「Fibo-2.0-dev」長文構造化キャプション対応の画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧

「Fibo-2.0-dev」長文構造化キャプション対応の画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧

基本情報

項目 内容
リポジトリ briaai/Fibo-2.0-dev
まとめページ Fibo-2.0-dev のまとめ(記事3本)
公開日 2026-10-18
ライセンス bria-fibo
配布形式 safetensors
入手条件 Hugging Face でライセンス同意が必要(gated)
論文 arXiv:2511.06876
出典の種類 公開元の一次情報(公式HFリポジトリ(briaai)が一次情報)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

Bria AIより、長文の構造化キャプションに対応した画像生成モデル「briaai/Fibo-2.0-dev」が公開されました。

本モデルはテキストからの画像生成(text-to-image)をはじめ、画像から画像への変換(image-to-image)、画像編集(image-editing)、インペインティング(inpainting)、複数画像の参照(multi-reference)など多様な視覚タスクに対応しています。

関連論文「Generating an Image From 1,000 Words: Enhancing Text-to-Image With Structured Captions」(arXiv:2511.06876)に基づくFIBOシリーズのモデルであり、従来の短いプロンプトに依存した生成における曖昧さを解消し、高い制御性を実現することを目指して開発されています。

スペック

資料および関連論文で確認できるスペックは以下の通りです。

  • パラメータ数: 8.1B(約81億パラメータ)です。
  • 入出力・機能: テキストからの画像生成(text-to-image)、画像から画像への変換(image-to-image)、画像編集(image-editing)、インペインティング(inpainting)、複数画像の参照(multi-reference)に対応しています。
  • プロンプト処理方式: 同一の詳細属性セットでアノテーションされた長文構造化キャプション(structured prompts)を入力として扱います。
  • 統合機構(アーキテクチャ特徴): 軽量LLMからの中間トークンを、全体のトークン長を増加させることなく統合する融合機構「DimFusion」を採用しています。
  • 実装・パイプライン: Hugging FaceのDiffusersライブラリに対応しており、BriaFibo2Pipeline を使用して推論を実行します。
  • 対応言語: 英語(en)に対応しています。
  • 配布形式: safetensors形式で提供されています。
  • ライセンス条件: ライセンス区分は「bria-fibo」(メタデータ上はlicense:other)となっており、リポジトリへのアクセスにはHugging Face上での同意申請が必要な gated 状態に設定されています。

性能・品質

本モデルのベースとなっている研究論文(arXiv:2511.06876)によると、FIBOはオープンソースのテキスト画像生成モデルの中で最高水準(state-of-the-art)のプロンプト追従性(prompt alignment)を達成したと報告されています。

従来のテキスト画像生成モデルの多くは、短いプロンプトから詳細な画像を生成するように訓練されているため、不足している詳細情報をモデル側が恣意的に補完してしまい、ユーザーが意図した精密な制御が難しいという課題がありました。Fibo-2.0の基盤研究では、すべての訓練データに対して統一されたきめ細かい属性セットを付与した長文構造化キャプションを用いることで、表現の網羅性を最大化しつつ、各視覚要素を個別に制御できる分離制御(disentangled control)を可能にしています。

また、品質評価のために「Text-as-a-Bottleneck Reconstruction(TaBR)」と呼ばれる新たな評価プロトコルが導入されています。これはキャプション生成と画像生成のループを介して実画像がどの程度正確に再構成できるかを検証する手法です。既存の評価指標では測定が難しかった極めて長いプロンプトに対しても、生成モデルの制御性と表現力を直接測定できるとされています。

なお、公開リポジトリのモデルカード内には個別のベンチマークスコア表などは記載されていないため、具体的な数値比較については今後の公式発表やコミュニティによる検証が待たれます。

得意なこと・想定用途

briaai/Fibo-2.0-devは、詳細に記述された長文の構造化キャプション(structured prompts)を用いて、画像内の多様な視覚要素を高い精度で制御することを得意としています。

