MOSS-Image vs GPT Image 2.5: szkielet 5B do pobrania kontra dwa modele w formie snapshotów

Zacznijmy od nazewnictwa, bo to ono najpierw wszystkich wprawia w zakłopotanie.gpt-image-2.5. Istnieje natomiast para — GPT Image 2.5 Sunburst, identyfikator gpt-image-2.5-sunburst, oraz GPT Image 2.5 Flare, identyfikator gpt-image-2.5-flare — oba zapisane w snapshocie 2026-09-08 i oba zamknięte. Przeciwko nim stoi M​OSS-Image, wydany przez OpenMOSS 16 października 2026 jako dwa checkpointy na licencji Apache 2.0, M​OSS-Image-Base i M​OSS-Image-SFT, które pobierasz i uruchamiasz. Jedna strona sprzedaje ci endpoint; druga wręcza ci 27 gigabajtów i życzy powodzenia z enkoderem.

Taki jest cały kształt tego porównania i niemal każda inna różnica z niego wynika. Poniższe porównanie traktuje dwa warianty O​penAI jako jedną stronę tylko tam, gdzie sam cennik i dokumentacja O​penAI traktują je jako jedną — co jest prawdą w przypadku cennika, a fałszem w przypadku możliwości, i to rozróżnienie ma własną sekcję. Każda liczba przypisana O​penAI pochodzi z opublikowanego cennika O​penAI; każda liczba przypisana M​OSS-Image pochodzi od samego OpenMOSS, z ogłoszenia o wydaniu i jego raportu technicznego, i nie została przez nikogo odtworzona.

Dwa modele przeciw jednemu pobraniu

Generacja 2.5 OpenAI to fork, a nie zwykłe podbicie numeru wersji. Wcześniejsze generacje udostępniały jeden główny identyfikator modelu i wymagały wybrania w jego obrębie poziomu jakości. W przypadku 2.5 istnieją dwa osobno nazwane, osobno snapshotowane modele i brak aliasu zbiorczego — kod napisany z użyciem samego gpt-image-2.5 nie będzie działać. Sunburst jest pozycjonowany pod kątem możliwości, Flare pod kątem szybkości, a oba są rozliczane identycznie, więc wybór między nimi to decyzja dotycząca opóźnienia i precyzji, a nie budżetu.

M​OSS-Image to również dwa modele, ale podział ten dotyczy treningu, a nie produktu. Base to wstępnie wytrenowany checkpoint, celowo pozostawiony bez destylacji — karta modelu wyraźnie stwierdza, że nie zastosowano żadnego douczania ani destylacji parametrów wnioskowania, takich jak CFG, aby zachować informacje z treningu i utrzymać możliwość trenowania LoRA. SFT jest dostrajany na wyselekcjonowanych danych i to jego powinna uruchamiać większość osób. Przykład porównawczy dostawcy pokazuje, że SFT tworzy ściślejsze grupowanie tekstu i bardziej uporządkowany układ przy tym samym poleceniu, co jest tym, co powinno robić dostrajanie na wyselekcjonowanych danych niedestylowanego modelu bazowego.

• Jak to nazywasz — GPT Image 2.5: dwa identyfikatory, gpt-image-2.5-sunburst i gpt-image-2.5-flare, bez samego aliasu. M​OSS-Image: dwa repozytoria, OpenMOSS-Team/M​OSS-Image-Base i OpenMOSS-Team/M​OSS-Image-SFT, z mirrorami ModelScope dla obu.

• Co otrzymujesz — GPT Image 2.5: endpoint zgodny z O​penAI oraz data snapshotu. M​OSS-Image: wagi safetensors, niestandardowy pipeline Diffusers, aplikacja Gradio i natywna wtyczka ComfyUI instalowana przez ComfyUI Manager.

• Ile to kosztuje — GPT Image 2.5: rozliczane w tokenach, 8,00 USD za milion wejściowych obrazów i 30,00 USD za milion wyjściowych obrazów, w trybie wsadowym o połowę taniej. MOSS-Image: za licencję nic, za GPU wszystko.

