Qwen-Image-2.1 مقابل GPT-Image-2.5: الفجوة هي رقم واحد، وهي ليست الجودة

ضع Qwen-Image-2.1 وGPT-Image-2.5 جنبًا إلى جنب من حيث المواصفات، فيبدوان كأنهما شقيقان: كلاهما نموذجا صور موحّدان للتوليد والتحرير، وكلاهما ينتج خلفيات شفافة، وكلاهما صدر خلال الأسابيع الخمسة الماضية، وكلاهما قادر على صور ثابتة بجودة 2K. والفرق الذي يحسم الاختيار بينهما هو رقم واحد، وليس نتيجة اختبار معياري. Qwen-Image-2.1 مجاني للتنزيل ويستحيل بيعه. GPT-Image-2.5 يستحيل تنزيله ويسهل بيعه للغاية. وكل ما عدا ذلك — البنية، وزمن الاستجابة، وتنفيذ الشفافية — ناتج عن ذلك. صدر Qwen-Image-2.1 مفتوح المصدر في 20 سبتمبر 2026؛ وأُعلن عن GPT-Image-2.5 مع إتاحة نماذج API الخاصة به في 8 سبتمبر 2026.

طريقتان لإضفاء الشفافية، بفارق شهر واحد

أن اكتسب كلا النموذجين مخرجات شفافة في غضون أسابيع من بعضهما البعض مصادفة تستحق الفهم، لأن التنفيذين ليسا متكافئين.

يضع Qwen-Image-2.1 قناة alpha داخل النموذج نفسه. فهو يزيل الضوضاء في فضاء كامن RGBA من 64 قناة مع ضغط مكاني 16×، لذلك تكون قناة alpha مكوّنًا من الدرجة الأولى في الشيء الذي ينتجه المُعيّن. لا توجد خطوة تجزئة ولا تمريرة matting. وإلى جانب ذلك توجد إضافة غير معتادة: لأن النموذج يستطيع أن يقرّر لكل موجّه ما إذا كان يُخرج RGB أو صورة بقناة alpha، فإنه يستطيع أيضًا أن ينتزع موضوعًا من صورة فوتوغرافية عادية ويعيد طبقة شفافة بدلًا من قناع ثنائي.

يسلك GPT-Image-2.5 مسار المعاملات. تقبل واجهة برمجة تطبيقات OpenAI إعداد background بقيمة auto أو opaque أو transparent، ويستجيب النموذج وفقًا لذلك. وهذا مفتاح تبديل للقدرات على نقطة نهاية مُستضافة، لا خاصية من خصائص الفضاء الكامن، وميزته أنك لا تفكر فيه: تضبط العلامة، فتحصل على اقتطاع، ثم تمضي. أما المقابل فهو أنك تحصل على ما تمنحك إياه نقطة النهاية، بالدقة والتكلفة التي تقررها نقطة النهاية.

أيٌّ منهما أفضل لم يُحسَم بعد بشكل حقيقي. لم تكن هناك مقارنة عامة بين حواف ألفا في Qwen-Image-2.1 ونموذج ماتينغ مخصص في وقت كتابة هذا النص، والفحص المنشور الوحيد من جانب Qwen هو فحص وظيفي — اجتاز إخراج PNG الشفاف، وتم الاحتفاظ بقناة ألفا عبر النطاق الكامل 0–255، مع RGBA PSNR بقيمة 60.69 dB في عينة واحدة. هذا فحص لصحة النتيجة، وليس حكمًا على الجودة. وهو يخبرك بأن القناة حقيقية.