従来の画像生成モデルでは、短いプロンプトを入力した際に不足しているディテールをモデルが自動的に補完する傾向があり、細部の構図や属性を思い通りに指定することが困難でした。これに対して本モデルでは、同一のきめ細かい属性セットでアノテーションされた構造化キャプションを処理することで、各要素を独立して操作する分離制御(disentangled control)が可能です。そのため、偶発的な描写に頼らず、意図した配置や属性を忠実に反映させたいプロフェッショナルな画像制作やデザイン用途に向いています。

また、本モデルは単純なテキストからの画像生成(text-to-image)だけでなく、以下のような幅広い編集・参照タスクを想定したタグが付与されています。

  • 画像から画像への変換(image-to-image): 既存の画像を入力とし、構造を維持しながらスタイルや内容を変更する用途に適しています。
  • 画像編集(image-editing)およびインペインティング(inpainting): 生成済み画像や既存の画像の一部を指定して修正・補完するタスクに対応します。
  • 複数画像の参照(multi-reference): 複数の参照画像を入力として活用し、キャラクターやオブジェクトの一貫性を保った生成や、複数の視覚的要素を組み合わせる高度なワークフローに活用できます。
  • ファインチューニング(fine-tuning): 特定のドメインや独自の属性体系に合わせた追加学習のベースモデルとしての活用も期待されています。

対応言語は英語(en)となっており、英語で記述された長文の属性指示を正確に解釈して画像を構築する場面で力を発揮します。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 8.1B

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
RTX 5090 など 32GB BF16 23.7GB 28.5GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

公開元の配布形式は safetensors です。

ライセンス bria-fibo: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。

入手条件: Hugging Face でライセンスに同意しないとダウンロードできません。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルのライセンス(bria-fibo)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

同クラスの既報モデル

当サイトが最近取り上げた、パラメータ数 4〜15B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。

→ 横にスクロールできます

モデル パラメータ数 最小のVRAM階層 ライセンス 記事
Qwen/Qwen-Image-2.1-Turbo 7.1B 48GB qwen-research 「Qwen-Image-2.1-Turbo」8ステップで高速生成する画像生成モデル:必要VRAM 48GB〜(2026-11-17)
lodestones/Kromoss 5.1B 32GB apache-2.0 「Kromoss」1024px画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧(2026-11-17)
unsloth/MOSS-Image-SFT-GGUF 5.1B 32GB apache-2.0 「MOSS-Image-SFT-GGUF」5.1Bのテキスト画像生成モデル:必要VRAM 32GB〜・配布ファイル一覧(2026-11-17)
Viggle/Qwen-Image-2.1-viggle-turbo 7.1B 48GB qwen-research 「Qwen-Image-2.1-viggle-turbo」4ステップの高速画像生成・編集モデル:必要VRAM 48GB〜(2026-09-23)

配布ファイル

briaai/Fibo-2.0-dev で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
text_encoder/model.safetensors 8.88GB
transformer/diffusion_pytorch_model-*-of-00002.safetensors 16.25GB(2分割)
vae/diffusion_pytorch_model.safetensors 336MB

入手方法

briaai/Fibo-2.0-devは、Hugging Faceのモデルリポジトリにて公開されています。

重みファイルはsafetensors形式で提供されており、ライブラリとしてはHugging FaceのDiffusersに対応しています。パイプラインには専用の BriaFibo2Pipeline を使用して読み込みを行います。

本モデルを入手する際には以下の点に注意が必要です。

  • ライセンス同意の必要性(gated model): 本モデルはgated状態に設定されています。そのため、ファイルをダウンロードして利用する前に、Hugging Faceのモデルページ上でライセンス条項への同意手続きを完了させる必要があります。
  • ライセンス体系: ライセンスは「bria-fibo」が設定されています。

リポジトリおよび関連する論文の公開ページは以下の通りです。

関連記事

次に読むなら

出典