Ming-Image-0.1-Design vs GPT Image 2.5: il numero di un laboratorio contro i voti di una giuria di estranei

Metti Ming-Image-0.1-Design e GPT Image 2.5 nella stessa frase e il confronto ovvio è la qualità. Il confronto utile è la provenienza. GPT Image 2.5 occupa il primo e il secondo posto nella classifica live UI/UX Design di Artificial Analysis, con 1,227 e 1,218 Elo, rispettivamente su 1,287 e 1,303 voti umani in cieco — vale a dire una classifica prodotta da persone che non hanno costruito il modello e a cui non è stato detto quale output fosse di chi. A Ming-Image-0.1-Design è associato esattamente un punteggio, 1,082 Elo, e quel punteggio compare in una grafica di classifica inclusa nel repository Hugging Face di inclusionAI stessa, su una board che non siamo riusciti a trovare da nessun'altra parte, per un modello con zero download. Uno di questi numeri è una prova. L'altro è un'affermazione con un carattere tipografico. È quel divario, non i 145 Elo tra i due, a dover orientare una decisione sull'uno o sull'altro modello.

I due numeri affiancati, e la trappola nel confrontarli

I numeri sono abbastanza vicini da sembrare comparabili e abbastanza diversi per tipo da non esserlo. Ecco l'insieme, enunciato con precisione.

• GPT Image 2.5, sulla classifica live — primo posto con 1.227,0 Elo per la configurazione Flare (max), secondo con 1.218,1 per Sunburst (max), con un numero di campioni pari a 1.287 e 1.303 e un prezzo monitorato di $210,72 per 1.000 immagini. Il modello era elencato su quella classifica come rilasciato l'8 settembre 2026.

• Ming-Image-0.1-Design, su una scheda a sé stante — primo posto con 1.082 Elo, davanti a Ideogram 4.0 (Quality) a 1.052 e alle varianti dev di FLUX.2 tra 994 e 1.000, su una grafica intitolata "Text to Image Leaderboard: UI/UX Design" con a piè di pagina "Elo scores from blind preference votes in our Image Arena". Non è indicato alcun numero di campioni. Non è pubblicata alcuna metodologia. La classifica stessa non è sul web pubblico, per quanto ci sia dato di trovare.

• La trappola — L'Elo viene calcolato per board. Un punteggio è significativo solo rispetto agli altri punteggi sulla stessa board, ecco perché la stessa release di FLUX.2 registra 1.026 sulla board generale text-to-image e 1.065 nella visualizzazione della categoria UI/UX Design. Sottrai 1.082 da 1.227 e non hai misurato un divario di qualità tra due modelli. Hai sottratto un numero da un numero diverso.

Che cosa rende un voto cieco un voto cieco?

Artificial Analysis pubblica abbastanza del proprio metodo da poter essere verificato. La sua arena di immagini mette a confronto due generazioni di modelli anonimi, chiede a un votante di scegliere un vincitore e converte gli esiti in un punteggio Elo — i conteggi dei campioni nella classifica sono il numero di tali confronti che ciascun modello ha accumulato. È questa struttura a rendere un punteggio resistente agli stessi autori del modello: le persone che hanno addestrato GPT Image 2.5 non compaiono nel processo, e un modello non può essere classificato primo solo perché è quello che il suo creatore preferisce. Non è uno strumento perfetto — il gruppo di votanti è autoselezionato e i prompt non costituiscono una suite di benchmark controllata — ma è uno strumento che qualcuno diverso dal fornitore sta impugnando.

L'immagine all'interno del repository Ming-Image-0.1-Design riprende quel formato senza le parti che lo rendono verificabile. «Voti di preferenza alla cieca» è l'affermazione. «Our Image Arena» è l'operatore, e l'operatore è inclusionAI. Non c'è alcun conteggio dei voti pubblicato, nessuna distribuzione dei prompt visibile e nessun modo per ispezionare gli abbinamenti. È del tutto possibile che la valutazione dietro quell'immagine sia onesta e rigorosa — il team del modello lo saprebbe. Ed è anche del tutto incontrollabile dall'esterno, che è l'unica cosa che conta se sei tu a decidere se costruirci sopra.

Vale la pena aggiungerlo, perché va contro la narrazione facile: Ming-Image-0.1-Design non è affatto presente nella board live di Artificial Analysis. Non nella categoria UI/UX Design, non nella board generale text-to-image, non nella vista open-weights. La sua assenza non è prova che sia peggiore — un modello con zero download e nessun endpoint ospitato non ha modo di accumulare voti. È prova che non esiste ancora un numero indipendente, il che è un'affermazione diversa.

Il prezzo è la parte che non è ambigua

Sul costo, i due modelli non sono neanche lontanamente vicini e non c'è niente da discutere.

