MOSS-Image vs GPT Image 2.5: Backbone 5B yang Dapat Diunduh Melawan Dua Model Snapshot

Mulai dari penamaannya, karena itulah hal yang pertama membuat orang bingung. Tidak ada model bernama gpt-image-2.5. Yang ada adalah sepasang — GPT Image 2.5 Sunburst, pengenal gpt-image-2.5-sunburst, dan GPT Image 2.5 Flare, pengenal gpt-image-2.5-flare — keduanya di-snapshot pada 2026-09-08 dan keduanya tertutup. Di seberangnya berdiri M​OSS-Image, dirilis oleh OpenMOSS pada 16 Oktober 2026 sebagai dua checkpoint Apache 2.0, M​OSS-Image-Base dan M​OSS-Image-SFT, yang Anda unduh dan jalankan. Satu sisi menjual endpoint kepada Anda; sisi lain menyerahkan 27 gigabita dan mendoakan keberuntungan Anda dengan encoder itu.

Itulah keseluruhan bentuk perbandingannya, dan hampir setiap perbedaan lainnya mengalir darinya. Perbandingan di bawah ini memperlakukan kedua varian OpenAI sebagai satu pihak hanya ketika harga dan dokumentasi OpenAI sendiri memperlakukannya sebagai satu — yang benar untuk kartu tarif dan salah untuk kapabilitas, dan pembedaan itu mendapat bagiannya sendiri. Setiap angka yang dikaitkan dengan OpenAI berasal dari kartu tarif terbitan OpenAI; setiap angka yang dikaitkan dengan MOSS-Image adalah milik OpenMOSS sendiri, dari rilis dan laporan teknisnya, dan belum direproduksi oleh siapa pun.

Dua model untuk satu unduhan

Generasi 2.5 OpenAI adalah sebuah fork, bukan sekadar kenaikan versi. Generasi sebelumnya merilis satu ID model utama dan meminta Anda memilih tingkat kualitas di dalamnya. Pada 2.5, ada dua model yang dinamai terpisah dengan snapshot terpisah, dan tidak ada alias payung — kode yang ditulis untuk gpt-image-2.5 tanpa varian tidak akan berjalan. Sunburst diposisikan untuk kemampuan, Flare untuk kecepatan, dan keduanya menagih dengan tarif yang sama, sehingga pilihan di antara keduanya adalah keputusan latensi dan presisi, bukan soal anggaran.

MOSS-Image juga terdiri dari dua model, tetapi pemisahannya adalah pemisahan pelatihan, bukan pemisahan produk. Base adalah checkpoint praterlatih yang sengaja dibiarkan tanpa distilasi — kartu model menyatakan secara eksplisit bahwa tidak ada pasca-pelatihan atau distilasi parameter inferensi seperti CFG yang diterapkan, demi mempertahankan informasi pelatihan dan menjaga agar pelatihan LoRA tetap viable. SFT disetel halus (fine-tuned) pada data terkurasi dan merupakan versi yang sebaiknya dijalankan oleh sebagian besar orang. Contoh perbandingan dari vendor menunjukkan SFT menghasilkan pengelompokan teks yang lebih rapat dan tata letak yang lebih tertata pada prompt yang sama, yang memang seperti itulah hasil yang seharusnya dari penyetelan halus berbasis data terkurasi pada base yang tanpa distilasi.

• Nama yang kamu pakai — GPT Image 2.5: dua ID, gpt-image-2.5-sunburst dan gpt-image-2.5-flare, tanpa alias polos. MOSS-Image: dua repositori, OpenMOSS-Team/MOSS-Image-Base dan OpenMOSS-Team/MOSS-Image-SFT, dengan mirror ModelScope untuk keduanya.

• Yang Anda terima — GPT Image 2.5: endpoint yang kompatibel dengan OpenAI dan tanggal snapshot. MOSS-Image: bobot safetensors, pipeline kustom Diffusers, aplikasi Gradio, dan plugin ComfyUI native yang dapat diinstal melalui ComfyUI Manager.

• Berapa biayanya — GPT Image 2.5: diukur dalam token, $8,00 per juta input gambar dan $30,00 per juta output gambar, batch setengah harga. MOSS-Image: tidak ada biaya untuk lisensi, semuanya untuk GPU.

• Lisensi siapa yang mengatur output — GPT Image 2.5: ketentuan O​penAI, yang tidak direproduksi dalam dokumentasi pengembang itu sendiri. M​OSS-Image: Apache 2.0 untuk bobot dan kode inferensi yang disertakan, tanpa ambang batas pendapatan dan tanpa lampiran penggunaan yang dapat diterima.

Kontrol tata letak, dan modul yang bukan milik model

Kedua sistem memungkinkan Anda menempatkan objek berdasarkan koordinat. Keduanya tidak setara dalam hal apa yang berada di balik koordinat tersebut.

