GPT-Image-2.5 vs LLaDA-Image: Een API van $30 per miljoen tokens tegen een gratis 6B-diffusiemodel

Vraag wat beeldgeneratie zou moeten kosten, en twee laboratoria bouwden binnen een week van elkaar de twee tegenovergestelde antwoorden. Op 8 september 2026 bracht OpenAI GPT-Image-2.5 uit — het model achter ChatGPT Images 2.5, dat via de API wordt verkocht als GPT-Image-2.5 Flare en GPT-Image-2.5 Sunburst — geprijsd op een tokenkaart van $8 per miljoen beeld-invoertokens en $30 per miljoen beeld-uitvoertokens. Vijf dagen eerder, op 4 september, bracht inclusionAI (het door Ant Group gesteunde lab achter de LLaDA-taalfamilie) stilletjes LLaDA-Image uit, een beeldgenerator en -editor met zes miljard parameters, gebaseerd op een diffusion-transformer, waarvan de gewichten voor niets te downloaden zijn. De ene is het commercieel krachtigste beeldmodel dat OpenAI ooit achter een tokenmeter heeft gezet; de andere is een poging om te bewijzen dat een sterk beeldmodel kan worden gebouwd met een open trainingsrecept en gratis kan worden weggegeven. Ze vergelijken is minder een directe confrontatie dan een beslissing over welke definitie van kosten je daadwerkelijk betaalt.

Bijna elk getal aan de kant van GPT-Image-2.5 is door de leverancier gerapporteerd en er is nog geen enkele onafhankelijke controle: OpenAI zegt dat Flare de latentie met tot 50% vermindert ten opzichte van GPT-Image-2, en dat tests van derden door het agentbedrijf Manus een 2–4× snellere generatie hebben gemeten, maar per 9 september 2026 heeft geen van beide GPT-Image-2.5-modellen een vermelding op de beeldleaderboards van Artificial Analysis. Het hoofdcijfer van LLaDA-Image is evenmin gereproduceerd — inclusionAI rapporteert 53.53 Engels / 53.38 Chinees op Qwen-Image-Bench, bij uitbrengst eerste onder open-weightsmodellen — en omdat het model geen gehoste API heeft, kan het helemaal niet op API-only leaderboards verschijnen. Beide kanten van deze vergelijking draaien op de eigen beweringen van hun makers, en dat is iets om in de rest van dit stuk vast te houden.

Twee modellen die nauwelijks een categorie delen

GPT-Image-2.5 is een gehost, gesloten beeldmodel in dezelfde lijn als ChatGPT Images 2.0 van april 2026. Het is multimodaal aan de invoerzijde en produceert afbeeldingen waarvan OpenAI beweert dat ze scherper zijn in fijne details, natuurlijker in belichting en textuur, en stabieler bij bewerkingen over meerdere beurten. Het Sunburst-eindpunt bestaat specifiek voor bewerkingsintensief productiewerk, waarbij een langzamere generatie acceptabel is in ruil voor striktere instructiecontrole, terwijl Flare de snelle standaardoptie is voor grootschalige generatie. De uitvoer kan oplopen tot 2048×2048 en 3840×2160, transparante achtergronden worden ondersteund, en elke uitvoer bevat C2PA-herkomstmetadata plus een onzichtbaar watermerk.

LLaDA-Image is een open release in onderzoeksstijl, gebouwd op een totaal andere gok. Waar GPT-Image-2.5 wordt aangeboden via OpenAI's infrastructuur, is LLaDA-Image een set gewichten die je zelf draait: een diffusietransformator (DiT) met 6 miljard parameters aan de generatiekant — de modelkaart vermeldt ongeveer 7B parameters wanneer de taalkant wordt meegeteld — gekoppeld aan LLaDA 2.0-mini, een diffusietaalmodel met mixture-of-experts-architectuur van 16B totaal / 1B actief, als de "begrijpende" kant die tekstprompts of bewerkingsinstructies omzet in het signaal dat de DiT volgt. De opmerkelijke bewering in het arXiv-rapport (2609.03796) betreft het trainingsrecept: meer dan 90% van de ongeveer 220 miljoen cumulatieve pre-training- en mid-trainingvoorbeelden bevatten uitsluitend afbeeldingen, waarbij een bevroren beeld-taalmodel semantiek extraheert uit ongelabelde afbeeldingen als zelfconditionerend signaal, zodat het model "eerst leert tekenen en daarna gehoorzaamt." Progressieve resolutie voert de training van 256×256 via 512×512 naar 1024×1024 fine-tuning, gevolgd door gemengde training voor tekst-naar-afbeelding en bewerking, en een TwinFlow-distillatie in enkele stappen die de LLaDA-Image-Turbo-variant produceert.

Waar elk eigenlijk goed in is

De pitch van GPT-Image-2.5 is precisie en controle op commercieel niveau. De aankondiging van OpenAI benadrukt referentietrouw — een persoon, huisdier of product herkenbaar houden wanneer je de omgeving of stijl verandert — en bewerkingen die alleen veranderen wat je gevraagd hebt te veranderen, ook na vele bewerkingsronden in één gesprek. Tekstweergave in afbeeldingen wordt specifiek uitgelicht, waaronder het uitbannen van verminkte Chinese karakters die eerdere beeldmodellen parten speelden. Dat zijn precies de mogelijkheden waar een product-, merk- of advertentieteam keer op keer op terugvalt.

