MOSS-Image vs. GPT Image 2.5: Ein herunterladbares 5B-Backbone gegen zwei Snapshot-Modelle

Fangen wir mit der Namensgebung an, denn sie ist das, was die Leute zuerst stolpern lässt. Es gibt kein Modell namens gpt-image-2.5. Was existiert, ist ein Paar – GPT Image 2.5 Sunburst, Kennung gpt-image-2.5-sunburst, und GPT Image 2.5 Flare, Kennung gpt-image-2.5-flare – beide mit Snapshot vom 2026-09-08 und beide geschlossen. Dagegen steht M​OSS-Image, veröffentlicht von OpenMOSS am 16. Oktober 2026 als zwei Apache-2.0-Checkpoints, M​OSS-Image-Base und M​OSS-Image-SFT, die du herunterlädst und ausführst. Die eine Seite verkauft dir einen Endpunkt; die andere übergibt dir 27 Gigabyte und wünscht dir viel Glück mit dem Encoder.

Das ist die ganze Gestalt des Vergleichs, und fast jeder andere Unterschied folgt daraus. Der folgende Vergleich behandelt die beiden O​penAI-Varianten nur dort als eine Seite, wo O​penAIs eigene Preisgestaltung und Dokumentation sie als eine behandeln – was für die Preisliste zutrifft und für die Leistungsfähigkeit nicht, und diese Unterscheidung bekommt einen eigenen Abschnitt. Jede Zahl, die O​penAI zugeschrieben wird, stammt aus O​penAIs veröffentlichter Preisliste; jede Zahl, die M​OSS-Image zugeschrieben wird, stammt von OpenMOSS selbst, aus der Veröffentlichung und ihrem technischen Bericht, und wurde von niemandem reproduziert.

Zwei Modelle gegen einen Download

Die 2.5-Generation von OpenAI ist eher ein Fork als ein Versionssprung. Frühere Generationen lieferten eine primäre Modell-ID aus und verlangten, dass Sie innerhalb dieser eine Qualitätsstufe wählen. Bei 2.5 gibt es zwei getrennt benannte Modelle mit getrennten Snapshots und keinen übergreifenden Alias – Code, der gegen ein bloßes gpt-image-2.5 geschrieben wurde, läuft nicht. Sunburst ist auf Leistungsfähigkeit ausgelegt, Flare auf Geschwindigkeit, und beide werden identisch abgerechnet, sodass die Wahl zwischen ihnen eine Entscheidung über Latenz und Präzision und nicht über das Budget ist.

MOSS-Image ist ebenfalls zwei Modelle, aber die Aufteilung ist eine Trainingsaufteilung und keine Produktaufteilung. Base ist der vortrainierte Checkpoint, der bewusst undistilliert belassen wurde — die Modellkarte sagt ausdrücklich, dass kein Post-Training und keine Destillation von Inferenzparametern wie CFG angewendet wurde, um Trainingsinformationen zu bewahren und LoRA-Training weiterhin zu ermöglichen. SFT ist auf kuratierten Daten feinabgestimmt und das Modell, das die meisten ausführen sollten. Das Vergleichsbeispiel des Anbieters zeigt, dass SFT beim selben Prompt eine engere Textgruppierung und ein organisierteres Layout erzeugt, was ein Fine-Tuning auf kuratierten Daten eines undistillierten Basismodells auch tun sollte.

• Wie du es nennst — GPT Image 2.5: zwei IDs, gpt-image-2.5-sunburst und gpt-image-2.5-flare, kein bloßer Alias. M​OSS-Image: zwei Repositories, OpenMOSS-Team/M​OSS-Image-Base und OpenMOSS-Team/M​OSS-Image-SFT, mit ModelScope-Mirrors für beide.

• Was Sie erhalten — GPT Image 2.5: einen OpenAI-kompatiblen Endpoint und ein Snapshot-Datum. MOSS-Image: Safetensors-Gewichte, eine benutzerdefinierte Diffusers-Pipeline, eine Gradio-App und ein natives ComfyUI-Plugin, installierbar über den ComfyUI Manager.