Format tata letak MOSS-Image menggunakan objek JSON sebagai prompt: sebuah summary berisi keterangan adegan, dan array items yang setiap elemennya memiliki label berupa text, character atau object, sebuah keterangan, kotak pembatas, dan — untuk teks — string literal yang akan dirender. Kotak menggunakan bbox_format: "yxyx" dalam bbox_coord_space: "abs_centralized", yang berarti offset piksel dari pusat kanvas.

Antarmuka GPT Image 2.5 yang didokumentasikan bukanlah tata bahasa tata letak. Permukaan kendalinya adalah prompt itu sendiri ditambah gambar referensi; perilaku bergaya tata letak yang muncul dalam kekuatan pengeditan generasi 2.5 diekspresikan melalui pengeditan iteratif alih-alih melalui spesifikasi kotak yang terstruktur. Itu adalah perbedaan kemampuan yang nyata, dan itulah satu tempat di mana antarmuka MOSS-Image lebih eksplisit daripada antarmuka OpenAI.

Peringatan di sisi M​OSS-Image perlu disampaikan sebelum benchmark apa pun: modul peningkatan prompt yang mengubah ide singkat menjadi spesifikasi tata letak lengkap bukanlah model kecil milik OpenMOSS sendiri. Laporan teknis menyatakan bahwa LayoutPE menggunakan G​PT-6 dengan instruksi tugas modular pada waktu inferensi, dan skill prompt-enhancer bawaan dijelaskan dirancang untuk agen keluarga G​PT-6. Oleh karena itu, hasil tata letak end-to-end terkuat dalam evaluasi OpenMOSS sendiri dihasilkan oleh pipeline dua model yang bagian spesifikasinya berjalan pada API milik pihak lain. Jika Anda menggunakan M​OSS-Image tanpa peningkat tersebut, Anda memasok JSON tata letak sendiri, dan pipeline yang Anda ukur adalah pipeline yang berbeda.

Buktinya, dan betapa tipisnya di kedua sisi

OpenMOSS mengevaluasi M​OSS-Image pada dua benchmark yang disertakan dalam rilis dan yang juga dibuat oleh vendor. LongLongTextBench terdiri dari 240 tugas rendering teks sastra, 120 bahasa Inggris dan 120 bahasa Mandarin, dengan rata-rata panjang target 1.339,8 karakter. RealLayoutArena adalah 61 tugas desain — 20 poster, 20 infografis, 21 antarmuka pengguna — dinilai melalui perbandingan berpasangan secara buta dan disesuaikan dengan skala Elo Bradley–Terry. Pada arena end-to-end, M​OSS-Image berada pada 1698,70 Elo dengan interval 95% dari 1655,96 hingga 1741,43, peringkat kedua secara keseluruhan di belakang GPT Image 2 pada 1844,35. Jika dibatasi hanya pada backbone di bawah prompt yang ditingkatkan bersama, M​OSS-Image menempati peringkat pertama pada 1807,34.

Baca itu dengan saksama. Tolok ukur tempat MOSS-Image menempati peringkat pertama adalah tolok ukur yang perbandingannya dibatasi pada generator dan peningkatan prompt digunakan bersama — yang justru merupakan konfigurasi yang menghilangkan masalah spesifikasi pihak ketiga. Tolok ukur tempat ia menempati peringkat kedua adalah tolok ukur end-to-end. Tidak satu pun merupakan uji yang netral.

O​penAI tidak menerbitkan tolok ukur tata letak atau perenderan teks yang sebanding untuk GPT Image 2.5. Bukti independen yang ada untuk model-model O​penAI terdapat pada papan Artificial Analysis, tempat varian 2.5 menempati dua posisi teratas di papan peringkat penyuntingan gambar. Itu adalah pengukuran preferensi buta dengan metodologi yang dipublikasikan, dan sama sekali tidak menguji kontrol tata letak. Jadi kedua model diukur pada sumbu yang saling lepas oleh pihak yang berbeda, dan godaan untuk menempatkan 1698,70 di samping Elo papan peringkat adalah sesuatu yang harus ditolak — keduanya bukan skala yang sama dan tidak mengukur hal yang sama.

Berapa biaya masing-masing dalam volume besar

GPT Image 2.5 diukur dalam token, pada kartu tarif yang identik dengan GPT Image 2: $5,00 per juta token input teks dengan teks yang di-cache sebesar $1,25, $8,00 per juta input gambar dengan gambar yang di-cache sebesar $2,00, dan $30,00 per juta output gambar. Batch memotong setengah setiap tarif. Tidak ada harga per gambar di halaman vendor dan tidak ada kuota gratis, jadi satu-satunya cara untuk mendapatkan angka per gambar adalah konversi — dan dewan independen menerbitkannya, saat ini mendekati $0,21 per gambar untuk 1024×1024 berkualitas tinggi. Anggap itu sebagai derivasi dewan, bukan sebagai harga OpenAI.

