Qwen-Image-2.1 vs GPT Image 2: Download het gratis, of huur de beste

Qwen-Image-2.1 is een download van 33 GB die je gratis kunt draaien en niet kunt verkopen. GPT Image 2 is een API die je helemaal niet kunt downloaden, per token gefactureerd, vier maanden in productie en bovenaan de onafhankelijke image-leaderboards. Die twee feiten vormen de hele ruil, en het interessante deel is dat de transparantiefunctie — het ding dat Qwen-Image-2.1 in de eerste plaats de moeite waard maakt — op beide systemen binnen een maand van elkaar verscheen via volledig verschillende routes. Qwen-Image-2.1 werd uitgebracht op 20 september 2026, met alpha ingebouwd in zijn latente ruimte. GPT Image 2 kreeg een background: "transparent" parameter op 20 augustus 2026 als API-vlag.

Twee routes naar dezelfde functie

Transparante output is de reden waarom de meeste mensen deze twee uiteindelijk vergelijken, dus begin daar, want de implementaties zijn niet gelijkwaardig en het verschil is belangrijker dan de output.

De transparantie van Qwen-Image-2.1 is architecturaal. Een RGBA-VAE met 64 kanalen en 16× ruimtelijke compressie betekent dat alpha deel uitmaakt van de latente ruimte waarin het model ruis verwijdert. Hetzelfde mechanisme geeft je generatie met transparantie, bewerken in een afbeelding die al transparantie bevat zonder deze af te vlakken, en onderwerpextractie uit een gewone RGB-foto die alpha oplevert in plaats van een binair masker. Het is één capaciteit met drie toepassingen, en de leverancier zelf kadert het als volgt: er is geen aparte achtergrondverwijderingsnode, mattingmodel of randopschoningspass nodig.

De transparantie van GPT Image 2 is een requestparameter. Het toevoegen van background: "transparent" naast output_format: "png" levert een afbeelding met een echt alfakanaal op, en het werkt bij text-to-image, bij het bewerken van afbeeldingen en bij de tool voor het genereren van afbeeldingen in de Responses API. Inpainting op basis van maskers en transparante achtergronden kunnen worden gecombineerd. Het is uitgebracht in Preview, dus de eigen richtlijn van OpenAI is dat de resultaten onstabiel kunnen zijn — en bewerken met transparantie wordt beschreven als het opnieuw tekenen of verwijderen van een achtergrond in plaats van nauwkeurige contourmatting. Minstens twee secundaire bronnen beweren dat de parameter niet beschikbaar is en dat GPT Image 2 helemaal geen transparantie uitvoert; die spreken de berichtgeving over de aankondiging, de mirrors van de API-documentatie en tests door derden tegen, dus behandel ze als verouderd of onjuist in plaats van als een tegengesteld signaal. Transparantie verandert niets aan de tokencost — bij een bepaalde kwaliteit en grootte verbruiken een transparante en een ondoorzichtige afbeelding dezelfde image-tokens.

Dus beide produceren alpha. De ene doet het omdat het model zo gebouwd is; de andere omdat een parameter het bij de service opvraagt. Wat beter is, hangt volledig af van of de alpha een bewerkingslus moet overleven, en dat is in een middag te testen.

Wat de voorsprong van GPT Image 2 je oplevert

Vier maanden in productie is geen marketingargument, het is een volwassenheidskloof, en die komt tot uiting op plekken die saai en bepalend zijn.

• Onafhankelijke positie — GPT Image 2 staat bovenaan de onafhankelijke image-leaderboards en staat daar al lang genoeg om dat een stabiele bewering te zijn in plaats van een piek in de lanceerweek. Qwen-Image-2.1 was op het moment dat dit werd geschreven volledig afwezig op die ranglijsten.
• Gedocumenteerde faalmodi — een model dat vier maanden publiek in gebruik is, heeft een reeks bekende faalgevallen die je kunt nalezen voordat je ze zelf tegenkomt. Een model dat gisteren openbaar is gemaakt, heeft een scorekaart van de leverancier en één integratietest.
• Operationeel oppervlak — getrapte snelheidslimieten uitgedrukt in zowel tokens per minuut als afbeeldingen per minuut (van 100.000 TPM en 5 IPM in het instapniveau tot 8.000.000 TPM en 250 IPM op het hoogste niveau), plus ondersteuning voor batch-endpoints. Dat is het verschil tussen een demo en een wachtrij die je kunt dimensioneren.
• Kwaliteitscijfers van een derde partij — de positie op de ranglijst is onafhankelijk gemeten. Het enige cijfer voor Qwen-Image-2.1 is de eigen Qwen-Image-Bench-grafiek van de leverancier, waar het 60,28 aangeeft tegenover Nano Banana 2.0 met 59,82 en GPT Image 1.5 met 59,65. Leveranciersmateriaal, niet gereproduceerd.

Het enige werkelijk onafhankelijke datapunt over Qwen-Image-2.1 is de functionele verificatie die bij de SGLang-integratie is gepubliceerd: transparante PNG-uitvoer slaagde, alpha bleef behouden over het volledige bereik van 0–255, RGBA-PSNR werd gemeten op 60,69 dB op één monster, en FP8-configuraties slaagden voor het genereren van transparante PNG's. De auteurs van SGLang zeggen expliciet dat dit een correctheidscontrole is en geen algemene kwaliteitsgarantie. Het is het sterkste beschikbare bewijs dat het alfakanaal echt is. Het zegt niets over of de afbeeldingen goed zijn.