• Was es kostet — GPT Image 2.5: Abrechnung nach Tokens, 8,00 $ pro Million Bild-Input und 30,00 $ pro Million Bild-Output, Batch zum halben Preis. M​OSS-Image: nichts für die Lizenz, alles für die GPU.

• Wessen Lizenz regelt die Ausgabe — GPT Image 2.5: die Bedingungen von OpenAI, die in der Entwicklerdokumentation selbst nicht wiedergegeben werden. MOSS-Image: Apache 2.0 für Gewichte und mitgelieferten Inferenzcode, keine Umsatzschwelle und kein Anhang zur akzeptablen Nutzung.

Layoutsteuerung und das Modul, das nicht zum Modell gehört

Beide Systeme ermöglichen es, Dinge anhand von Koordinaten zu platzieren. Sie sind jedoch nicht darin gleichwertig, was hinter den Koordinaten steckt.

Das Layoutformat von M​OSS-Image verwendet ein JSON-Objekt als Prompt: ein summary mit der Szenenbeschriftung und ein items-Array, bei dem jedes Element ein Label vom Typ text, character oder object hat, eine Beschriftung, eine Bounding Box und – bei Text – die wörtliche Zeichenkette, die gerendert werden soll. Boxen verwenden bbox_format: "yxyx" in bbox_coord_space: "abs_centralized", was Pixel-Offsets von der Canvas-Mitte bedeutet.

Die dokumentierte Schnittstelle von GPT Image 2.5 ist keine Layoutgrammatik. Ihre Steuerungsoberfläche ist der Prompt selbst plus Referenzbilder; das Layoutstil-Verhalten, das sich in den Bearbeitungsstärken der 2.5-Generation zeigt, drückt sich in iterativen Bearbeitungen aus, nicht in einer strukturierten Box-Spezifikation. Das ist ein echter Fähigkeitsunterschied, und es ist die einzige Stelle, an der die Schnittstelle von M​OSS-Image expliziter ist als die von O​penAI.

Der Vorbehalt aufseiten von MOSS-Image sollte vor jedem Benchmark erwähnt werden: Das Prompt-Enhancement-Modul, das eine kurze Idee in eine vollständige Layout-Spezifikation verwandelt, ist kein kleines Modell von OpenMOSS selbst. Der technische Bericht gibt an, dass LayoutPE zur Inferenzzeit GPT-6 mit modularen Aufgabenanweisungen verwendet, und die mitgelieferte Prompt-Enhancer-Skill wird als für Agenten der GPT-6-Familie konzipiert beschrieben. Das stärkste End-to-End-Layout-Ergebnis in OpenMOSS' eigener Evaluierung wird daher von einer Zwei-Modell-Pipeline erzeugt, deren Spezifikationshälfte über die API eines Drittanbieters läuft. Wenn Sie MOSS-Image ohne diesen Enhancer verwenden, liefern Sie das Layout-JSON selbst, und die Pipeline, die Sie messen, ist eine andere.

Die Beweislage, und wie dünn sie auf beiden Seiten ist

OpenMOSS evaluierte M​OSS-Image anhand von zwei Benchmarks, die mit dem Release ausgeliefert werden und die der Anbieter ebenfalls entwickelt hat. LongLongTextBench umfasst 240 Aufgaben zur Darstellung literarischer Texte, 120 auf Englisch und 120 auf Chinesisch, bei einer durchschnittlichen Zieltextlänge von 1.339,8 Zeichen. RealLayoutArena umfasst 61 Designaufgaben – 20 Poster, 20 Infografiken, 21 Benutzeroberflächen –, die durch blinden paarweisen Vergleich bewertet und an eine Bradley–Terry-Elo-Skala angepasst werden. In der End-to-End-Arena erreicht M​OSS-Image 1698,70 Elo mit einem 95%-Intervall von 1655,96 bis 1741,43 und liegt insgesamt auf Platz zwei hinter GPT Image 2 mit 1844,35. Beschränkt man sich allein auf das Backbone unter gemeinsam verwendeten erweiterten Prompts, belegt M​OSS-Image mit 1807,34 den ersten Platz.

