GPT-Image-2.5 kontra LLaDA-Image: API za 30 USD za milion tokenów a darmowy model dyfuzyjny 6B

Zapytaj, ile powinno kosztować generowanie obrazów, a dwa laboratoria w ciągu tygodnia zbudują dwie przeciwstawne odpowiedzi. 8 września 2026 r. OpenAI wypuściło GPT-Image-2.5 — model napędzający ChatGPT Images 2.5, sprzedawany przez API jako GPT-Image-2.5 Flare i GPT-Image-2.5 Sunburst — wyceniony według cennika tokenów na 8 USD za milion tokenów wejściowych obrazu i 30 USD za milion tokenów wyjściowych obrazu. Pięć dni wcześniej, 4 września, inclusionAI (laboratorium wspierane przez Ant Group, stojące za rodziną modeli językowych LLaDA) po cichu opublikowało LLaDA-Image — liczący sześć miliardów parametrów generator i edytor obrazów oparty na architekturze diffusion-transformer, którego wagi można pobrać za darmo. Jeden z nich to najbardziej komercyjnie zaawansowany model obrazowy, jaki OpenAI kiedykolwiek umieściło za licznikiem tokenów; drugi to próba udowodnienia, że solidny model obrazowy można zbudować dzięki otwartej recepturze treningowej i oddać go za darmo. Porównywanie ich to w mniejszym stopniu bezpośrednie starcie, a w większym decyzja o tym, którą definicję kosztu tak naprawdę płacisz.

Niemal każda liczba po stronie GPT-Image-2.5 jest raportowana przez producenta i żadna nie doczekała się jeszcze niezależnej weryfikacji: OpenAI twierdzi, że Flare zmniejsza opóźnienie nawet o 50% w porównaniu z GPT-Image-2 oraz że zewnętrzne testy przeprowadzone przez Manus, firmę tworzącą agenty AI, wykazały 2–4× szybsze generowanie, ale na dzień 9 września 2026 r. żaden z modeli GPT-Image-2.5 nie ma wpisu na listach rankingowych obrazów serwisu Artificial Analysis. Również główna liczba LLaDA-Image nie doczekała się niezależnego potwierdzenia — inclusionAI podaje 53,53 dla części angielskiej / 53,38 dla chińskiej w Qwen-Image-Bench, co w momencie premiery stanowiło pierwsze miejsce wśród modeli o otwartych wagach — a ponieważ model nie ma hostowanego API, nie może w ogóle pojawić się na listach rankingowych obejmujących wyłącznie API. Obie strony tego porównania opierają się wyłącznie na deklaracjach własnych producentów, o czym warto pamiętać w dalszej części tego tekstu.

Dwa modele, które ledwo należą do tej samej kategorii

GPT-Image-2.5 to hostowany, zamknięty model obrazowy z tej samej linii co ChatGPT Images 2.0 z kwietnia 2026. Jest multimodalny po stronie wejścia i generuje obrazy, które — według OpenAI — są ostrzejsze w drobnych szczegółach, bardziej naturalne pod względem oświetlenia i tekstury oraz stabilniejsze podczas edycji wieloetapowych. Endpoint Sunburst istnieje specjalnie do prac produkcyjnych wymagających intensywnych edycji, gdzie wolniejsze generowanie jest akceptowalne w zamian za ściślejszą kontrolę instrukcji, podczas gdy Flare to szybka opcja domyślna do generowania na dużą skalę. Wyniki osiągają rozmiary do 2048×2048 i 3840×2160, obsługiwane są przezroczyste tła, a każdy wynik zawiera metadane pochodzenia C2PA oraz niewidoczny znak wodny.