ما يمكنك قياسه فعليًا

• المعلمات — مكوّن التوليد في Qwen-Image-2.1 هو محوّل انتشار أحادي المسار بحجم 7B و32 طبقة، مقترن بمشفّر نصي Qwen3-VL 8B؛ بإجمالي أوزان يبلغ نحو 33 غيغابايت، حيث يمثل DiT حوالي 14 غيغابايت منها. لا تنشر OpenAI أي عدد للمعلمات خاص بـ GPT-Image-2.5.
• الدقة — يُخرج Qwen-Image-2.1 أصلاً بدقة تصل إلى 2048×2048 عند 40 خطوة استدلال مع سبعة إعدادات مسبقة لنسبة العرض إلى الارتفاع. يقبل GPT-Image-2.5 أحجامًا تصل إلى 3840×2160 و2160×3840، مع حد أقصى لكل ضلع يبلغ 3840 بكسل واشتراط مضاعفات العدد 16.
• الصور المرجعية — يستقبل Qwen-Image-2.1 حتى 10 صور لتركيب متعدد الأشخاص والتجربة الافتراضية للملابس. تقبل نماذج الصور من OpenAI مدخلات مرجعية للتحرير، لكن الحد العملي وسلوك الدقة يختلفان حسب النموذج ومستوى الجودة.
• زمن الاستجابة — ينشر SGLang-Diffusion زمنًا قدره 2.748 ثانية لتوليد بدقة 1024×1024 و40 خطوة على وحدة B200 واحدة، و4.74 ثانية على RTX 4090 بسعة 24 غيغابايت مع Cache-DiT ونوى INT8، لإزالة الضوضاء فقط. تُبلغ OpenAI أن نسخة Flare من GPT-Image-2.5 تقدم زمن استجابة أقل بنسبة تصل إلى 50% من GPT-Image-2، مع قياس أحد شركاء الإطلاق نسبة 2–4× — وهذه أرقام معلنة من المورّد ومن الشريك على التوالي، وليست مقارنة مضبوطة.
• السعر — لا يوجد سعر مستضاف لـ Qwen-Image-2.1 لأنه لا توجد نقطة نهاية مستضافة؛ التكلفة هي زمن وحدة معالجة الرسومات الخاصة بك. تُحاسب GPT-Image-2.5 بنفس أسعار الرموز الخاصة بـ GPT-Image-2: 8.00 دولارات لكل مليون رمز إدخال صورة، و30.00 دولارًا لكل مليون رمز إخراج صورة، و5.00 دولارات لكل مليون رمز إدخال نص.
• الترخيص — يُتاح Qwen-Image-2.1 بموجب اتفاقية ترخيص Qwen Research المؤرخة في 20 سبتمبر 2026، للاستخدام غير التجاري فقط. GPT-Image-2.5 هي واجهة برمجية تجارية مع إثبات المصدر C2PA وعلامة مائية غير مرئية على المخرجات.

صف واحد في تلك القائمة أرقّ مما يبدو. لا تنشر OpenAI أسعارًا لكل صورة لـ GPT-Image-2.5، بل معدلات الرموز فقط، ويتباين استهلاك رموز الصور بحسب الدقة ومستوى الجودة. وتضع قياسات الأطراف الثالثة النطاق بين نحو 0.0059 دولار و0.712 دولار لكل صورة عبر 1K و2K و4K عند الإعدادات المنخفضة والمتوسطة والعالية بنسبة أبعاد 1:1 — وهو مفيد كتقدير لحجم المقدار، لا كسعر عرض. إذا كنت تضع توقعات، فابنِ التقدير من أعداد الرموز وتوزيع الموجّهات الخاص بك، لا من رقم لكل صورة قاسه شخص آخر.

التكلفتان اللتان لا يضعهما أحد في العمود نفسه

السبب في أن هذه المقارنة تستعصي على إجابة بسيطة هو أن النموذجين يحاسبانك بعملتين مختلفتين، وسعر الصرف هو وضعك أنت.

GPT-Image-2.5 يفوتر لكل توكن، مما يعني أن العدّاد مرئي وقابل للتنبؤ ويتوسع خطيًا مع الحجم. هذه ميزة حقيقية لمنتج له حركة معروفة: يمكنك وضعه في الميزانية، وتخفيض السعر من البائع يحرّك تكلفتك في نفس اليوم. وهي أيضًا ضريبة على الاستكشاف، لأن التكرار العاشر لأمر ما يكلف نفس تكلفة الأول. إن input_fidelity سلوك يجعل هذا أكثر حدة مما توحي به الأسعار المعلنة — يمكن لواجهة API تلقائيًا تطبيق الدقة العالية على مدخلات الصور، مما يستهلك المزيد من رموز الإدخال أكثر مما يوحي به قراءة عابرة لقائمة الأسعار، لذا تكلف حلقات التحرير أكثر من الأرقام لكل صورة التي يقتبسها الناس.