Lies das sorgfältig. Der Benchmark, auf dem MOSS-Image den ersten Platz belegt, ist derjenige, bei dem der Vergleich auf den Generator beschränkt ist und die Prompt-Verbesserung gemeinsam genutzt wird – was genau die Konfiguration ist, die das Drittanbieter-Spezifikationsproblem beseitigt. Der Benchmark, auf dem es den zweiten Platz belegt, ist der End-to-End-Benchmark. Keiner von beiden ist ein neutraler Test.

OpenAI veröffentlicht keinen vergleichbaren Layout- oder Text-Rendering-Benchmark für GPT Image 2.5. Die unabhängigen Belege, die für die OpenAI-Modelle existieren, finden sich auf den Artificial-Analysis-Boards, wo die 2.5-Varianten die ersten beiden Plätze im Image-Editing-Leaderboard belegen. Das ist eine Blindpräferenzmessung mit veröffentlichter Methodik, und sie testet Layoutkontrolle überhaupt nicht. Die beiden Modelle werden also von unterschiedlichen Seiten auf getrennten Achsen gemessen, und der Versuchung, 1698.70 neben einen Board-Elo-Wert zu setzen, gilt es zu widerstehen — sie sind nicht dieselbe Skala und messen nicht dasselbe.

Was jedes in großen Mengen kostet

GPT Image 2.5 wird in Tokens abgerechnet, nach einer Preisliste, die identisch mit der von GPT Image 2 ist: 5,00 $ pro Million Text-Input-Tokens, mit gecachtem Text zu 1,25 $, 8,00 $ pro Million Bild-Input mit gecachtem Bild zu 2,00 $ und 30,00 $ pro Million Bild-Output. Batch halbiert jeweils. Es gibt keinen Preis pro Bild auf der Anbieterseite und kein kostenloses Kontingent, daher ist der einzige Weg zu einer Angabe pro Bild eine Umrechnung – und die unabhängigen Boards veröffentlichen eine, derzeit nahe 0,21 $ pro Bild für ein hochwertiges 1024×1024. Betrachten Sie das als eine Ableitung der Boards, nicht als OpenAIs Preis.

MOSS-Image hat keine Preisliste, weil es nichts abzurechnen gibt. Die Kosten sind die Maschine. Das SFT-Repository umfasst etwa 27,2 GB, und die Zahl, die die Leute überrascht, ist die Aufteilung: Etwa 16,8 GB, verteilt auf vier Shards, entfallen auf den eingefrorenen Qwen3.5-9B-Textencoder, und etwa 10,2 GB, verteilt auf drei, entfallen auf den Transformer selbst. Das 5B-Badge kennzeichnet allein den Diffusionsgenerator. Die Sampling-Standardwerte sind Flow-Matching-Euler mit 50 Schritten, CFG 3,0, Shift 5,0, mit Negative-Branch-Skip-Layer-Guidance auf Layer 22 — und der Standard-Guidance-Pfad benötigt zwei Transformer-Forward-Pässe pro Schritt, weshalb 50 Schritte nicht die günstige Einstellung sind, nach der es klingt.

Bei hunderttausend Bildern pro Monat landet die token-abgerechnete Seite im niedrigen fünfstelligen Dollarbereich; die heruntergeladene Seite landet dort, wo auch Ihre GPU-Miete landet. Das ist kein Vergleich, der einer der beiden Seiten schmeichelt, weshalb die Entscheidung meist von etwas anderem abhängt: ob Sie eine Konfigurationsänderung ausliefern können oder ein Beschaffungsgespräch brauchen.

