Images 2.6 vs Meta Muse Image: la brecha de precio de 21× es principalmente una cuestión de ajustes de calidad

La comparación que encontrará citada es que Images 2.6 cuesta aproximadamente 21 veces lo que Meta Muse Image cuesta. Ese número es real y también es engañoso, porque compara el ajuste de salida más caro de OpenAI con el único de Meta. GPT-Image-2.6 Sunburst factura 30 $ por millón de tokens de salida de imagen y, con el presupuesto de tokens "max", eso es aproximadamente 0,21 $ por imagen. Meta cobra un centavo fijo. Pero baje Sunburst a calidad media —donde realmente se ejecuta la mayor parte del trabajo de producción— y la cifra de OpenAI se acerca más a 0,013 $. En ese punto, la diferencia es de 1,3×, no de 21×, y todo el argumento tiene que reconstruirse en torno a algo distinto del precio. Images 2.6 se lanzó el 4 de noviembre de 2026 en dos variantes de API, Sunburst y la optimizada para velocidad GPT-Image-2.6 Flare. Meta Muse Image está disponible de forma general desde el 7 de julio de 2026, creada por Meta Superintelligence Labs con el nombre en código Mango, y es la API de imágenes creíble más barata de esta generación.

Entonces, la pregunta útil no es «cuál es más barato», sino «qué compra el dinero adicional en cada nivel de calidad y en qué punto la tarifa plana de Meta deja de ser la respuesta correcta, incluso para un equipo que cuida su presupuesto».

Haciendo la aritmética correctamente

OpenAI no publica un precio por imagen, por lo que cualquier cifra por imagen es una derivación del modelo de tokens. Las tarifas son $5 por millón de tokens de entrada de texto (en caché, $1.25), $8 por millón de entrada de imagen (en caché, $2) y $30 por millón de salida de imagen; las tarifas por lotes de OpenAI son la mitad, aunque las páginas del modelo 2.6 actualmente listan /v1/batch como no compatible, por lo que el descuento no está disponible para este modelo hoy. Los presupuestos de tokens de salida según el ajuste de calidad se heredan de la generación 2.5, lo que hace que estas sean estimaciones en lugar de cifras publicadas de 2.6; una advertencia que importa, porque un cambio en el tokenizador o en la programación de presupuestos movería cada cifra a continuación.

• Baja calidad — aproximadamente 196 tokens de salida, unos 0,006 $ por imagen. Más barato que Meta.

• Medio — aproximadamente 439 tokens, unos $0.013. A menos de un tercio de centavo del precio de Meta de diez centavos por cada diez.

• Alto — aproximadamente 1.756 tokens, unos $0.053. Cinco veces Meta.

• xhigh — aproximadamente 3.122 tokens, unos $0.094. Nueve veces Meta.

• Max — aproximadamente 7.024 tokens, alrededor de $0.21. Veintiuna veces Meta. Esta es la cifra que se cita.

• Meta Muse Image — $0.01 fijo, con fundamento de búsqueda incluido, en cualquier resolución que admita. Los revendedores lo listan a $0.011.

De esto se desprenden dos cosas. La primera es que los precios de OpenAI funcionan como un dial, y los de Meta no. Un equipo que adopte como estándar la calidad baja o media puede ejecutar Images 2.6 por aproximadamente lo que cuesta Muse y obtener un perfil de fallos distinto, no un presupuesto distinto. La segunda es que el dial es donde los presupuestos realmente se rompen: nadie tiene la intención de generar al máximo, pero el máximo está a solo un parámetro del medio y no hay en la respuesta ninguna estimación del coste por solicitud que te diga lo que acabas de gastar.

Esa asimetría —medición por consumo frente a tarifa plana— es el argumento honesto a favor de un router más allá de la comodidad. OrcaRouter factura al precio de lista del proveedor sin margen, así que un modelo medido por tokens sigue medido por tokens y uno de tarifa plana sigue igual; lo que obtienes es ambos detrás de una sola clave y una sola factura, lo que significa que el gasto por modelo es comparable en un solo lugar en vez de reconstruirlo a partir de dos sistemas de facturación. El failover automático también importa más aquí de lo habitual: si una solicitud de $0.21 falla en el extremo remoto, has pagado por el intento y no por la imagen, y reintentar contra el mismo endpoint degradado es la forma en que un mes barato se convierte en uno caro.