LLaDA-Image to otwarte wydanie o charakterze badawczym, które stawia na zupełnie inne rozwiązanie. Podczas gdy GPT-Image-2.5 działa na infrastrukturze OpenAI, LLaDA-Image to zestaw wag, które uruchamiasz samodzielnie: po stronie generowania znajduje się transformer dyfuzyjny (DiT) o 6 mld parametrów — karta modelu podaje ok. 7 mld, jeśli doliczyć stronę językową — a rolę strony „rozumiejącej” pełni LLaDA 2.0-mini, dyfuzyjny model językowy typu mixture-of-experts liczący 16 mld parametrów łącznie, z czego 1 mld aktywnych, który zamienia tekstowe prompty lub instrukcje edycji na sygnał, za którym podąża DiT. Najbardziej nietypowa teza raportu arXiv (2609.03796) dotyczy recepty treningowej: ponad 90% z ok. 220 mln próbek użytych łącznie na etapach pre-training i mid-training to wyłącznie obrazy, a zamrożony model wizyjno-językowy wydobywa z nieopisanych obrazów semantykę jako sygnał samowarunkowania — dzięki czemu model „najpierw uczy się rysować, potem słuchać”. Trening prowadzony jest w progresywnej rozdzielczości: od 256×256 przez 512×512 aż do dostrajania w 1024×1024, po czym następuje mieszany trening text-to-image i edycji obrazów oraz kilkukrokowa destylacja TwinFlow, która daje wariant LLaDA-Image-Turbo.

W czym każdy z nich jest naprawdę dobry

{{1}}Atutem GPT-Image-2.5 jest precyzja i kontrola na poziomie komercyjnym.{{/1}} {{2}}Komunikat OpenAI kładzie nacisk na wierność względem referencji — zachowanie rozpoznawalności osoby, zwierzęcia lub produktu po zmianie scenerii czy stylu — oraz na edycję, która zmienia wyłącznie to, o co poproszono, utrzymującą się przez wiele rund poprawek w jednej konwersacji.{{/2}} {{3}}Szczególnie wyróżniono renderowanie tekstu wewnątrz obrazów, w tym eliminację zniekształconych chińskich znaków, które trapiły wcześniejsze modele graficzne.{{/3}} To dokładnie te możliwości, które zespół produktowy, brandingowy czy reklamowy wykorzystuje wielokrotnie.

Atutem LLaDA-Image jest pojedynczy zestaw wag umożliwiający dwujęzyczne generowanie oraz edycję sterowaną instrukcjami w otwartej formule. inclusionAI informuje o natywnym renderowaniu tekstu w języku chińskim i angielskim, ścieżce edycji wprowadzającej obrazy referencyjne dzięki konstrukcji dwuścieżkowej zaprojektowanej w celu zachowania niezmienionej treści oraz — w Qwen-Image-Bench — najlepszych wynikach wśród modeli o otwartych wagach w momencie premiery. Uczciwe zastrzeżenia z publikacji są takie, że percepcyjna jakość edycji wciąż ustępuje wyspecjalizowanym edytorom, a liczenie obiektów pozostaje słabą stroną. To otwarty model ogólnego przeznaczenia, a nie gotowy produkt komercyjny.

Tablica wyników celowo nie jest konkursem jakości obrazu — oba modele nigdy nie zostały poddane tej samej ocenie. Pokazuje natomiast, dokąd płyną pieniądze i kontrola.

Cena jednego obrazu to liczba, której żadna ze stron ci nie poda.

{{1}}OpenAI publikuje dla GPT-Image-2.5 cennik tokenów identyczny z tym dla GPT-Image-2:{{/1}} {{2}}8 USD za milion tokenów wejściowych obrazu,{{/2}} {{3}}30 USD za milion tokenów wyjściowych obrazu, 2 USD za milion buforowanych tokenów wejściowych obrazu,{{/3}} {{4}}a tokeny tekstowe rozliczane osobno po 5 USD za milion.{{/4}} {{5}}OpenAI nie publikuje natomiast tego, ile tokenów zużywa dany obraz,{{/5}} {{6}}co oznacza, że nie ma oficjalnej ceny za obraz ani kalkulatora kosztów.{{/6}} {{7}}Przy cenie, jaką AA podaje dla poprzednika na swojej liście rankingowej{{/7}} — {{8}}mniej więcej 211 USD za 1000 obrazów dla GPT Image 2 w jakości „high”{{/8}} — {{9}}flagowy model rozliczany za tokeny jest przy dużej skali kosztownym narzędziem,{{/9}} {{10}}ale ta kwota dotyczy GPT-Image-2, nie 2.5,{{/10}} {{11}}a koszt pojedynczego obrazu w nowym modelu jest naprawdę nieznany poza OpenAI.{{/11}}

