Qwen-Image-2.1 vs GPT-Image-2.5: Het verschil is één getal, en het is niet kwaliteit

Zet Qwen-Image-2.1 en GPT-Image-2.5 naast elkaar qua specificaties en ze lijken wel broertjes van elkaar: beide zijn uniforme beeldmodellen voor generatie en bewerking, beide met uitvoer met transparante achtergrond, beide uitgebracht in de afgelopen vijf weken, beide in staat tot stilstaande beelden van 2K-kwaliteit. Het verschil dat de keuze tussen hen bepaalt, is één getal, en dat is geen benchmarkscore. Qwen-Image-2.1 is gratis te downloaden en onmogelijk te verkopen. GPT-Image-2.5 is onmogelijk te downloaden en gemakkelijk te verkopen. Al het andere — de architectuur, de latentie, de implementatie van transparantie — volgt daaruit. Qwen-Image-2.1 werd op 20 september 2026 open source gemaakt; GPT-Image-2.5 werd op 8 september 2026 aangekondigd, met zijn API-modellen live.

Twee manieren om transparantie toe te voegen, een maand na elkaar

Dat beide modellen binnen enkele weken van elkaar transparante output kregen, is een toeval dat het begrijpen waard is, omdat de twee implementaties niet equivalent zijn.

Qwen-Image-2.1 stopt alpha in het model. Het voert denoising uit in een 64-kanaals RGBA-latentenruimte met 16× ruimtelijke compressie, waardoor het alfakanaal een eersteklas component is van wat de sampler produceert. Er is geen segmentatiestap en geen matting-pass. Daarnaast is er een ongebruikelijke extra: omdat het model per prompt kan bepalen of het RGB of een afbeelding met alfakanaal produceert, kan het ook een onderwerp uit een gewone foto halen en een transparante laag teruggeven in plaats van een binair masker.

GPT-Image-2.5 kiest de parameterroute. De API van OpenAI accepteert een background-instelling van auto, opaque of transparent, en het model reageert daarop. Dat is een schakelaar voor een functionaliteit op een gehost endpoint in plaats van een eigenschap van de latente ruimte, en het voordeel is dat je er niet over nadenkt: zet de vlag, krijg een uitsnede, ga verder. De keerzijde is dat je krijgt wat het endpoint je geeft, tegen de resolutie en kosten die het endpoint bepaalt.

Welke beter is, is oprecht onopgelost. Er bestond op het moment van schrijven geen openbare vergelijking van de alfaranden van Qwen-Image-2.1 met een speciaal mattingmodel, en de enige gepubliceerde controle aan de Qwen-kant is een functionele — transparante PNG-uitvoer geslaagd, alfa behouden over het volledige bereik van 0–255, RGBA-PSNR van 60,69 dB in één enkel monster. Dat is een correctheidscontrole, geen kwaliteitsoordeel. Het vertelt je dat het kanaal echt is.

Wat je daadwerkelijk kunt meten

• Parameters — De generatiecomponent van Qwen-Image-2.1 is een 7B, 32-laagse single-stream diffusietransformer, gekoppeld aan een Qwen3-VL 8B-tekstencoder; ongeveer 33 GB aan gewichten in totaal, waarvan de DiT ongeveer 14 GB voor zijn rekening neemt. OpenAI publiceert geen parameteraantal voor GPT-Image-2.5.
• Resolutie — Qwen-Image-2.1 genereert native tot 2048×2048 bij 40 inferentiestappen met zeven presets voor beeldverhouding. GPT-Image-2.5 accepteert formaten tot 3840×2160 en 2160×3840, waarbij elke zijde is gemaximeerd op 3840 px en veelvouden van 16 vereist zijn.
• Referentieafbeeldingen — Qwen-Image-2.1 accepteert er tot 10 voor compositie met meerdere subjecten en virtual try-on. De beeldmodellen van OpenAI accepteren referentie-invoer voor het bewerken, maar de praktische limiet en het getrouwheidsgedrag verschillen per model en per kwaliteitsniveau.
• Latentie — SGLang-Diffusion publiceert 2,748 s voor een generatie van 1024×1024 met 40 stappen op één B200, en 4,74 s op een 24 GB RTX 4090 met Cache-DiT- en INT8-kernels, alleen denoise. OpenAI meldt dat de Flare-variant van GPT-Image-2.5 tot 50% lagere latentie heeft dan GPT-Image-2, waarbij één launchpartner 2–4× meet — respectievelijk door de leverancier en de partner gerapporteerd, geen gecontroleerde vergelijking.
• Prijs — Qwen-Image-2.1 heeft geen gehoste prijs omdat er geen gehost eindpunt is; de kosten zijn je eigen GPU-tijd. GPT-Image-2.5 factureert tegen dezelfde tokentarieven als GPT-Image-2: $8,00 per 1 miljoen invoertokens voor afbeeldingen, $30,00 per 1 miljoen uitvoertokens voor afbeeldingen, $5,00 per 1 miljoen invoertokens voor tekst.
• Licentie — Qwen-Image-2.1 wordt geleverd onder de Qwen Research License Agreement van 20 september 2026, uitsluitend voor niet-commercieel gebruik. GPT-Image-2.5 is een commerciële API met C2PA-herkomst en een onzichtbaar watermerk op de uitvoer.

