MOSS-Image vs GPT Image 2.5: un backbone descargable de 5B frente a dos modelos con snapshot

Empecemos por la nomenclatura, porque es lo que primero confunde a la gente. No existe ningún modelo llamado gpt-image-2.5. Lo que existe es un par — GPT Image 2.5 Sunburst, identificador gpt-image-2.5-sunburst, y GPT Image 2.5 Flare, identificador gpt-image-2.5-flare — ambos con snapshot del 2026-09-08 y ambos cerrados. Frente a ellos está M​OSS-Image, publicado por OpenMOSS el 16 de octubre de 2026 como dos checkpoints bajo Apache 2.0, M​OSS-Image-Base y M​OSS-Image-SFT, que descargas y ejecutas. Un lado te vende un endpoint; el otro te entrega 27 gigabytes y te desea suerte con el codificador.

Esa es toda la forma de la comparación, y casi todas las demás diferencias se derivan de ella. La comparación a continuación trata las dos variantes de OpenAI como un solo lado solo donde los propios precios y la documentación de OpenAI las tratan como uno solo — lo cual es cierto para la tarifa y falso para la capacidad, y esa distinción tiene su propia sección. Cada cifra atribuida a OpenAI es la tarifa publicada por OpenAI; cada cifra atribuida a MOSS-Image es propia de OpenMOSS, procedente del lanzamiento y de su informe técnico, y no reproducida por nadie.

Dos modelos con una sola descarga

La generación 2.5 de OpenAI es una bifurcación, no una simple subida de versión. Las generaciones anteriores lanzaban un único ID de modelo principal y te pedían elegir un nivel de calidad dentro de él. Con la 2.5 hay dos modelos con nombres separados y snapshots separados, y ningún alias paraguas: el código escrito contra un gpt-image-2.5 a secas no se ejecutará. Sunburst está posicionado para la capacidad y Flare para la velocidad, y ambos se facturan igual, así que elegir entre ellos es una decisión de latencia y precisión, no de presupuesto.

MOSS-Image también son dos modelos, pero la división es una división de entrenamiento en lugar de una división de producto. Base es el checkpoint preentrenado, deliberadamente dejado sin destilar — la tarjeta del modelo dice explícitamente que no se aplicó post-entrenamiento ni destilación de parámetros de inferencia como CFG, para preservar la información de entrenamiento y mantener viable el entrenamiento de LoRA. SFT está ajustado finamente con datos curados y es el que la mayoría de la gente debería ejecutar. El ejemplo de comparación del proveedor muestra que SFT produce una agrupación de texto más ajustada y un diseño más organizado con el mismo prompt, que es lo que debería hacer un ajuste fino con datos curados de una base sin destilar.

• Cómo lo llamas — GPT Image 2.5: dos ID, gpt-image-2.5-sunburst y gpt-image-2.5-flare, sin alias simple. M​OSS-Image: dos repositorios, OpenMOSS-Team/M​OSS-Image-Base y OpenMOSS-Team/M​OSS-Image-SFT, con réplicas en ModelScope para ambos.

• Lo que recibes — GPT Image 2.5: un endpoint compatible con O​penAI y una fecha de instantánea. M​OSS-Image: pesos safetensors, un pipeline personalizado de Diffusers, una aplicación Gradio y un complemento nativo de ComfyUI instalable a través de ComfyUI Manager.

• Cuánto cuesta — GPT Image 2.5: se mide en tokens, $8.00 por millón de tokens de entrada de imagen y $30.00 por millón de tokens de salida de imagen, el procesamiento por lotes a mitad de precio. M​OSS-Image: nada para la licencia, todo para la GPU.

• ¿Qué licencia rige la salida? — GPT Image 2.5: los términos de O​penAI, que no se reproducen en la propia documentación para desarrolladores. M​OSS-Image: Apache 2.0 para los pesos y el código de inferencia incluido, sin umbral de ingresos y sin anexo de uso aceptable.

Control de diseño, y el módulo que no es del modelo

Ambos sistemas te permiten colocar cosas por coordenadas. No son equivalentes en lo que hay detrás de las coordenadas.

