每個模型各自的用途。

基礎檢查點實際上到底是什麼，因為這個名稱會誤導人

「Base」在 LFM2.5 2.6B Base 中，並不是用來說「標準版」的謙稱。它的意思是，這個模型只接受了 34 兆個 token 的下一 token 預測訓練，除此之外別無其他——沒有指令微調、沒有聊天範本、沒有拒絕行為，也不知道一個問題是一個問題。給它「總結這封電子郵件：」，它會以前訓練資料所暗示的任何風格延續這個字串，而那可能是電子郵件串的其餘部分，而不是摘要。

這讓它成為一個不錯的起點，卻是個糟糕的產品。Liquid AI 推出它是給打算進行微調的人，而架構正是為這項工作而選的：30 層、22 個雙閘控短卷積與 8 個分組查詢注意力層、128K 詞彙表、131,072 個 token 的上下文，以及預訓練涵蓋 16 種語言。這個以卷積為主的堆疊正是它能塞進手機的原因——注意力成本會隨上下文增長，卷積則不會，這就是整個設計的核心論點。

• 架構 — 30 層：22 個雙閘控短卷積區塊與 8 個 GQA 區塊，128K 詞彙量。

• 訓練 — 34 兆個 token、16 種語言，僅進行預訓練。

• 上下文 — 131,072 個 token，而這正是卷積堆疊在設計上要讓其成本可負擔的數量。

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

• 它做不到的事——遵循指令、進行對話，或產生文字接續以外的任何內容，直到你對它進行微調。

與 Fibo 2.0 的 Dev checkpoint 相比，實際差距比乍看之下更小。Fibo 2.0 Dev 同樣是基礎模型——非蒸餾、50 步，並以 5.0 的無分類器引導運行，而且明確是 Bria 指定用於微調的 checkpoint。兩個專案都隨附一個微調目標，或者以它取代可直接使用的產品。差別在於，Fibo 2.0 Edit Turbo 是同一組權重的可用版本，經蒸餾後只需四步且無需引導；而 LFM2.5 2.6B 則必須先微調，才可能真正可用。

授權與「開放」的真實成本

這兩個模型都可以下載。但你可以如何使用它們，卻有極大差異，而且方向恰好顛覆了一般對模型大小的直覺：可商業使用的是那個極小的模型。

• Fibo 2.0 — 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 儲存庫設有存取限制，須填寫公司與預定用途表單。

• LFM2.5 2.6B Base — LFM 1.0 授權條款，允許依其自身條款進行商業部署。無需按每次使用進行協商，不過這些條款並非 Apache-2.0，值得實際閱讀，而非僅憑假設。

• Bria 的條款為何如此——訓練語料約為十億張授權圖像，是公司付費取得的。若免費權重讓任何人都能在該語料上削價競爭 Bria 自家的 API，就等於把語料所換來的資產白白送人。

• 實務上的分界——內部研究流程明天就能同時使用兩者。要出貨的產品明天就能將 LFM2.5 2.6B Base 嵌入裝置，但沒有簽名就無法出貨 Fibo 2.0。

這不是在貶低 Bria。這是這兩個問題的成本結構。Liquid AI 以文字訓練，而其中大部分文字都可免費授權；Bria 則以照片訓練，而這些照片沒有一張可免費授權。授權條款取決於輸入資料，而非模型品質，而這正是它們理應取決於的地方。

它們交會之處：先描述再渲染的裝置端助理

有一種架構能讓這兩個模型隸屬於同一個系統，而這正是本文是比較而非否定這兩個模型的原因。Fibo 2.0 的條件化路徑會接收結構化 JSON 標註：VGL，也就是 Bria 的 Visual GenAI Language，其中包含主體、構圖、光線、相機、風格與影像內文字等具名欄位。一個能裝在拍攝照片之裝置上的 2.6B 文字模型，正是可以在本機寫出那段 JSON、無需往返傳輸的那種東西。

它能不能做到，和它該不該做，是兩回事。一個估計指數為 8.39、GPQA 55.8%、HLE 6.2% 的預訓練基礎模型，若沒有針對特定任務進行微調，不可能可靠地從一張照片輸出符合 schema 的 JSON——而在 VGL 語料庫上對它進行微調，是一項定義明確、規模適合小模型的工作。這才是「折衷論點」誠實的版本：LFM2.5 2.6B Base 是微調式圖說撰寫器的合理基底，而不是現成可用的圖說撰寫器。

• 2.6B 帶來什麼——它在拍照現場運行，權重不到 3 GB，無需網路，也沒有每次呼叫的費用。

• 它首先需要的是——以 VGL 格式範例進行監督式微調，再加上受限解碼或 JSON 文法，以確保輸出有效。

• 渲染器帶來了什麼——它仍然需要 GPU。裝置端的那一半負責描述；伺服器端的那一半負責繪製。這是目前唯一行得通的分工方式。

• 這個構想的破綻在於——如果說明文字必須寫得好，12B 級的多模態模型讀取原始影像的能力，會優於 2.6B 的純文字模型，因為 2.6B 根本看不到那張照片。

最後一點正是決定大多數實際設計方案的關鍵。LFM2.5 2.6B Base 是文字輸入、文字輸出。它能根據書面簡述撰寫 VGL 圖說；卻無法查看它所描述的圖像。任何要把兩者搭配使用的人，都應清楚自己實際買到的是其中哪一項工作。

取得每一個

Fibo 2.0 可透過 Bria 的 API 取得，每張圖片價格為 0.032 美元；也可從 Bria 的託管創作工具、透過 ComfyUI 節點，或以 Hugging Face 上受閘控的權重形式取得。LFM2.5 2.6B Base 則以 GGUF、ONNX 與 MLX 格式在 Hugging Face 提供，且基礎版本發布不受閘控。兩者都不在 OrcaRouter 目錄中，而這兩種說法都不需要緩和：Fibo 2.0 是圖片端點，Liquid 的 2.6B 基礎版是可下載的檢查點，路由器對兩者都無法提供良好服務。

路由器真正提供的，是圍繞這些模型的一切。OrcaRouter 用單一金鑰橫跨超過 200 個模型，並以 供應商牌價 0% 加價直接轉嫁，因此文字端的供應商價格一有變動，當天就會反映出來。如果你正在為 VGL 字幕撰寫器建置微調流程，產生合成訓練配對的模型與替這些配對評分的模型，都能位於同一把金鑰之後，並在你反覆迭代時享有 自動容錯移轉，還可用路由 DSL 在單次呼叫中把基準測試分散到多個模型。渲染器仍屬於 Bria。調校迴圈正是路由證明自身價值之處。

這個決定，直白地說

如果你的限制條件是模型在哪裡執行，LFM2.5 2.6B Base 並不是在與 Fibo 2.0 競爭——它是兩者之中唯一能在裝置上執行的一個，而其 8.39 的預估指數，是你為了換取這一點而刻意選擇的上限。如果你的限制條件是輸出成果是什麼，Fibo 2.0 是兩者之中唯一能產生該輸出的一個，而它在開放權重中的 1,087 Elo 是目前可下載影像編輯的最高標竿。沒有人是在這兩個模型之間做選擇。他們是在部署目標與交付成果之間做選擇，而這是不同的決策，只是恰好出現在同一週的新聞裡。

真正共通的問題只有授權，而對商業化建置的兩個部分來說，結論也一樣：2.6B 基礎模型依其條款可使用，8B 渲染器則需要 Bria 的同意；較小的模型反而是限制較少的那個，這是關於訓練資料的事實，而非工程上的事實。產品規劃要以此為依據，而不是圍繞參數量來規劃。