MOSS-Image vs GPT Image 2.5: un backbone scaricabile da 5B contro due modelli snapshot

Cominciamo dal nome, perché è la cosa su cui le persone inciampano per prima. Non esiste alcun modello chiamato gpt-image-2.5. Quello che esiste è una coppia — GPT Image 2.5 Sunburst, identificatore gpt-image-2.5-sunburst, e GPT Image 2.5 Flare, identificatore gpt-image-2.5-flare — entrambi con snapshot datato 2026-09-08 ed entrambi chiusi. Contro di loro si erge M​OSS-Image, rilasciato da OpenMOSS il 16 ottobre 2026 come due checkpoint Apache 2.0, M​OSS-Image-Base e M​OSS-Image-SFT, che scarichi ed esegui. Una parte ti vende un endpoint; l'altra ti consegna 27 gigabyte e ti augura buona fortuna con l'encoder.

Questa è l'intera struttura del confronto, e quasi ogni altra differenza ne deriva. Il confronto che segue tratta le due varianti OpenAI come un'unica parte solo dove la politica di prezzo e la documentazione di OpenAI le trattano come un'unica cosa — il che è vero per il listino prezzi e falso per le capacità, e tale distinzione ha una sezione dedicata. Ogni cifra attribuita a OpenAI proviene dal listino prezzi pubblicato da OpenAI; ogni cifra attribuita a MOSS-Image proviene da OpenMOSS stesso, dal rilascio e dal suo rapporto tecnico, e non è stata riprodotta da nessuno.

Due modelli contro un download

La generazione 2.5 di OpenAI è un fork più che un incremento di versione. Le generazioni precedenti distribuivano un unico ID modello principale e ti chiedevano di scegliere un livello di qualità al suo interno. Con la 2.5 ci sono due modelli con nomi separati e snapshot separati, e nessun alias ombrello: il codice scritto per un semplice gpt-image-2.5 non verrà eseguito. Sunburst è posizionato sulla capacità, Flare sulla velocità, ed entrambi fatturano in modo identico, quindi la scelta tra loro è una decisione di latenza e precisione più che di budget.

M​OSS-Image è anche due modelli, ma la suddivisione è di tipo addestrativo anziché di prodotto. Base è il checkpoint preaddestrato, lasciato deliberatamente non distillato — la model card afferma esplicitamente che non sono stati applicati post-training né distillazione di parametri di inferenza come CFG, per preservare le informazioni di addestramento e mantenere praticabile l'addestramento di LoRA. SFT è sottoposto a fine-tuning su dati curati ed è quello che la maggior parte delle persone dovrebbe eseguire. L'esempio di confronto del fornitore mostra che SFT produce un raggruppamento del testo più compatto e un layout più ordinato sullo stesso prompt, che è ciò che dovrebbe fare un fine-tuning su dati curati di una base non distillata.

• Il nome con cui lo chiami — GPT Image 2.5: due ID, gpt-image-2.5-sunburst e gpt-image-2.5-flare, nessun alias semplice. MOSS-Image: due repository, OpenMOSS-Team/MOSS-Image-Base e OpenMOSS-Team/MOSS-Image-SFT, con mirror ModelScope per entrambi.

• Cosa ricevi — GPT Image 2.5: un endpoint compatibile con O​penAI e una data dello snapshot. M​OSS-Image: pesi safetensors, una pipeline personalizzata Diffusers, un'app Gradio e un plugin nativo ComfyUI installabile tramite ComfyUI Manager.

• Quanto costa — GPT Image 2.5: conteggiato in token, $8,00 per milione di input immagine e $30,00 per milione di output immagine, batch a metà prezzo. M​OSS-Image: niente per la licenza, tutto per la GPU.

• Quale licenza disciplina l'output — GPT Image 2.5: i termini di O​penAI, che non sono riprodotti nella documentazione per sviluppatori stessa. M​OSS-Image: Apache 2.0 per i pesi e il codice di inferenza incluso, nessuna soglia di ricavi e nessuna appendice sull'uso accettabile.

Controllo del layout, e il modulo che non è del modello

Entrambi i sistemi ti permettono di posizionare gli elementi tramite coordinate. Non sono equivalenti in ciò che sta dietro le coordinate.