Qué se consigue con el dinero extra en alto y superiores

Quality Elo es la única medida disponible entre distintos proveedores, y el ancestro es el único que se mide.

En AA-Image-Editing v2.1, consultado el 5 de noviembre de 2026: GPT Image 2.5 Sunburst (max) obtiene 1.199 en 18.300 muestras. Meta Muse Image obtiene 1.129 en 13.426 muestras. Esa es una diferencia de 70 puntos, muy por fuera de ambos intervalos de confianza, y es la afirmación más clara de este artículo: en lo más alto de la gama de OpenAI, Muse no está ni cerca.

En AA-Image-T2I v2.1 la diferencia es similar: 1.224 para GPT Image 2.5 Sunburst frente a 1.127 para Muse Image, con GPT Image 2 (high) en 1.188 entre ambos. Images 2.6 en sí no tiene aún fila en ninguna de las dos tablas. Salió ayer; las tablas Elo necesitan miles de votos por pares, así que esto es un retraso y no un resultado.

La cuestión abierta es dónde se sitúa el punto de cruce. Muse Image, con 1.127, está aproximadamente en el territorio de GPT Image 2 de abril de 2026 y más o menos a la altura de MAI-Image-2.6, con 1.168, en texto a imagen. Si Sunburst en calidad media queda cerca de GPT Image 2 (alta), con 1.188, entonces el ajuste de $0.013 compra unos 60 Elo más que Muse por tres décimas de centavo. Si queda más cerca de 1.140, compra 13 Elo, y Meta gana el argumento de valor de forma rotunda. Nadie puede decirte cuál de las dos cosas ocurrirá todavía, y esa única incógnita vale más que todos los demás hechos de esta comparación.

La diferencia de arquitectura que nadie tiene en cuenta

Meta Muse Image no es un endpoint de difusión con una cola de prompts. Es un generador agéntico: según la descripción de Meta, razona antes de renderizar, puede invocar búsqueda web y ejecución de código en mitad de la generación, y autorrefina su salida. Por eso el anclaje mediante búsqueda está incluido en el centavo en lugar de facturarse como una llamada a herramienta — se espera que el modelo vaya a buscar algo.

Lo que eso aporta es real y concreto. Pide un cartel que incluya el nombre de un producto actual, un logotipo sostenido en un ángulo concreto o una escena que tenga que coincidir con un detalle factual, y un modelo fundamentado puede resolver el detalle en lugar de alucinarlo. Pide un diagrama con aritmética y un modelo que pueda ejecutar código tiene más probabilidades de que la aritmética sea correcta que uno que predice glifos.

Lo que te cuesta, más allá del dinero, es la previsibilidad. Un bucle agéntico que decide cuántos pasos dar es más difícil de acotar que un denoise fijo, y más difícil de hacer idempotente — el mismo prompt puede tomar un camino distinto en un día distinto. Para un trabajo por lotes que produce diez mil imágenes de catálogo, ese es un coste operativo real que no aparece en ninguna de las dos tarifas.

Images 2.6 ha ido en la dirección opuesta de una forma directamente comparable. Añade un complexity parámetro que controla cuánto margen de planificación recibe el modelo —la recomendación de OpenAI es empezar bajo y aumentarlo cuando una escena tiene varias restricciones que interactúan— y lo expone como un ajuste explícito por solicitud. En otras palabras, un proveedor hizo automático el bucle de planificación y el otro lo convirtió en un dial. Cuál es mejor depende por completo de si prefieres que el modelo decida o decidir tú mismo.

Imágenes de referencia y el límite de resolución

Aquí es donde los dos productos divergen de una manera que decide flujos de trabajo completos.

• Imágenes de referencia — Meta Muse Image acepta hasta 10, y Meta afirma una consistencia de personaje del 94% en una serie. Images 2.6 añade imágenes de referencia guardadas reutilizables en ChatGPT y admite entradas de imagen tanto en los endpoints de generación como de edición; OpenAI no ha publicado un número máximo de referencias para los modelos 2.6.

