Ming-Image-0.1-Design vs GPT Image 2.5: własny wynik laboratorium przeciw tablicy głosów obcych

Postaw Ming-Image-0.1-Design i GPT Image 2.5 w tym samym zdaniu, a oczywiste porównanie dotyczy jakości. Przydatnym porównaniem jest pochodzenie. GPT Image 2.5 zajmuje pierwsze i drugie miejsce na bieżącej tablicy Artificial Analysis UI/UX Design, z wynikami 1,227 i 1,218 Elo, odpowiednio przy 1,287 i 1,303 głosach oddanych w ciemno przez ludzi — to znaczy ranking stworzony przez osoby, które nie zbudowały modelu i nie powiedziano im, który wynik jest czyj. Ming-Image-0.1-Design ma przypisany dokładnie jeden wynik, 1,082 Elo, i wynik ten pojawia się na grafice rankingu dołączonej do własnego repozytorium inclusionAI na Hugging Face, na tablicy, której nie mogliśmy znaleźć nigdzie indziej, dla modelu z zerową liczbą pobrań. Jedna z tych liczb to dowód. Druga to twierdzenie z czcionką. To ta różnica, a nie 145 Elo między nimi, powinna kształtować decyzję o którymkolwiek z tych modeli.

Dwie liczby obok siebie i pułapka w ich porównywaniu

Liczby są na tyle bliskie, że wyglądają na porównywalne, i na tyle różne co do rodzaju, że nimi nie są. Oto ten zbiór, podany precyzyjnie.

• GPT Image 2.5, na tablicy na żywo — pierwsze miejsce z wynikiem 1 227,0 Elo dla konfiguracji Flare (max), drugie z wynikiem 1 218,1 dla Sunburst (max), przy liczbie próbek 1 287 i 1 303 oraz śledzonej cenie 210,72 USD za 1 000 obrazów. Model został umieszczony na tej tablicy jako wydany 8 września 2026.

• Ming-Image-0.1-Design, na osobnej karcie — pierwsze miejsce z wynikiem 1082 Elo, przed Ideogram 4.0 (Quality) z 1052 i wariantami FLUX.2 dev między 994 a 1000, na grafice zatytułowanej „Ranking tekstu na obraz: projektowanie UI/UX”, ze stopką „Wyniki Elo z głosów preferencyjnych w ciemno w naszej Image Arena”. Nie pokazano liczby próbek. Nie opublikowano metodologii. Samej tablicy nie ma w publicznej sieci, o ile udało nam się ustalić.

• Pułapka — Elo oblicza się osobno dla każdej tablicy. Wynik ma sens tylko w porównaniu z innymi wynikami na tej samej tablicy, dlatego ta sama wersja FLUX.2 wskazuje 1 026 na ogólnej tablicy text-to-image i 1 065 w widoku kategorii UI/UX Design. Odejmij 1 082 od 1 227, a nie zmierzysz luki jakościowej między dwoma modelami. Odjąłeś liczbę od innej liczby.

Co sprawia, że tajne głosowanie jest tajnym głosowaniem?

Artificial Analysis publikuje wystarczająco dużo ze swojej metody, by można ją było sprawdzić. Jej arena obrazów zestawia w pary dwie generacje anonimowych modeli, prosi głosującego o wskazanie zwycięzcy i przekształca wyniki w ranking Elo — liczby próbek na tablicy to liczba takich porównań zgromadzonych przez każdy model. To właśnie ta struktura sprawia, że ocena jest odporna na samych autorów modelu: osoby, które trenowały GPT Image 2.5, nie pojawiają się w tym obiegu, a model nie może zająć pierwszego miejsca tylko dlatego, że jest tym, który preferuje jego twórca. To nie jest doskonałe narzędzie — pula głosujących dobiera się sama, a prompty nie stanowią kontrolowanego zestawu benchmarków — ale jest to narzędzie, które trzyma w rękach ktoś inny niż dostawca.

Grafika wewnątrz repozytorium Ming-Image-0.1-Design zapożycza ten format bez elementów, które czynią go weryfikowalnym. „Głosy preferencji w ciemno" to twierdzenie. „Our Image Arena" to operator, a operatorem jest inclusionAI. Nie ma opublikowanej liczby głosów, widocznego rozkładu promptów ani sposobu na sprawdzenie par. Jest całkiem możliwe, że ocena stojąca za tą grafiką jest uczciwa i rzetelna — zespół modelu by o tym wiedział. Jest również całkowicie niesprawdzalna z zewnątrz, co jest jedyną rzeczą, która ma znaczenie, jeśli to ty decydujesz, czy na tym budować.

Warto to dodać, bo przeczy to łatwej narracji: Ming-Image-0.1-Design w ogóle nie znajduje się na bieżącej tablicy Artificial Analysis. Nie ma go w kategorii UI/UX Design, nie ma na ogólnej tablicy text-to-image, nie ma w widoku open-weights. Jego nieobecność nie jest dowodem, że jest gorszy — model z zerową liczbą pobrań i bez hostowanego endpointu nie ma sposobu, by zbierać głosy. To dowód, że nie istnieje jeszcze żadna niezależna liczba, co jest innym stwierdzeniem.

Cena jest tą częścią, która nie jest niejednoznaczna.

Jeśli chodzi o koszty, te dwa modele nie są nawet blisko siebie i nie ma o czym dyskutować.