Il formato di layout di M​OSS-Image accetta come prompt un oggetto JSON: un summary con la didascalia della scena, e un array items in cui ogni elemento ha un'etichetta di tipo text, character o object, una didascalia, un bounding box e — per il testo — la stringa letterale da renderizzare. I riquadri usano bbox_format: "yxyx" in bbox_coord_space: "abs_centralized", ovvero offset in pixel dal centro della tela.

L'interfaccia documentata di GPT Image 2.5 non è una grammatica di layout. La sua superficie di controllo è il prompt stesso più le immagini di riferimento; il comportamento in stile layout che si manifesta nei punti di forza di editing della generazione 2.5 si esprime attraverso modifiche iterative anziché attraverso una specifica strutturata di box. Questa è una vera differenza di capacità, ed è l'unico punto in cui l'interfaccia di M​OSS-Image è più esplicita di quella di O​penAI.

L'avvertenza sul fronte di M​OSS-Image vale la pena di essere dichiarata prima di qualsiasi benchmark: il modulo di miglioramento del prompt che trasforma una breve idea in una specifica completa di layout non è un modello piccolo di OpenMOSS. Il rapporto tecnico afferma che LayoutPE usa G​PT-6 con istruzioni di attività modulari al momento dell'inferenza, e la skill prompt-enhancer inclusa è descritta come progettata per agenti della famiglia G​PT-6. Il risultato di layout end-to-end più forte nella valutazione di OpenMOSS è quindi prodotto da una pipeline a due modelli la cui metà dedicata alla specifica gira sull'API di qualcun altro. Se usi M​OSS-Image senza quell'enhancer, stai fornendo tu stesso il JSON del layout, e la pipeline che stai misurando è un'altra.

Le prove, e quanto siano fragili da entrambe le parti

OpenMOSS ha valutato M​OSS-Image su due benchmark che accompagnano il rilascio e che sono stati creati anche dal fornitore. LongLongTextBench comprende 240 attività di rendering di testi letterari, 120 in inglese e 120 in cinese, con una lunghezza media target di 1.339,8 caratteri. RealLayoutArena comprende 61 attività di progettazione — 20 poster, 20 infografiche, 21 interfacce utente — valutate tramite confronto a coppie in cieco e adattate a una scala Elo Bradley–Terry. Nell'arena end-to-end, M​OSS-Image si posiziona a 1698,70 Elo con un intervallo del 95% da 1655,96 a 1741,43, seconda in classifica generale dietro GPT Image 2 a 1844,35. Limitandosi al solo backbone con prompt potenziati condivisi, M​OSS-Image arriva prima a 1807,34.

Leggilo con attenzione. Il benchmark in cui M​OSS-Image si classifica primo è quello in cui il confronto è ristretto al generatore e il miglioramento del prompt è condiviso — che è esattamente la configurazione che elimina il problema della specifica di terze parti. Il benchmark in cui si classifica secondo è quello end-to-end. Nessuno dei due è un test neutrale.

OpenAI non pubblica alcun benchmark comparabile per il layout o il rendering del testo per GPT Image 2.5. Le prove indipendenti che esistono per i modelli OpenAI si trovano nelle classifiche di Artificial Analysis, dove le varianti 2.5 occupano i primi due posti nella classifica di editing delle immagini. Si tratta di una misurazione di preferenza in cieco con una metodologia pubblicata, e non testa affatto il controllo del layout. Quindi i due modelli vengono misurati su assi disgiunti da soggetti diversi, e bisogna resistere alla tentazione di accostare 1698.70 a un Elo di una classifica — non sono la stessa scala e non misurano la stessa cosa.

Quanto costa ciascuno in grandi quantità

GPT Image 2.5 si misura in token, su un listino identico a GPT Image 2: $5,00 per milione di token di input di testo con testo in cache a $1,25, $8,00 per milione di input di immagini con immagine in cache a $2,00, e $30,00 per milione di output di immagini. Il batch dimezza ciascuno. Non c'è un prezzo per immagine sulla pagina del fornitore e nessuna quota gratuita, quindi l'unico modo per arrivare a una cifra per immagine è una conversione — e le board indipendenti ne pubblicano una, attualmente vicina a $0,21 per immagine per una 1024×1024 di alta qualità. Considerala una derivazione delle board, non il prezzo di OpenAI.

