MOSS-Image 대 GPT Image 2.5: 다운로드 가능한 5B 백본, 두 스냅샷 모델에 맞서다

이름부터 시작하죠. 사람들이 가장 먼저 발목을 잡히는 부분이니까요. gpt-image-2.5라는 모델은 없습니다. 존재하는 것은 한 쌍입니다 — GPT Image 2.5 Sunburst, 식별자 gpt-image-2.5-sunburst, 그리고 GPT Image 2.5 Flare, 식별자 gpt-image-2.5-flare — 둘 다 2026-09-08에 스냅샷되었고 둘 다 비공개입니다. 그에 맞서는 것은 M​OSS-Image, 즉 OpenMOSS가 2026년 10월 16일에 Apache 2.0 체크포인트 두 개로 공개한 M​OSS-Image-Base와 M​OSS-Image-SFT입니다. 직접 내려받아 실행하는 것이죠. 한쪽은 엔드포인트를 팔고, 다른 쪽은 27기가바이트를 건네주며 인코더를 잘 다뤄보라고 행운을 빌어줍니다.

그것이 이 비교의 전체적인 형태이며, 거의 모든 다른 차이점은 거기서 비롯된다. 아래 비교는 OpenAI 자체의 가격 책정과 문서가 두 OpenAI 변형을 하나로 취급하는 경우에만 이들을 한쪽으로 취급한다. 이는 요금표에서는 사실이고 성능에서는 사실이 아니며, 그 구분은 별도의 섹션에서 다룬다. OpenAI에 귀속된 모든 수치는 OpenAI가 공개한 요금표이며, MOSS-Image에 귀속된 모든 수치는 OpenMOSS 자체의 것으로, 릴리스와 그 기술 보고서에서 나온 것이고 누구에 의해서도 재현되지 않았다.

하나의 다운로드에 맞선 두 모델

OpenAI의 2.5 세대는 버전 업그레이드가 아니라 포크입니다. 이전 세대는 하나의 기본 모델 ID를 제공하고 그 안에서 품질 등급을 선택하도록 했습니다. 2.5에서는 이름도 스냅샷도 따로인 두 모델이 존재하며 이를 아우르는 별칭이 없습니다. 따라서 gpt-image-2.5만 적어 둔 코드는 실행되지 않습니다. Sunburst는 성능에, Flare는 속도에 초점을 맞춘 모델이며 두 모델의 과금 방식은 동일합니다. 그래서 둘 중 하나를 고르는 일은 예산의 문제가 아니라 지연 시간과 정밀도의 문제입니다.

MOSS-Image 역시 두 가지 모델이지만, 그 구분은 제품 분할이 아니라 학습 분할입니다. Base는 사전 학습된 체크포인트이며, 의도적으로 증류되지 않은 상태로 남겨졌습니다 — 모델 카드에는 학습 정보를 보존하고 LoRA 학습을 계속 가능하게 하기 위해 CFG와 같은 추론 파라미터에 대한 후속 학습이나 증류를 적용하지 않았다고 명시되어 있습니다. SFT는 선별된 데이터로 파인튜닝된 모델이며, 대부분의 사람이 실행해야 하는 쪽입니다. 벤더의 비교 예시는 동일한 프롬프트에서 SFT가 더 촘촘한 텍스트 그룹화와 더 정돈된 레이아웃을 만들어 내는 것을 보여주는데, 이는 증류되지 않은 베이스에 대한 선별 데이터 파인튜닝이 마땅히 해야 할 일입니다.

명칭 — GPT Image 2.5: 두 개의 ID, gpt-image-2.5-sunburst 및 gpt-image-2.5-flare, 별칭 없음. MOSS-Image: 두 개의 리포지토리, OpenMOSS-Team/MOSS-Image-Base 및 OpenMOSS-Team/MOSS-Image-SFT, 둘 다 ModelScope 미러가 있습니다.