يعكس Qwen-Image-2.1 كلتا الخاصيتين. التكلفة الحدية لعملية التوليد المائة هي الكهرباء. وهذا يجعله الأداة الأنسب للتكرار، ولإعادة التعبئة على دفعات، ولأي شيء لا يزال الموجّه فيه قيد الاكتشاف. ما لا يمنحك إياه هو رقم للجدول المالي — فأنت تدفع مقابل GPU سواء كان مشغولًا أو خاملًا — ولا يمنحك الحق في بيع الناتج. تسمح Qwen Research License Agreement بالبحث والتقييم غير التجاريين، وتنص على أن النشر التجاري يتطلب ترخيصًا منفصلًا من Hangzhou Tongyi Laboratory Technology. ولا يوجد سعر منشور لهذا الترخيص ولا شروط معلنة. وهذا ليس حاشية؛ بالنسبة لخط معالجة تجاري، إنه القرار بأكمله.

تشغيل كليهما دون عقد ثانٍ

الإجابة الواقعية لمعظم الفرق ليست أحد الخيارين دون الآخر، بل كليهما. يتولى GPT-Image-2.5 مسار الإنتاج حيث يُسلَّم الناتج إلى عميل ويكون عدّاد الرموز لكل رمز بندًا في الفاتورة. ويتولى Qwen-Image-2.1 مسار الاستكشاف حيث تحتاج إلى مئتي نسخة مختلفة من لقطة منتج شفافة، ولن يبيع لك أي مورّد هذه الكمية بسعر معقول.

العقبة هي أن كليهما يصل عبر مسارين مختلفين تمامًا. أحدهما مفتاح API. والآخر عبارة عن تنزيل بحجم 33 جيجابايت، وبيئة Python، ووحدة GPU تملكها. يغطي OrcaRouter النصف المستضاف: أكثر من 200 نموذج خلف نقطة نهاية واحدة متوافقة مع OpenAI، وسعر قائمة المزوّد يُمرَّر دون أي هامش ربح، وتحويل تلقائي عند الفشل عبر المزوّدين، ولغة توجيه DSL للتعبير عن بدائل احتياطية، ودمج النماذج للجمع بين عدة نماذج في استدعاء واحد. أن نكون دقيقين بشأن هذا النموذج مهم — نحن لا نوجّه GPT-Image-2.5 اليوم؛ مسارات الصور لدينا من OpenAI هي GPT-Image-2، وGPT-Image-1.5، وGPT-Image-1-mini، وكلها بسعر قائمة OpenAI، وفي اليوم الذي يضيف فيه مزوّد المنبع معرّفات gpt-image-2.5، سيستدعيها المفتاح نفسه دون تغيير في الكود. نحن لا نوجّه أي نموذج Qwen-Image من أي إصدار أيضًا، لذلك فإن Qwen-Image-2.1 ليس مسارًا من جانبنا على الإطلاق. ما يمنحك إياه التسعير المُمرَّر في هذه الأثناء هو أنه عندما تغيّر OpenAI سعرًا، يتحرك الرقم من جانبنا معه بدلًا من أن يتأخر.

الحكم، مصوغًا كشرط لا كفائز

إذا كان الناتج يجب أن يُباع، فلا مجال للمقارنة: GPT-Image-2.5 هو الوحيد من بين الاثنين المرخّص لك باستخدامه، وعدّاد الرموز هو ثمن ذلك. وإذا كان الناتج بحثًا، أو أدوات داخلية، أو تقييمًا، فإن Qwen-Image-2.1 هو الأداة الأقوى — دقة أصلية 2K، وإخراج ألفا من المُعيّن، وعشر صور مرجعية، وتكلفة هامشية صفرية بمجرد دفع ثمن العتاد. وإذا كنت تحتاج إلى كليهما، فشغّل كليهما، وتعامل مع الترخيص باعتباره الحدّ الذي يقرّر إلى أي مسار تدخل أي مهمة.

هناك أمران من شأنهما تغيير هذا. نشر ورقة شروط تجارية لـ Qwen-Image-2.1 سيسدّ الفجوة في صف الترخيص، الذي يقوم حالياً بمعظم العمل في هذه المقارنة. كما أن إدراجاً مستقلاً لـ Qwen-Image-2.1 على لوحة صدارة الصور سيرينا ما إذا كانت نتيجة Qwen-Image-Bench الخاصة بالمورّد — 60.28، متقدمة على Nano Banana 2.0 عند 59.82 وGPT Image 1.5 عند 59.65، في المرتبة الأولى بين النماذج المفتوحة — تصمد خارج المختبر الذي أنتجها. لا وجود لأيٍّ منهما بعد. وإلى أن يتحققا، فالتوصية الصادقة هي أن يُبنى الاختيار على الترخيص والعدّاد، لا على لوحة النتائج.