• Techo de salida — Muse Image alcanza un máximo de alrededor de 1.600 píxeles en el lado largo, lo que es una elección deliberada para ubicaciones en redes sociales y publicidad, y un límite inflexible para impresión. Images 2.6 no tiene niveles 2K ni 4K publicados en el mismo sentido que la línea Gemini; la resolución se implica por el presupuesto de tokens de salida en lugar de venderse como niveles con nombre.

• Formatos de salida — Images 2.6 añade exportación SVG, que Muse Image no ofrece. Para trabajar con logotipos, iconos y diagramas, la salida vectorial es decisiva independientemente del precio, porque una imagen raster no se puede ampliar y convertir en un vector, sin importar cuántos puntos Elo obtenga.

El límite de 1.600 píxeles es el hecho menos divulgado sobre Muse Image. Un centavo fijo es realmente extraordinario para una imagen de feed. No sustituye a una fotografía de producto en 2K, y los equipos que compran por precio y descubren el límite a posteriori acaban pagando por un escalador, que es un segundo modelo, un segundo proveedor y un segundo modo de fallo.

Las matemáticas del volumen, a tres escalas

• 1.000 imágenes al mes — Muse, $10. Images 2.6 en calidad media, $13; en alta, $53; en máxima, $210. Diferencia: entre el precio de un café y el precio de un portátil. A esta escala, la decisión debería basarse por completo en la calidad del resultado.

• 100.000 imágenes al mes — Muse $1,000. Images 2.6 en medio $1,300, en alto $5,300, en máximo $21,000. Esta es la franja en la que la disciplina de ajuste de calidad se convierte en una partida presupuestaria y en la que un equipo que no ha instrumentado su uso de tokens se llevará una sorpresa.

• 5 millones de imágenes al mes — Muse $50,000. Images 2.6 en medium $65,000, en high $265,000. A este volumen, el modelo de tarifa plana no solo es más barato; es el único cuyo costo se puede conocer antes de que termine el mes.

El patrón es que la ventaja de Meta es función de tu umbral mínimo de calidad, no de tu volumen. Si tus criterios de aceptación se cumplen con calidad media y generas a escala, Muse gana en ambos ejes y la comparación se acabó. Si solo se cumplen con calidad alta o superior, estás pagando entre cinco y veinte veces la tarifa de Meta por una ventaja de 40 a 70 puntos Elo, y si eso vale la pena depende de cuánto te cuesta una imagen rechazada: una pregunta que ningún benchmark responde.

Donde cada uno pertenece

Meta Muse Image es la opción predeterminada correcta para imágenes de gran volumen, orientadas al consumidor y de formato social: publicaciones de feed, variantes de anuncios, efectos de historias, cualquier cosa en la que una salida de 1600 píxeles sea suficiente y una décima de centavo por unidad cambie lo que puedes permitirte probar. El comportamiento agéntico es una ventaja genuina para los prompts que necesitan resolver un hecho, y la fundamentación en búsqueda sin coste adicional es la característica con mejor relación calidad-precio de cualquiera de los dos productos.

Images 2.6 es la opción correcta cuando el resultado tiene que soportar el escrutinio: fotografía de producto que se recortará y retocará, trabajo que necesita salida vectorial, ediciones guiadas por marcado y cualquier cosa que necesite animación —la función GIF para la que Meta no tiene equivalente. La mejora declarada de la variante Sunburst respecto a 2.5 es la consistencia a lo largo de una secuencia de ediciones, que es exactamente la propiedad que le importa a un flujo de trabajo de catálogo y exactamente la propiedad que oculta un promedio Elo.

Ninguno de los dos es una respuesta definitiva. El modelo caro no tiene una puntuación independiente y el barato tiene un límite de resolución, y el titular de 21× compara dos configuraciones que ningún equipo ejecuta al mismo tiempo. Mide primero en la configuración media. Es la configuración en la que los dos productos compiten realmente, y es de la que nadie escribe.