• 받게 되는 것 — GPT Image 2.5: OpenAI 호환 엔드포인트와 스냅샷 날짜. MOSS-Image: safetensors 가중치, Diffusers 커스텀 파이프라인, Gradio 앱, 그리고 ComfyUI Manager를 통해 설치 가능한 네이티브 ComfyUI 플러그인.

• 비용 — GPT Image 2.5: 토큰 단위로 과금되며, 이미지 입력 백만 개당 $8.00, 이미지 출력 백만 개당 $30.00, 배치는 절반 가격. M​OSS-Image: 라이선스에는 비용이 들지 않고, 모든 부담은 GPU에 있다.

• 산출물에 적용되는 라이선스 — GPT Image 2.5: 개발자 문서 자체에는 재현되어 있지 않은 O​penAI의 약관. M​OSS-Image: 가중치와 번들 추론 코드에 Apache 2.0, 수익 임계값 없음, 허용 사용 부속서 없음.

레이아웃 제어, 그리고 모델의 것이 아닌 모듈

두 시스템 모두 좌표로 요소를 배치할 수 있게 해 줍니다. 하지만 좌표 뒤에 있는 것이 무엇인지는 서로 동등하지 않습니다.

M​OSS-Image의 레이아웃 형식은 JSON 객체를 프롬프트로 받습니다: summary에는 장면 캡션이 있고, items 배열에서 각 요소는 text, character 또는 object 중 하나의 레이블, 캡션, 바운딩 박스, 그리고 텍스트의 경우 렌더링할 리터럴 문자열을 갖습니다. 박스는 bbox_format: "yxyx"를 bbox_coord_space: "abs_centralized"에서 사용하며, 이는 캔버스 중심에서의 픽셀 오프셋을 의미합니다.

GPT Image 2.5의 문서화된 인터페이스는 레이아웃 문법이 아니다. 그 제어 표면은 프롬프트 자체와 참조 이미지이며, 2.5 세대의 편집 강점에서 드러나는 레이아웃 스타일 동작은 구조화된 박스 명세를 통해서가 아니라 반복적 편집을 통해 표현된다. 이는 실질적인 역량 차이이며, MOSS-Image의 인터페이스가 OpenAI의 인터페이스보다 더 명시적인 유일한 지점이다.

MOSS-Image 측의 주의점은 어떤 벤치마크보다도 먼저 짚고 넘어갈 가치가 있습니다. 짧은 아이디어를 완전한 레이아웃 명세로 바꾸는 프롬프트 향상 모듈은 OpenMOSS 자체의 소형 모델이 아닙니다. 기술 보고서에 따르면 LayoutPE는 추론 시 모듈식 작업 지침과 함께 GPT-6를 사용하며, 번들로 제공되는 프롬프트 향상 스킬은 GPT-6 계열 에이전트용으로 설계되었다고 설명됩니다. 따라서 OpenMOSS 자체 평가에서 가장 강력한 엔드투엔드 레이아웃 결과는 명세 담당 부분이 타사 API에서 실행되는 두 모델 파이프라인에서 나옵니다. 해당 향상기 없이 MOSS-Image를 사용한다면 레이아웃 JSON을 직접 제공하는 것이고, 측정하는 파이프라인은 다른 파이프라인입니다.

증거, 그리고 양측 모두에서 그것이 얼마나 빈약한지

OpenMOSS는 릴리스와 함께 제공되며 벤더가 직접 구축한 두 가지 벤치마크에서 M​OSS-Image를 평가했습니다. LongLongTextBench는 240개의 문학 텍스트 렌더링 작업으로, 영어 120개와 중국어 120개로 구성되며 평균 목표 길이는 1,339.8자입니다. RealLayoutArena는 61개의 디자인 작업 — 포스터 20개, 인포그래픽 20개, 사용자 인터페이스 21개 — 으로, 블라인드 페어와이즈 비교로 평가되고 Bradley–Terry Elo 척도에 맞춰집니다. 엔드투엔드 아레나에서 M​OSS-Image는 1698.70 Elo, 95% 구간 1655.96~1741.43으로 전체 2위이며, 1844.35의 GPT Image 2에 이어 두 번째입니다. 공유된 강화 프롬프트 아래 백본만으로 제한하면 M​OSS-Image가 1807.34로 1위입니다.