MOSS-Image non ha un listino prezzi perché non c'è nulla da fatturare. Il costo è la macchina. Il repository SFT è di circa 27,2 GB, e il numero che sorprende le persone è la ripartizione: circa 16,8 GB distribuiti su quattro shard sono l'encoder di testo Qwen3.5-9B congelato, mentre circa 10,2 GB distribuiti su tre sono il transformer stesso. Il badge 5B descrive soltanto il generatore di diffusione. Le impostazioni predefinite di campionamento sono Euler flow-matching a 50 passi, CFG 3,0, shift 5,0, con guidance skip-layer del ramo negativo al layer 22 — e il percorso di guidance predefinito richiede due forward del transformer per passo, motivo per cui 50 passi non è l'impostazione economica che sembra.

A centomila immagini al mese, il lato misurato a token si colloca nella fascia bassa delle decine di migliaia di dollari; il lato scaricato si colloca dove si colloca il noleggio della tua GPU. Non è un confronto che lusinga nessuna delle due parti, ed è per questo che la decisione di solito dipende da qualcos'altro: se puoi rilasciare una modifica di configurazione o se hai bisogno di una conversazione con l'ufficio acquisti.

Eseguendo i due fianco a fianco

Se vuoi risolvere la questione sui tuoi prompt anziché sulla classifica di chiunque altro, le due parti si trovano agli estremi opposti di un confine che il nostro prodotto non attraversa nel mezzo. MOSS-Image non è nel catalogo OrcaRouter — serviamo più di 200 modelli e non è uno di essi — quindi la metà dell'esperimento con pesi aperti sta a te ospitarla. GPT Image 2.5 Sunburst e Flare sono instradabili attraverso lo stesso endpoint compatibile con OpenAI utilizzato da tutto il resto del catalogo, alle tariffe di listino del provider di 8 $ per milione di token di input per immagini e 30 $ per milione di token di output per immagini, senza alcun markup aggiunto da parte nostra.

La parte utile di quella configurazione per un confronto come questo è il comportamento di failover. Quando si esegue un ciclo di benchmarking che invia diverse centinaia di prompt a un modello ospitato, un limite di frequenza lato provider o un minuto problematico si traduce in campioni persi, e il failover automatico tra provider significa che il ciclo termina invece di lasciarvi con una tabella dei risultati riempita solo a metà. Se la risposta che arriva dal fallback sia comparabile a quella del primario è una questione che dovreste decidere prima di iniziare, non dopo.

Da quale lato del confine ti trovi

Scegli MOSS-Image se vuoi i pesi. Apache 2.0 senza tetto di ricavi è una breve revisione commerciale, il checkpoint Base è stato esplicitamente lasciato non distillato per l'addestramento LoRA, il JSON del layout è una vera specifica anziché una convenzione di prompt, e oggi puoi puntare un'installazione di ComfyUI su di esso. Procedi sapendo che l'encoder è il download, che un default di 50 passi con due forward per passo è un vero costo di serving, e che il dato Elo di punta è stato prodotto con un modello di terze parti nella metà della pipeline dedicata alla specifica. Se salti l'enhancer e scrivi il layout da solo, sei da solo per i numeri — il che va bene, perché nessuno ha riprodotto nemmeno quelli di OpenMOSS.

Scegli GPT Image 2.5 se ti serve un endpoint richiamabile questa settimana, se il tuo lavoro consiste in editing iterativo piuttosto che in layout composti, oppure se un benchmark indipendente con una metodologia pubblicata conta più per la tua decisione di quanto conti un'interfaccia di controllo strutturata. La biforcazione in due varianti comporta una decisione in più — Sunburst quando l'edit è ciò che va consegnato, Flare come predefinito — e la bolletta a consumo di token è più difficile da prevedere di una tariffa per immagine, ma il modello è in cima all'unica classifica neutrale che copre l'editing, e questo vale qualcosa che la tabella di un fornitore non vale.

Il divario che cambierebbe maggiormente questo confronto è sul lato O​penAI, non sul lato OpenMOSS: una valutazione pubblicata del controllo del layout, o un benchmark indipendente sul layout che comprenda entrambi i modelli. Finché non ne esiste uno, i due sistemi vengono misurati su assi diversi da persone diverse, e la frase che descrive meglio lo stato delle cose è che M​OSS-Image ha l'interfaccia più esplicita e GPT Image 2.5 ha l'evidenza più indipendente.

I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.