• GPT Image 2.5 to komercyjny endpoint. Artificial Analysis podaje dla niego cenę 210,72 USD za 1000 obrazów w kategorii UI/UX — około 21 centów za obraz, co plasuje go na szczycie przedziału cenowego w tej dziedzinie. Dla porównania, na tej samej liście Grok Imagine Image 2.0 wyceniono na 60 USD za 1000, MAI-Image-2.6 na 38,9 USD, a Muse Image na 10 USD.

• Ming-Image-0.1-Design nie ma ceny, ponieważ nie ma punktu końcowego. Wagi są objęte licencją MIT i można je pobrać bezpłatnie; ich uruchomienie kosztuje tyle, ile kosztuje cię za godzinę jedna karta GPU CUDA o pojemności 80 GiB. Zwalidowana konfiguracja z karty modelu to jedna karta tej klasy, przy rozdzielczości 2048 x 2048 i 12 krokach próbkowania.

• Żadna z tych liczb nie jest stabilna. Obaj dostawcy zmieniają stawki, a porównanie w przeliczeniu na obraz sporządzone dziś ma termin przydatności liczony w tygodniach. To jedyne miejsce, w którym ekonomię OrcaRouter warto przedstawić wprost: przekazujemy ceny katalogowe dostawców bez marży (0%), więc zmiana stawek dostawcy obowiązuje u nas tego samego dnia, a nie po własnym cyklu aktualizacji cennika — co ma znaczenie, gdy różnica między dwoma kandydatami wynosi 21 centów wobec 6 centów za obraz, a obie stawki mogą się zmienić.

Co tak naprawdę możesz dziś wywołać i gdzie w tym jesteśmy

Dostępność to punkt, w którym to porównanie przestaje być eksperymentem myślowym.

GPT Image 2.5 to prawdziwy produkt z prawdziwym API stojącym za nim, sprzedawany przez OpenAI na własnych warunkach. Nie da się go trasować przez OrcaRouter — nasz katalog nie zawiera żadnej pozycji GPT Image 2.5 na dzień 23 września 2026 — i nie zamierzamy opisywać trasy, której nie mamy. To, co katalog rzeczywiście zawiera z tej samej linii, to poprzednia generacja, openai/gpt-image-2 w cenie 8,00 USD za milion tokenów wejściowych i 30,00 USD za milion tokenów wyjściowych, obok openai/gpt-image-1.5, i te znajdują się za tym samym kluczem co wszystko inne, co trasujemy.

Ming-Image-0.1-Design nie jest nigdzie dostępny przez routing. W repozytorium wyłączono wnioskowanie, Hugging Face nie zgłasza wdrożenia dostawcy wnioskowania, a sekcja Quick Start wskazuje na towarzyszące repozytorium GitHub, które zwraca 404. W naszym katalogu nie ma żadnego modelu inclusionAI. Jedynym sposobem na uruchomienie go jest pobranie shardów i samodzielne ich serwowanie.

A więc wybór wygląda tak: jedna opcja, którą możesz kupić dziś za najwyższą cenę rynkową, i druga opcja, którą możesz uruchomić dziś za cenę GPU i własnego czasu inżynierskiego, bez żadnych niezależnych dowodów, że osiąga dobre wyniki. Każdy, kto mówi ci, że Ming-Image-0.1-Design jest tańszą alternatywą dla GPT Image 2.5, nie wycenił drugiej opcji.

Jak utrzymać oba, nie stawiając na żadne z nich

Praktyczna rada jest tu węższa niż werdykt, ponieważ te dwa modele nie są jeszcze substytutami.

Jeśli potrzebujesz w produkcji generowania obrazów o jakości interfejsu użytkownika lub jakości projektowej, GPT Image 2.5 jest wyborem, którego można bronić, a cena jest tym, o czym powinieneś negocjować sam ze sobą, a nie jakość — prowadzi w niezależnym rankingu z przewagą wystarczająco dużą, że pozycja w rankingu nie podlega dyskusji. Jeśli chcesz wiedzieć, czy Ming-Image-0.1-Design jest dobry, masz dwie opcje i tylko jedna z nich jest wolna od zgadywania: ściągnij wagi na licencji MIT na kartę 80 GiB i uruchom własny zestaw ewaluacyjny albo poczekaj, aż zrobi to ktoś inny. W międzyczasie nie traktuj 1082 jako wyniku. A jeśli twoim prawdziwym wymaganiem jest opcjonalność, a nie którykolwiek z tych modeli konkretnie, dyscypliną, która się opłaca, jest trzymanie wywołania generowania za jednym interfejsem — jeden klucz na ponad 200 modeli, zmiana identyfikatora modelu zamiast przepisywania kodu, automatyczne przełączanie awaryjne, gdy endpoint zachowuje się nieprawidłowo — tak aby niezależnie od tego, który z tych dwóch jako pierwszy opublikuje niezależny wynik, przyjęcie go kosztowało cię jedną linię konfiguracji, a nie sprint.

Jedna uwaga na zakończenie o tym, co zmieniłoby ten tekst. Wiersz Ming-Image-0.1-Design pojawiający się na tablicy Artificial Analysis UI/UX Design, z liczbą próbek obok, zamieniłby 1,082 podane przez dostawcę z twierdzenia w punkt danych — i byłby to pierwszy raz, kiedy ktokolwiek spoza inclusionAI powiedział coś mierzalnego o tym modelu. To jest wydarzenie, na które warto wypatrywać, i jest to rzecz bardziej użyteczna do monitorowania niż licznik pobrań.