El formato de diseño de M​OSS-Image toma un objeto JSON como prompt: un resumen con el título de la escena, y un array de elementos donde cada elemento tiene una etiqueta de texto, personaje o objeto, un título, un cuadro delimitador, y — para texto — la cadena literal a renderizar. Los cuadros usan bbox_format: "yxyx" en bbox_coord_space: "abs_centralized", lo que significa desplazamientos en píxeles desde el centro del lienzo.

La interfaz documentada de GPT Image 2.5 no es una gramática de maquetación. Su superficie de control es el propio prompt más las imágenes de referencia; el comportamiento de estilo de maquetación que se manifiesta en las fortalezas de edición de la generación 2.5 se expresa mediante ediciones iterativas en lugar de mediante una especificación estructurada de cajas. Esa es una diferencia real de capacidades, y es el único punto en el que la interfaz de M​OSS-Image es más explícita que la de O​penAI.

La salvedad del lado de M​OSS-Image vale la pena mencionarla antes de cualquier benchmark: el módulo de mejora de prompts que convierte una idea breve en una especificación de layout completa no es un modelo pequeño propio de OpenMOSS. El informe técnico afirma que LayoutPE usa G​PT-6 con instrucciones de tarea modulares en tiempo de inferencia, y la habilidad de mejora de prompts incluida se describe como diseñada para agentes de la familia G​PT-6. Por lo tanto, el resultado de layout de extremo a extremo más sólido en la propia evaluación de OpenMOSS lo produce un pipeline de dos modelos cuya mitad de especificación se ejecuta en la API de un tercero. Si usas M​OSS-Image sin ese mejorador, eres tú quien proporciona el JSON de layout, y el pipeline que estás midiendo es otro distinto.

La evidencia, y lo poco sólida que es por ambas partes

OpenMOSS evaluó M​OSS-Image en dos benchmarks que se incluyen con la versión y que el proveedor también desarrolló. LongLongTextBench consta de 240 tareas de renderizado de texto literario, 120 en inglés y 120 en chino, con una longitud objetivo media de 1.339,8 caracteres. RealLayoutArena consta de 61 tareas de diseño —20 pósteres, 20 infografías, 21 interfaces de usuario—, evaluadas mediante comparación por pares ciega y ajustadas a una escala Elo de Bradley–Terry. En la arena de extremo a extremo, M​OSS-Image alcanza 1698,70 Elo con un intervalo del 95% de 1655,96 a 1741,43, segundo en general por detrás de GPT Image 2, con 1844,35. Si se restringe únicamente al backbone, con prompts mejorados compartidos, M​OSS-Image queda primero con 1807,34.

Lee eso con atención. El benchmark en el que M​OSS-Image ocupa el primer lugar es aquel en el que la comparación se limita al generador y la mejora del prompt es compartida, que es exactamente la configuración que elimina el problema de la especificación de terceros. El benchmark en el que ocupa el segundo lugar es el de extremo a extremo. Ninguno de los dos es una prueba neutral.

OpenAI no publica ningún benchmark comparable de maquetación o renderizado de texto para GPT Image 2.5. La evidencia independiente que existe para los modelos de OpenAI está en las tablas de Artificial Analysis, donde las variantes 2.5 ocupan los dos primeros puestos en la clasificación de edición de imágenes. Se trata de una medición de preferencia ciega con una metodología publicada, y no evalúa el control de maquetación en absoluto. Así que los dos modelos son medidos en ejes disjuntos por partes distintas, y hay que resistir la tentación de poner 1698.70 junto a un Elo de tabla — no son la misma escala y no miden lo mismo.

Cuánto cuesta cada uno por volumen

GPT Image 2.5 se mide en tokens, con una tarifa idéntica a la de GPT Image 2: $5.00 por millón de tokens de entrada de texto, con el texto en caché a $1.25; $8.00 por millón de entrada de imagen, con la imagen en caché a $2.00; y $30.00 por millón de salida de imagen. El modo Batch reduce cada una a la mitad. No hay precio por imagen en la página del proveedor ni asignación gratuita, así que la única forma de obtener una cifra por imagen es una conversión, y los tableros independientes publican una, actualmente cerca de $0.21 por imagen para una 1024×1024 de alta calidad. Considera eso una derivación de los tableros, no el precio de OpenAI.