• GPT Image 2.5 è un endpoint commerciale. Artificial Analysis lo rileva a 210,72 $ per 1.000 immagini nella categoria UI/UX — circa 21 centesimi per immagine, il che lo colloca in cima alla fascia di prezzo del settore. Per dare un contesto, sulla stessa classifica Grok Imagine Image 2.0 è rilevato a 60 $ per 1.000, MAI-Image-2.6 a 38,9 $ e Muse Image a 10 $.

Ming-Image-0.1-Design non ha un prezzo perché non ha un endpoint. I pesi sono concessi in licenza MIT e liberamente scaricabili; eseguirli costa quanto ti costa all'ora una GPU CUDA da 80 GiB. La configurazione convalidata della model card prevede una singola scheda di quella classe, a una risoluzione di 2048 x 2048 e 12 passi di campionamento.

• Nessuna delle due cifre è stabile. Entrambi i fornitori rivedono le tariffe, e un confronto per immagine scritto oggi ha una durata di validità misurabile in settimane. Questo è l'unico punto in cui l'economia di OrcaRouter vale la pena di essere dichiarata apertamente: trasferiamo i prezzi di listino dei fornitori con un ricarico dello 0%, quindi una variazione delle tariffe di un fornitore è attiva dalla nostra parte lo stesso giorno, anziché dopo un nostro ciclo di riprezzamento — il che conta quando il delta tra due candidati è di 21 centesimi contro 6 centesimi per immagine ed entrambi possono muoversi.

Cosa puoi effettivamente chiamare, oggi, e dove ci collochiamo in tutto questo

La disponibilità è il punto in cui questo confronto smette di essere un esperimento mentale.

GPT Image 2.5 è un prodotto reale, con una vera API dietro, venduto da OpenAI alle sue condizioni. Non è instradabile tramite OrcaRouter — il nostro catalogo non contiene alcuna voce GPT Image 2.5 al 23 settembre 2026 — e non intendiamo descrivere una rotta che non abbiamo. Ciò che il catalogo porta della stessa linea è la generazione precedente, openai/gpt-image-2 a 8,00 $ per milione di token di input e 30,00 $ per milione di token di output, insieme a openai/gpt-image-1.5, e queste stanno dietro la stessa chiave di tutto il resto che instradiamo.

Ming-Image-0.1-Design non è instradabile da nessuna parte. Il repository ha l'inferenza disabilitata, Hugging Face non segnala alcun deployment di provider di inferenza e la Guida rapida rimanda a un repository GitHub complementare che restituisce 404. Nessun modello inclusionAI di alcun tipo è nel nostro catalogo. L'unico modo per eseguirlo è scaricare gli shard e servirli autonomamente.

Quindi la forma della scelta è questa: un'opzione che puoi acquistare oggi al prezzo più alto di mercato, e un'opzione che puoi eseguire oggi al prezzo di una GPU e del tuo tempo di ingegneria, senza prove indipendenti che funzioni. Chiunque ti dica che Ming-Image-0.1-Design è un'alternativa più economica a GPT Image 2.5 non ha fatto i conti con la seconda opzione.

Come tenere entrambi senza scommettere su nessuno dei due

Il consiglio pratico qui è più limitato di un verdetto, perché i due modelli non sono ancora sostituti l’uno dell’altro.

Se hai bisogno di generazione di immagini per UI o di qualità progettuale in produzione, GPT Image 2.5 è la scelta difendibile e il prezzo è la cosa su cui negoziare con te stesso, non la qualità — è in testa alla classifica indipendente con un margine abbastanza ampio da rendere indiscutibile la posizione. Se vuoi sapere se Ming-Image-0.1-Design è valido, hai due opzioni e solo una è esente da congetture: tirare i pesi MIT su una scheda da 80 GiB ed eseguire il tuo set di valutazione, oppure aspettare che lo faccia qualcun altro. Nel frattempo, non considerare 1.082 come un risultato. E se la tua vera esigenza è la possibilità di scegliere più che l'uno o l'altro modello in particolare, la disciplina che ripaga è mantenere la chiamata di generazione dietro un'unica interfaccia — una sola chiave per oltre 200 modelli, un cambio di ID modello invece di una riscrittura, failover automatico quando un endpoint si comporta male — così che, qualunque dei due pubblichi per primo un numero indipendente, adottarlo ti costi una riga di configurazione e non uno sprint.

Una nota conclusiva su ciò che cambierebbe questo articolo. La comparsa di una riga Ming-Image-0.1-Design nella board UI/UX Design di Artificial Analysis, con accanto un conteggio dei campioni, trasformerebbe il 1.082 del fornitore da un'affermazione in un dato — e sarebbe la prima volta che qualcuno al di fuori di inclusionAI dice qualcosa di misurabile sul modello. Questo è l'evento da tenere d'occhio, ed è una cosa più utile da monitorare rispetto al contatore dei download.