De rekening, doorgenomen

GPT Image 2 wordt per token gefactureerd, wat betekent dat de kosten van een asset afhangen van het kwaliteitsniveau en de resolutie, iets wat een prijs per afbeelding verbergt. De gepubliceerde lijsttarieven zijn $5,00 per miljoen tekst-invoertokens, $8,00 per miljoen afbeeldingsinvoertokens en $30,00 per miljoen afbeeldingsuitvoertokens, met gecachte tarieven van respectievelijk $1,25 en $2,00. OpenAI publiceert geen statische tabel met uitvoertokens voor dit model — de oudere tabel met tokenaantallen voor Laag, Gemiddeld en Hoog is expliciet gemarkeerd als niet van toepassing op GPT Image 2 — dus de onderstaande cijfers zijn metingen door derden van de lijstprijs bij een beeldverhouding van 1:1, tekst-naar-afbeelding:

• 1K-uitvoer — lage kwaliteit $0.0059, gemiddeld $0.053, hoog $0.211 per afbeelding.
• 2K-uitvoer — $0.012 laag, $0.107 gemiddeld, $0.428 hoog.
• 4K-uitvoer — $0.020 laag, $0.178 gemiddeld, $0.712 hoog.

Het verschil tussen lage en hoge kwaliteit bij dezelfde resolutie is een factor van ongeveer vijfendertig. Dat is de werkelijke beslissing binnen een GPT Image 2-pipeline: niet welk model, maar welke kwaliteitslaag de beoordeling overleeft tegen de laagste kosten. En het wisselwerkt met bewerken op een manier die mensen verrast — input_fidelity kan niet worden aangepast op dit model omdat het elke beeldinvoer automatisch met hoge getrouwheid verwerkt, dus een bewerkingsverzoek met referentieafbeeldingen verbruikt meer tokens voor beeldinvoer dan je zou schatten op basis van de uitvoergrootte. Generate-inspect-edit-loops zijn hier daarom duurder dan de cijfers per afbeelding suggereren.

Daar staat tegenover dat de marginale kosten per afbeelding bij Qwen-Image-2.1 elektriciteit zijn. Het addertje onder het gras zijn de vaste kosten en de licentie. Drieëndertig gigabyte om te downloaden, een DiT van ongeveer 14 GB, waarbij de rest naar de Qwen3-VL 8B-tekstencoder gaat, CPU-offload aanbevolen op kaarten met beperkte capaciteit, en het geheel valt onder de Qwen Research License Agreement van 20 september 2026 — alleen niet-commercieel, met commerciële rechten via een afzonderlijke regeling en geen gepubliceerde prijs of voorwaarden daarvoor.

Waar de gehoste optie zich bevindt

Er is een middenweg die zowel de GPU- als de licentievraag vermijdt, en dat is de weg die de meeste teams daadwerkelijk bewandelen. OrcaRouter routeert OpenAI's GPT-Image-familie naast Google's Imagen 4-tiers en Gemini-afbeeldingspreviews en xAI's Grok Imagine-afbeeldingseindpunt — meer dan 200 modellen achter één OpenAI-compatibel eindpunt, de lijstprijs van de provider doorgegeven zonder enige opslagmarge, automatische failover tussen providers, een routing-DSL en modelfusie. Omdat de lijstprijs wordt doorgegeven in plaats van verhoogd, is een prijsverlaging van een leverancier voor elk gerouteerd model dezelfde dag nog live, en omdat failover automatisch is, wordt een provider die een slechte middag heeft niet jouw uitval. Qwen-Image-2.1 behoort niet tot de modellen die wij routeren, en dat geldt ook voor geen enkele andere Qwen-Image-versie — het is een puur lokale aangelegenheid — dus dit is geen pleidooi voor de nieuwkomer. Het is het eerlijke antwoord op "wat moet ik gebruiken terwijl ik de nieuwkomer evalueer."

De beslissing, simpelweg gesteld

Kies GPT Image 2 als de output commercieel is, als je een onafhankelijk gemeten kwaliteitsondergrens nodig hebt, als je kosten per asset wilt die je kunt voorspellen en begrenzen, of als je wilt dat het deze week werkt zonder hardware aan te schaffen. Accepteer dat je huurt, dat je het niet kunt fine-tunen, dat je het niet offline kunt draaien, en dat de kosten per afbeelding voor altijd lineair meeschalen met het volume.

Kies Qwen-Image-2.1 als de output onderzoek, evaluatie of persoonlijk werk is, als je specifiek alpha wilt die een bewerkingslus overleeft in plaats van alpha die eenmalig door een parameter is geproduceerd, als je de herschrijflogica wilt lezen — de meegeleverde PE-T2I- en PE-I2I-checkpoints zijn fijnafgestemde Qwen3.5-VL 9B-modellen met een leesbaar system_prompt.txt, wat meer is dan wat je van welke gehoste image-API dan ook krijgt — of als je gewoon wilt weten wat een 7B open-weights beeldmodel in september 2026 kan, zonder per afbeelding te betalen om daarachter te komen.

Kies geen van beide en routeer het door als het deliverable commercieel is en de deadline echt is. Dat is geen uitvlucht; het is de optie waarbij je geen licentievraag hoeft op te lossen waarop je nog geen antwoord kunt krijgen.