MOSS-Image tidak memiliki daftar tarif karena tidak ada yang perlu ditagih. Biayanya adalah mesinnya. Repositori SFT berukuran sekitar 27,2 GB, dan angka yang mengejutkan banyak orang adalah pembagiannya: sekitar 16,8 GB yang tersebar di empat shard adalah encoder teks Qwen3.5-9B yang dibekukan dan sekitar 10,2 GB yang tersebar di tiga shard adalah transformer itu sendiri. Label 5B hanya menjelaskan generator difusi saja. Default pengambilan sampel adalah Euler flow-matching pada 50 langkah, CFG 3,0, shift 5,0, dengan panduan skip-layer cabang negatif pada layer 22 — dan jalur panduan default memerlukan dua forward transformer per langkah, itulah sebabnya 50 langkah bukan pengaturan murah seperti yang terdengar.

Pada seratus ribu gambar per bulan, sisi yang diukur dengan token berada di kisaran puluhan ribu dolar bagian bawah; sisi yang diunduh bergantung pada berapa biaya sewa GPU Anda. Itu bukan perbandingan yang membuat salah satu pihak tampak lebih baik, itulah sebabnya keputusan biasanya bergantung pada hal lain: apakah Anda bisa merilis perubahan konfigurasi atau perlu percakapan pengadaan.

Menjalankan keduanya secara berdampingan

Jika Anda ingin menyelesaikan ini berdasarkan prompt Anda sendiri, bukan berdasarkan papan peringkat siapa pun, kedua kubu berada di ujung yang berlawanan dari batas yang tidak dilewati produk kami di tengah. MOSS-Image tidak ada di katalog OrcaRouter — kami melayani lebih dari 200 model dan model itu bukan salah satunya — jadi bagian berbobot terbuka dari eksperimen ini adalah milik Anda untuk dihosting. GPT Image 2.5 Sunburst dan Flare dapat dirutekan melalui endpoint yang kompatibel dengan OpenAI yang sama seperti semua yang lain di katalog, dengan tarif daftar penyedia sebesar $8 per juta token masukan gambar dan $30 per juta token keluaran gambar, tanpa markup tambahan dari pihak kami.

Bagian yang berguna dari pengaturan itu untuk perbandingan seperti ini adalah perilaku failover. Saat Anda menjalankan loop benchmarking yang mengirimkan beberapa ratus prompt ke model yang dihosting, batas laju dari sisi penyedia atau satu menit yang buruk berubah menjadi sampel yang hilang, dan failover otomatis antar penyedia berarti loop tersebut selesai alih-alih meninggalkan Anda dengan tabel hasil yang baru terisi separuh. Apakah jawaban yang kembali dari fallback sebanding dengan yang utama adalah pertanyaan yang harus Anda putuskan sebelum memulai, bukan sesudahnya.

Di sisi mana dari batas itu kamu berada

Pilih M​OSS-Image jika Anda menginginkan bobotnya. Apache 2.0 tanpa batas pendapatan adalah tinjauan komersial yang singkat, checkpoint Base secara eksplisit dibiarkan tanpa distilasi untuk pelatihan LoRA, JSON tata letak adalah spesifikasi nyata alih-alih konvensi prompt, dan Anda dapat mengarahkan instalasi ComfyUI ke sana hari ini. Ketahuilah sejak awal bahwa encoder adalah unduhan, bahwa default 50 langkah dengan dua forward per langkah adalah biaya serving yang nyata, dan bahwa angka Elo utama dihasilkan dengan model pihak ketiga di separuh spesifikasi pipeline. Jika Anda melewati enhancer dan menulis tata letaknya sendiri, Anda sendiri yang bertanggung jawab atas angka-angkanya — itu tidak masalah, karena belum ada yang mereproduksi milik OpenMOSS juga.

Pilih GPT Image 2.5 jika Anda memerlukan endpoint yang dapat dipanggil minggu ini, jika pekerjaan Anda adalah penyuntingan iteratif alih-alih tata letak yang disusun, atau jika tolok ukur independen dengan metodologi yang dipublikasikan lebih penting bagi keputusan Anda daripada antarmuka kontrol terstruktur. Percabangan dua varian berarti keputusan tambahan — Sunburst ketika hasil edit adalah yang harus diserahkan, Flare sebagai default — dan tagihan berbasis token lebih sulit diprediksi daripada tarif per gambar, tetapi model ini berada di puncak satu-satunya papan peringkat netral yang mencakup penyuntingan, dan itu bernilai sesuatu yang tidak dimiliki oleh tabel milik vendor sendiri.

Kesenjangan yang akan paling mengubah perbandingan ini ada di sisi OpenAI, bukan sisi OpenMOSS: evaluasi kontrol tata letak yang dipublikasikan, atau tolok ukur tata letak independen yang mencakup kedua model. Sampai salah satunya ada, kedua sistem ini diukur pada sumbu yang berbeda oleh orang yang berbeda, dan kalimat yang paling menggambarkan keadaan saat ini adalah bahwa MOSS-Image memiliki antarmuka yang lebih eksplisit dan GPT Image 2.5 memiliki bukti yang lebih independen.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.