그 내용을 주의 깊게 읽어 보세요. MOSS-Image가 1위를 차지하는 벤치마크는 비교가 생성기로 제한되고 프롬프트 향상이 공유되는 벤치마크입니다 — 이는 바로 제3자 사양 문제를 제거하는 구성입니다. 그것이 2위를 차지하는 벤치마크는 엔드투엔드 벤치마크입니다. 어느 쪽도 중립적인 테스트가 아닙니다.

OpenAI는 GPT Image 2.5에 대해 비교 가능한 레이아웃이나 텍스트 렌더링 벤치마크를 공개하지 않는다. OpenAI 모델에 관해 존재하는 독립적 증거는 Artificial Analysis 보드에 있으며, 여기서 2.5 변형들은 이미지 편집 리더보드에서 상위 두 자리를 차지한다. 이는 공개된 방법론을 갖춘 블라인드 선호도 측정이며, 레이아웃 제어를 전혀 테스트하지 않는다. 따라서 두 모델은 서로 다른 주체에 의해 서로 겹치지 않는 축에서 측정되며, 1698.70을 보드 Elo 옆에 놓고 싶은 유혹은 참아야 한다 — 그것들은 같은 척도가 아니고 같은 것을 측정하는 것도 아니다.

대량 구매 시 각각의 비용

GPT Image 2.5는 토큰 단위로 과금되며, GPT Image 2와 동일한 요금표를 적용받습니다: 텍스트 입력 토큰 100만 개당 $5.00, 캐시된 텍스트는 $1.25, 이미지 입력 100만 개당 $8.00, 캐시된 이미지는 $2.00, 이미지 출력 100만 개당 $30.00입니다. 배치는 각각 절반으로 줄어듭니다. 벤더 페이지에는 이미지당 가격이 없고 무료 허용량도 없으므로, 이미지당 수치를 구하는 유일한 방법은 환산뿐입니다. 그리고 독립 게시판들이 하나를 공개하고 있는데, 현재 고품질 1024×1024 기준 이미지당 약 $0.21입니다. 이는 게시판의 도출값으로 취급해야 하며, OpenAI의 가격으로 취급해서는 안 됩니다.

MOSS-Image에는 요금표가 없습니다. 청구할 것이 없기 때문입니다. 비용은 곧 기계입니다. SFT 저장소는 약 27.2GB이며, 사람들을 놀라게 하는 숫자는 그 구성 비율입니다. 네 개의 샤드에 걸친 약 16.8GB는 동결된 Qwen3.5-9B 텍스트 인코더이고, 세 개에 걸친 약 10.2GB는 트랜스포머 자체입니다. 5B라는 표기는 확산 생성기만을 가리킵니다. 샘플링 기본값은 50스텝의 flow-matching Euler, CFG 3.0, shift 5.0이며, 22번 레이어에서 네거티브 브랜치 스킵 레이어 가이던스를 사용합니다. 그리고 기본 가이던스 경로는 스텝당 두 번의 트랜스포머 포워드가 필요하기 때문에, 50스텝은 들리는 것처럼 저렴한 설정이 아닙니다.

월 10만 장의 이미지라면, 토큰 종량제 쪽은 2만~3만 달러대에 이르고, 다운로드 쪽은 GPU 임대료가 어디에 걸리느냐에 따라 정해진다. 이는 어느 쪽에도 유리하게 작용하는 비교가 아니므로, 결정은 대개 다른 무언가에 달려 있다. 구성 변경을 배포하면 되는지, 아니면 조달 관련 대화가 필요한지다.