Eén rij in die lijst is dunner dan hij lijkt. OpenAI publiceert geen prijzen per afbeelding voor GPT-Image-2.5, alleen tarieven per token, en het verbruik van afbeeldingstokens varieert met resolutie en kwaliteitsniveau. Metingen van derden plaatsen het bereik op ongeveer $0,0059 tot $0,712 per afbeelding, voor 1K, 2K en 4K bij lage, gemiddelde en hoge instellingen met een beeldverhouding van 1:1 — nuttig als orde van grootte, niet als een prijsopgave. Als je prognoses maakt, baseer de schatting dan op aantallen tokens en je eigen promptverdeling, niet op een prijs per afbeelding die iemand anders heeft gemeten.

De twee kosten die niemand in dezelfde kolom zet

De reden dat deze vergelijking zich niet in een eenvoudig antwoord laat vangen, is dat de twee modellen je in verschillende valuta's factureren, en de wisselkoers is je eigen situatie.

GPT-Image-2.5 factureert per token, wat betekent dat de meter zichtbaar en voorspelbaar is en lineair schaalt met volume. Dat is een echt voordeel voor een product met bekend verkeer: je kunt het in een budget opnemen, en een prijsverlaging van de leverancier verlaagt je kosten dezelfde dag. Het is ook een belasting op verkenning, omdat de tiende iteratie van een prompt evenveel kost als de eerste. Het input_fidelity gedrag maakt dit scherper dan de hoofdtarieven suggereren — de API kan automatisch hoge getrouwheid toepassen op afbeeldingsinvoer, wat meer invoertokens verbruikt dan een vluchtige blik op de prijslijst doet vermoeden, dus bewerkingslussen kosten meer dan de cijfers per afbeelding die mensen noemen.

Qwen-Image-2.1 keert beide eigenschappen om. De marginale kosten van de honderdste generatie zijn elektriciteit. Dat maakt het het betere instrument voor iteratie, voor batch-backfills en voor alles waarbij de prompt nog wordt ontdekt. Wat het je niet geeft, is een getal voor de financiële spreadsheet — je betaalt voor een GPU, of die nu bezig of inactief is — en het geeft je niet het recht om de output te verkopen. De Qwen Research License Agreement staat niet-commercieel onderzoek en evaluatie toe, en stelt dat commerciële inzet een aparte licentie van Hangzhou Tongyi Laboratory Technology vereist. Er is geen gepubliceerde prijs voor die licentie en geen vermelde voorwaarden. Dat is geen voetnoot; voor een commerciële pijplijn is het de hele beslissing.

Beide draaien zonder een tweede contract

Het realistische antwoord voor de meeste teams is niet of-of, maar beide. GPT-Image-2.5 dekt het productiepad, waar de output naar een klant gaat en de per-token meter een regelitem is. Qwen-Image-2.1 dekt het exploratiepad, waar je tweehonderd varianten van een transparante productfoto nodig hebt en geen enkele leverancier je dat volume voor een redelijke prijs verkoopt.

De frictie is dat de twee via volledig verschillende routes aankomen. De ene is een API-sleutel. De andere is een download van 33 GB, een Python-omgeving en een GPU die je zelf bezit. OrcaRouter dekt de gehoste helft: 200+ modellen achter één OpenAI-compatibel eindpunt, de lijstprijs van de provider doorgegeven zonder opslag, automatische failover tussen providers, een routing-DSL om fallbacks uit te drukken, en model fusion om meerdere modellen in één aanroep te combineren. Precies zijn over dit model is belangrijk — we routeren GPT-Image-2.5 vandaag niet; onze OpenAI-afbeeldingsroutes zijn GPT-Image-2, GPT-Image-1.5 en GPT-Image-1-mini, allemaal tegen de OpenAI-lijstprijs, en op de dag dat een upstream-provider de gpt-image-2.5-identificaties toevoegt, roept dezelfde sleutel ze aan zonder codewijziging. We routeren ook geen enkel Qwen-Image-model van welke versie dan ook, dus Qwen-Image-2.1 is aan onze kant helemaal geen route. Wat de pass-through-prijzen je ondertussen opleveren, is dat wanneer OpenAI een tarief wijzigt, het cijfer aan onze kant daarmee meebeweegt in plaats van met vertraging.

Het oordeel, uitgedrukt als een voorwaarde in plaats van een winnaar

Als de output verkocht moet worden, is dit geen lastige keuze: GPT-Image-2.5 is de enige van de twee die je mag gebruiken, en de tokenmeter is de prijs daarvan. Als de output onderzoek, interne tooling of evaluatie is, is Qwen-Image-2.1 het sterkere instrument — native 2K, alpha rechtstreeks uit de sampler, tien referentieafbeeldingen, en marginale kosten van nul zodra de hardware is betaald. Als je beide nodig hebt, draai beide, en beschouw de licentie als de grens die bepaalt in welke pipeline een bepaalde taak terechtkomt.

Twee dingen zouden dit veranderen. Een gepubliceerde commerciële term sheet voor Qwen-Image-2.1 zou de kloof in de licentierij dichten, die momenteel het meeste werk verricht in deze vergelijking. En een onafhankelijke vermelding op een afbeeldingenranglijst voor Qwen-Image-2.1 zou ons vertellen of het Qwen-Image-Bench-resultaat van de leverancier — 60,28, vóór Nano Banana 2.0 met 59,82 en GPT Image 1.5 met 59,65, als eerste onder de open modellen — standhoudt buiten het lab dat het heeft geproduceerd. Geen van beide bestaat nog. Totdat dat wel zo is, is de eerlijke aanbeveling om te kiezen op basis van de licentie en de meter, niet op basis van het scorebord.