MOSS-Image no tiene tarifario porque no hay nada que facturar. El costo es la máquina. El repositorio SFT ocupa unos 27,2 GB, y la cifra que sorprende a la gente es el desglose: aproximadamente 16,8 GB repartidos en cuatro shards corresponden al codificador de texto congelado Qwen3.5-9B, y unos 10,2 GB repartidos en tres son el propio transformer. La etiqueta 5B describe solo al generador de difusión. Los valores predeterminados de muestreo son Euler con flow-matching a 50 pasos, CFG 3.0, shift 5.0, con guía skip-layer de la rama negativa en la capa 22; y la ruta de guía predeterminada necesita dos pasadas forward del transformer por paso, razón por la cual 50 pasos no es la configuración barata que parece.

Con cien mil imágenes al mes, el lado que se factura por tokens acaba en la parte baja de las decenas de miles de dólares; el lado descargado acaba donde acabe el alquiler de tu GPU. Esa no es una comparación que deje bien a ninguna de las dos partes, por lo que la decisión suele depender de otra cosa: de si puedes desplegar un cambio de configuración o necesitas una conversación con el departamento de compras.

Ejecutando los dos en paralelo

Si quieres resolver esto con tus propios prompts en lugar de con la tabla de clasificación de cualquier otro, los dos bandos se sitúan en extremos opuestos de una frontera que nuestro propio producto no cruza por el medio. MOSS-Image no está en el catálogo de OrcaRouter —servimos más de 200 modelos y no es uno de ellos—, así que la mitad de pesos abiertos del experimento es tuya para alojarla. GPT Image 2.5 Sunburst y Flare se pueden enrutar a través del mismo endpoint compatible con OpenAI que todo lo demás en el catálogo, a las tarifas de lista del proveedor de $8 por millón de tokens de entrada de imagen y $30 por millón de tokens de salida de imagen, sin ningún margen añadido por nuestra parte.

La parte útil de ese arreglo para una comparación como esta es el comportamiento de conmutación por error. Cuando ejecutas un bucle de benchmarking que lanza varios cientos de prompts a un modelo alojado, un límite de tasa del lado del proveedor o un minuto malo se convierte en muestras descartadas, y la conmutación automática por error entre proveedores hace que el bucle termine en lugar de dejarte con una tabla de resultados a medio llenar. Que la respuesta que devuelve el respaldo sea comparable a la principal es una cuestión que deberías decidir antes de empezar, no después.

De qué lado del límite te encuentras

Elige MOSS-Image si quieres los pesos. Apache 2.0 sin techo de ingresos es una revisión comercial breve, el checkpoint Base se dejó explícitamente sin destilar para el entrenamiento de LoRA, el JSON de diseño es una especificación real en lugar de una convención de prompts, y hoy mismo puedes apuntar una instalación de ComfyUI hacia él. Empieza sabiendo que el codificador es la descarga, que un valor predeterminado de 50 pasos con dos pasadas hacia adelante por paso es un costo real de servicio, y que la cifra Elo destacada se produjo con un modelo de terceros en la mitad del pipeline dedicada a la especificación. Si te saltas el potenciador y escribes el diseño tú mismo, tendrás que arreglártelas con los números — lo cual está bien, porque nadie ha reproducido los de OpenMOSS tampoco.

Elige GPT Image 2.5 si necesitas un endpoint invocable esta semana, si tu trabajo es de edición iterativa en lugar de maquetación compuesta, o si un benchmark independiente con una metodología publicada pesa más en tu decisión que una interfaz de control estructurada. La bifurcación en dos variantes implica una decisión adicional —Sunburst cuando la edición es el entregable, Flare como opción predeterminada—, y la factura medida por tokens es más difícil de predecir que una tarifa por imagen, pero el modelo está en lo más alto del único ranking neutral que cubre la edición, y eso vale algo que la tabla propia de un proveedor no tiene.

La brecha que más cambiaría esta comparación está del lado de O​penAI, no del lado de OpenMOSS: una evaluación publicada de control de layout, o un benchmark independiente de layout que incluya ambos modelos. Hasta que exista uno, los dos sistemas están siendo medidos en ejes distintos por personas distintas, y la frase que mejor describe el estado de la cuestión es que M​OSS-Image tiene la interfaz más explícita y GPT Image 2.5 tiene la evidencia más independiente.

Los fallos de IA documentados y los incidentes de agentes que hay detrás de lanzamientos como este se recopilan en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.