LLaDA-Image ma odwrotny problem z uczciwością. Wagi nic nie kosztują, a na karcie modelu widnieje tag Apache-2.0, ale prawdziwa cena to infrastruktura: transformator dyfuzyjny o 6B parametrów wymaga solidnego GPU w przypadku wariantu Base z 50 krokami, a punkty kontrolne FP8 (około 49 GB w formacie diffusers) to praktyczna opcja dla większości użytkowników. Destylacja do 2–4 kroków w modelu LLaDA-Image-Turbo to ustępstwo wobec tej rzeczywistości. Narzędzia społeczności rozwijają się szybko — pull request w SGLang dodaje obsługę text-to-image, edycji, równoległości sekwencyjnej i FP8, a pakiet węzłów ComfyUI od RebelAI wspiera lokalną inferencję w INT8 i kwantyzacji GGUF — ale „darmowy model” nadal oznacza „to ty jesteś dostawcą hostingu”. Dla zespołu, który już dysponuje mocą GPU, koszt krańcowy LLaDA-Image zbliża się do zera; dla wszystkich pozostałych łączny koszt serwowania modelu może przekroczyć rachunki za API rozliczane według zużycia, jeśli doliczy się czas pracy inżynierów.

Uczciwa droga, jeśli chcesz obu.

Dla większości zespołów to nie jest wybór typu „albo-albo”. Produkcyjny potok może korzystać z hostowanego API, takiego jak GPT-Image-2.5, do pracy skierowanej do klientów, wymagającej intensywnej edycji i takiej, która nie może zawieść, a do eksperymentów, zadań wsadowych offline oraz wszystkiego, czego nie można wysyłać do podmiotu trzeciego — z otwartego modelu, takiego jak LLaDA-Image. Taki podział to dokładnie problem, do rozwiązania którego stworzono warstwę routingu: jedno API docierające do hostowanych modeli, z których faktycznie korzystasz, z ceną katalogową dostawcy przekazywaną dalej bez narzutu, więc późniejsze wypróbowanie modelu o otwartych wagach przez hostowaną trasę kosztuje tyle samo, co skorzystanie z dostawcy bezpośrednio. Żaden z tych modeli nie figuruje w katalogu OrcaRouter na dzień 9 września 2026 r.: GPT-Image-2.5 jest obecnie dostępny wyłącznie przez API OpenAI (poprzednia generacja, GPT-Image-2, jest objęta routingiem), a LLaDA-Image ma tylko wagi, bez hostowanej inferencji. Zamysł projektowy pozostaje aktualny niezależnie od dzisiejszego katalogu.

Na którym powinieneś budować?

Jeśli Twoja praca polega na komercyjnym generowaniu obrazów, w którym nieudana edycja kosztuje relację z klientem — zdjęcia produktowe, kreacje kampanii, grafika spójna z referencjami, długie, wieloturowe sesje edycji — GPT-Image-2.5 to model zaprojektowany w całości pod to zadanie, a endpoint Sunburst to powód, by zwrócić na niego uwagę, zanim jeszcze pojawią się niezależne wyniki. Ryzykiem jest nieprzejrzysta cena za obraz oraz fakt, że każde twierdzenie o jakości pochodzi od samego OpenAI. Jeśli Twoja praca to badania, eksperymenty na dużą skalę, dwujęzyczne generowanie chińsko-angielskie lub cokolwiek, co musi działać w Twoim środowisku albo na Twoich danych, LLaDA-Image to ciekawsze wydanie — prawdziwie otwarte wagi z opublikowanym przepisem, za cenę bycia własną infrastrukturą i zaakceptowania wyników, których nikt niezależnie nie odtworzył. Modele dzieli tydzień od siebie pod względem premiery i cały świat pod względem modelu działania; właściwy wybór to ten, który odpowiada kosztowi, jaki faktycznie jesteś w stanie ponieść.