두 개를 나란히 실행하기

이 문제를 누군가의 리더보드가 아니라 직접 작성한 프롬프트로 판가름하고 싶다면, 두 진영은 우리 제품이 중간에서 넘지 않는 경계의 양 끝에 서 있습니다. M​OSS-Image는 OrcaRouter 카탈로그에 없습니다 — 우리는 200개가 넘는 모델을 제공하며 그중에 이 모델은 없습니다 — 따라서 실험의 오픈 웨이트 쪽은 직접 호스팅하셔야 합니다. GPT Image 2.5 Sunburst와 Flare는 라우팅할 수 있습니다 카탈로그의 다른 모든 모델과 동일한 O​penAI 호환 엔드포인트를 통해, 제공업체의 정가인 이미지 입력 토큰 100만 개당 $8, 이미지 출력 토큰 100만 개당 $30으로, 저희 쪽에서 추가 마진 없이 말입니다.

이런 비교에서 그 구성의 유용한 부분은 장애 조치 동작입니다. 호스팅된 모델에 수백 개의 프롬프트를 보내는 벤치마킹 루프를 실행할 때, 공급자 측 속도 제한이나 잠깐의 장애는 누락된 샘플로 이어지는데, 공급자 간 자동 장애 조치 덕분에 결과 테이블이 절반만 채워진 채로 남는 대신 루프가 끝까지 완료됩니다. 폴백에서 돌아온 답변이 기본 답변과 비교 가능한지는 시작하기 전에, 나중이 아니라, 결정해야 할 질문입니다.

당신이 경계의 어느 쪽에 있는지

M​OSS-Image를 선택하세요, 가중치를 원한다면요. 수익 상한이 없는 Apache 2.0은 짧은 상업적 검토로 끝나고, Base 체크포인트는 LoRA 학습을 위해 명시적으로 증류되지 않은 채 남겨졌으며, 레이아웃 JSON은 프롬프트 관례가 아니라 실제 명세이고, 오늘 당장 ComfyUI 설치본에서 이것을 지정해 사용할 수 있습니다. 들어가면서 알아두세요: 인코더가 다운로드의 본체라는 점, 스텝당 두 번의 포워드로 50스텝 기본값을 돌리는 것은 실제 서빙 비용이라는 점, 그리고 헤드라인 Elo 수치는 파이프라인의 명세 절반에서 타사 모델로 산출되었다는 점을. enhancer를 건너뛰고 레이아웃을 직접 작성한다면, 수치는 각자 알아서 해야 합니다 — 괜찮습니다, OpenMOSS의 수치도 아무도 재현하지 못했으니까요.

이번 주에 호출 가능한 엔드포인트가 필요하거나, 작업이 구성된 레이아웃보다 반복적 편집에 가깝거나, 공개된 방법론을 갖춘 독립적 벤치마크가 구조화된 제어 인터페이스보다 결정에 더 중요하다면 GPT Image 2.5를 선택하세요. 두 가지 변형으로 갈라지는 포크는 추가 결정을 의미합니다 — 편집이 최종 산출물일 때는 Sunburst, 기본값으로는 Flare — 그리고 토큰 단위로 과금되는 청구서는 이미지당 요금보다 예측하기 어렵지만, 이 모델은 편집을 다루는 유일한 중립 리더보드에서 최상위에 있으며, 그것은 벤더 자체의 표가 지니지 못한 가치가 있습니다.

이 비교를 가장 크게 바꿀 격차는 OpenMOSS 쪽이 아니라 OpenAI 쪽에 있습니다: 공개된 레이아웃 제어 평가, 또는 두 모델을 모두 포함하는 독립적인 레이아웃 벤치마크 말입니다. 그런 것이 존재하기 전까지는 두 시스템은 서로 다른 사람들에 의해 서로 다른 축에서 측정되고 있으며, 현 상황을 가장 잘 설명하는 문장은 MOSS-Image가 더 명시적인 인터페이스를 갖고 있고 GPT Image 2.5가 더 독립적인 증거를 갖고 있다는 것입니다.

이번과 같은 릴리스의 배경이 되는, 문서화된 AI 실패 및 에이전트 사건들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 포함되어 있습니다.