Het verkoopargument van LLaDA-Image is één enkele set gewichten die tweetalige generatie en instructiegestuurde bewerking combineert via een open recept. inclusionAI meldt native weergave van Chinese en Engelse tekst, een bewerkingspad dat referentiebeelden injecteert via een dual-path ontwerp dat ongewijzigde content moet behouden, en — op Qwen-Image-Bench — de hoogste open-weights scores bij release. De eerlijke kanttekeningen bij de release zijn dat de perceptuele bewerkingskwaliteit nog steeds achterblijft bij gespecialiseerde editors en dat het tellen van objecten zwak blijft. Het is een generalistisch open model, geen afgewerkt commercieel product.

Het scorebord is bewust geen wedstrijd op het gebied van beeldkwaliteit — de twee modellen hebben nooit dezelfde evaluatie gezien. Wat het laat zien, is waar het geld en de controle naartoe gaan.

De prijs van één afbeelding is het getal dat geen van beide partijen je zal geven

OpenAI publiceert een token-tariefkaart voor GPT-Image-2.5 die identiek is aan die van GPT-Image-2: $8 per miljoen image-inputtokens, $30 per miljoen image-outputtokens, gecachte image-input voor $2, en teksttokens worden afzonderlijk gefactureerd tegen $5 per miljoen. Wat het niet publiceert, is hoeveel tokens een bepaalde afbeelding verbruikt, wat betekent dat er geen officiële prijs per afbeelding is en geen kostencalculator. Tegen de door AA op zijn leaderboard vermelde prijs voor de voorganger — ruwweg $211 per 1.000 afbeeldingen voor GPT Image 2 bij 'hoge' kwaliteit — is een per token afgerekend vlaggenschip bij grootschalig gebruik een duur instrument, maar dat cijfer geldt voor GPT-Image-2, niet voor 2.5, en de kosten per afbeelding voor het nieuwe model zijn buiten OpenAI werkelijk onbekend.

LLaDA-Image heeft het tegenovergestelde eerlijkheidsprobleem. De gewichten kosten niets en de kaart draagt een Apache-2.0-tag, maar de echte prijs zit in de infrastructuur: een 6B-diffusietransformer heeft een zware GPU nodig voor de Base-variant met 50 stappen, en de FP8-checkpoints (ongeveer 49 GB in een diffusers-indeling) zijn voor de meeste gebruikers de praktische optie. De 2–4-stapsdestillatie van LLaDA-Image-Turbo is de concessie aan die realiteit. Community-tooling is snel vooruitgegaan — een SGLang-pullrequest voegt text-to-image, beeldbewerking, sequence-parallel en FP8-ondersteuning toe, en een RebelAI ComfyUI-nodepakket ondersteunt INT8- en GGUF-gekwantificeerde lokale inferentie — maar 'gratis model' betekent nog steeds 'jij bent de hostingprovider.' Voor een team dat al GPU-capaciteit draait, naderen de marginale kosten van LLaDA-Image nul; voor alle anderen kunnen de totale kosten om het te draaien hoger uitvallen dan API-rekeningen op basis van verbruik, zodra je de techniektijd meetelt.

De eerlijke weg als je beide wilt

Voor de meeste teams sluiten deze twee elkaar niet uit. Een productiepijplijn kan een gehoste API zoals GPT-Image-2.5 gebruiken voor het klantgerichte, bewerkingsintensieve werk dat niet mag falen, en daarnaast een open model zoals LLaDA-Image aanhouden voor experimenten, offline batchtaken en alles waarvoor geen prompts naar een derde partij kunnen worden verzonden. Die opsplitsing is precies het soort probleem waarvoor een routinglaag is gebouwd: één API die de gehoste modellen bereikt die je daadwerkelijk gebruikt, waarbij de lijstprijs van de provider zonder opslag wordt doorberekend, zodat het later uitproberen van een open-weight model via een gehoste route evenveel kost als rechtstreeks naar de provider gaan. Op 9 september 2026 staat geen van beide modellen in de catalogus van OrcaRouter: GPT-Image-2.5 is voorlopig alleen beschikbaar via de OpenAI-API (de vorige generatie, GPT-Image-2, wordt wel gerouteerd), en LLaDA-Image is alleen beschikbaar als gewichten, zonder gehoste inferentie. Het ontwerpdoel blijft hoe dan ook overeind, ongeacht de huidige catalogus.

Op welke moet je bouwen?

Als uw werk commerciële beeldgeneratie is, waarbij een mislukte bewerking een klantrelatie kost — productfoto's, campagnecreatie, referentie-consistente beelden, lange multi-turn bewerkingssessies — dan is GPT-Image-2.5 het model waarvan het hele ontwerp op die taak is gericht, en het Sunburst-eindpunt is de reden om op te letten, zelfs voordat er onafhankelijke scores bestaan. De risico's zijn de ondoorzichtigheid van de prijs per afbeelding en het feit dat elke kwaliteitsclaim afkomstig is van OpenAI zelf. Als uw werk onderzoek is, experimenten op grote schaal, tweetalige generatie in het Chinees en Engels, of iets dat in uw eigen omgeving of op uw eigen gegevens moet draaien, dan is LLaDA-Image de interessantere release — echt open gewichten met een gepubliceerd recept, ten koste van het zijn van uw eigen infrastructuur en het leven met niet-gereproduceerde scores. De modellen verschenen met een week verschil en verschillen een wereld in bedrijfsmodel; de juiste keuze is degene die past bij de kosten die u daadwerkelijk kunt betalen.