Die beiden nebeneinander ausführen

Wenn du das lieber mit deinen eigenen Prompts klären möchtest statt auf irgendeinem Leaderboard, dann liegen die beiden Seiten an entgegengesetzten Enden einer Grenze, die unser eigenes Produkt nicht in der Mitte überschreitet. MOSS-Image steht nicht im Katalog von OrcaRouter – wir bedienen mehr als 200 Modelle, und es ist keines davon – die Open-Weight-Hälfte des Experiments musst du also selbst hosten. GPT Image 2.5 Sunburst und Flare lassen sich über denselben O​penAI-kompatiblen Endpoint routen wie alles andere im Katalog, zu den Listenpreisen des Anbieters von 8 $ pro Million Image-Input-Tokens und 30 $ pro Million Image-Output-Tokens, ohne Aufschlag unsererseits.

Der nützliche Teil dieser Anordnung für einen Vergleich wie diesen ist das Failover-Verhalten. Wenn Sie eine Benchmarking-Schleife betreiben, die mehrere hundert Prompts an ein gehostetes Modell sendet, wird ein Rate-Limit auf Anbieterseite oder eine schlechte Minute zu verworfenen Stichproben, und automatisches Failover über Anbieter hinweg bedeutet, dass die Schleife zum Abschluss kommt, anstatt Sie mit einer halb gefüllten Ergebnistabelle zurückzulassen. Ob die Antwort, die vom Fallback zurückkommt, mit der primären Antwort vergleichbar ist, ist eine Frage, die Sie vor dem Start entscheiden sollten, nicht danach.

Auf welcher Seite der Grenze du bist

Wählen Sie MOSS-Image, wenn Sie die Gewichte wollen. Apache 2.0 ohne Umsatzobergrenze ist eine kurze kommerzielle Prüfung, der Base-Checkpoint wurde ausdrücklich undestilliert für LoRA-Training belassen, das Layout-JSON ist eine echte Spezifikation statt einer Prompt-Konvention, und Sie können eine ComfyUI-Installation heute darauf ausrichten. Machen Sie sich von Anfang an bewusst, dass der Encoder der Download ist, dass ein Standardwert von 50 Schritten bei zwei Vorwärtsdurchläufen pro Schritt echte Serving-Kosten verursacht und dass die Elo-Zahl aus den Schlagzeilen mit einem Modell eines Drittanbieters in der Spezifikationshälfte der Pipeline erzeugt wurde. Wenn Sie den Enhancer überspringen und das Layout selbst schreiben, sind Sie bei den Zahlen auf sich allein gestellt – was in Ordnung ist, denn die von OpenMOSS hat auch niemand reproduziert.

Wählen Sie GPT Image 2.5, wenn Sie diese Woche einen aufrufbaren Endpunkt benötigen, wenn Ihre Arbeit eher iteratives Bearbeiten als zusammengesetztes Layout ist, oder wenn ein unabhängiger Benchmark mit einer veröffentlichten Methodik für Ihre Entscheidung mehr zählt als eine strukturierte Steuerungsschnittstelle. Die Aufteilung in zwei Varianten bedeutet eine zusätzliche Entscheidung — Sunburst, wenn die Bearbeitung das Ergebnis ist, Flare als Standard — und die token-abgerechnete Rechnung ist schwerer vorherzusagen als ein Preis pro Bild, aber das Modell steht an der Spitze des einzigen neutralen Boards, das Bearbeitung abdeckt, und das ist etwas wert, was die eigene Tabelle eines Anbieters nicht ist.

Die Lücke, die diesen Vergleich am stärksten verändern würde, liegt auf der OpenAI-Seite, nicht auf der OpenMOSS-Seite: eine veröffentlichte Layout-Control-Evaluierung oder ein unabhängiger Layout-Benchmark, der beide Modelle enthält. Solange es keinen gibt, werden die beiden Systeme von unterschiedlichen Personen anhand unterschiedlicher Achsen gemessen, und der Satz, der den Stand der Dinge am besten beschreibt, lautet, dass MOSS-Image die explizitere Schnittstelle und GPT Image 2.5 die unabhängigere Evidenz hat.

Die dokumentierten KI-Ausfälle und Agent-Vorfälle hinter Veröffentlichungen wie dieser werden gesammelt in dem OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, Schweregrad, Konfidenzstufe und eine Kennzeichnung als strittig enthält.