• Czyja licencja reguluje dane wyjściowe — GPT Image 2.5: warunki O​penAI, które nie zostały przytoczone w samej dokumentacji dla deweloperów. M​OSS-Image: Apache 2.0 dla wag i dołączonego kodu wnioskowania, bez progu przychodów i bez załącznika dotyczącego dopuszczalnego użytkowania.

Sterowanie układem oraz moduł, który nie należy do modelu.

Oba systemy pozwalają umieszczać obiekty według współrzędnych. Nie są równoważne pod względem tego, co kryje się za współrzędnymi.

Format układu M​OSS-Image przyjmuje jako prompt obiekt JSON zawierający summary z podpisem sceny oraz tablicę items, w której każdy element ma etykietę typu text, character lub object, podpis, ramkę ograniczającą i — w przypadku tekstu — dosłowny ciąg znaków do wyrenderowania. Ramki używają bbox_format: "yxyx" w bbox_coord_space: "abs_centralized", co oznacza przesunięcia pikseli od środka płótna.

Udokumentowany interfejs GPT Image 2.5 nie jest gramatyką układu. Jego powierzchnię sterowania stanowi sam prompt oraz obrazy referencyjne; zachowanie związane ze stylem układu, które ujawnia się w mocnych stronach edycji generacji 2.5, jest wyrażane przez iteracyjne edycje, a nie przez ustrukturyzowaną specyfikację bloków. To realna różnica w możliwościach i jedyne miejsce, w którym interfejs MOSS-Image jest bardziej jawny niż interfejs OpenAI.

Zastrzeżenie po stronie MOSS-Image warto przedstawić przed jakimkolwiek benchmarkiem: moduł wzmacniania promptów, który zamienia krótki pomysł w pełną specyfikację układu, nie jest małym modelem samego OpenMOSS. Raport techniczny podaje, że LayoutPE używa GPT-6 z modułowymi instrukcjami zadań w czasie wnioskowania, a dołączona umiejętność wzmacniania promptów jest opisana jako zaprojektowana dla agentów z rodziny GPT-6. Najsilniejszy wynik układu end-to-end w ewaluacji samego OpenMOSS jest zatem uzyskiwany przez dwumodelowy potok, którego część odpowiedzialna za specyfikację działa na cudzym API. Jeśli używasz MOSS-Image bez tego wzmacniacza, sam dostarczasz JSON układu, a potok, który mierzysz, jest innym potokiem.

Dowody, i jak nikłe są one po obu stronach

OpenMOSS ocenił M​OSS-Image za pomocą dwóch benchmarków dołączonych do wydania, które również zostały opracowane przez dostawcę. LongLongTextBench to 240 zadań renderowania tekstu literackiego, 120 w języku angielskim i 120 w chińskim, o średniej docelowej długości 1339,8 znaków. RealLayoutArena to 61 zadań projektowych — 20 plakatów, 20 infografik, 21 interfejsów użytkownika — ocenianych w ślepym porównaniu parami i dopasowanych do skali Elo Bradleya–Terry’ego. W arenie end-to-end M​OSS-Image plasuje się na poziomie 1698,70 Elo z 95-procentowym przedziałem od 1655,96 do 1741,43, zajmując drugie miejsce w klasyfikacji generalnej, za GPT Image 2 z wynikiem 1844,35. Po ograniczeniu wyłącznie do samego backbone’u, przy wspólnych rozszerzonych promptach, M​OSS-Image zajmuje pierwsze miejsce z wynikiem 1807,34.

Przeczytaj to uważnie. Benchmark, w którym M​OSS-Image zajmuje pierwsze miejsce, to ten, w którym porównanie ogranicza się do generatora, a ulepszanie promptu jest wspólne — czyli dokładnie ta konfiguracja, która usuwa problem specyfikacji strony trzeciej. Benchmark, w którym zajmuje drugie miejsce, to ten typu end-to-end. Żaden z nich nie jest neutralnym testem.

OpenAI nie publikuje porównywalnego benchmarku układu ani renderowania tekstu dla GPT Image 2.5. Istniejące niezależne dowody dla modeli OpenAI znajdują się na rankingach Artificial Analysis, gdzie warianty 2.5 zajmują dwa pierwsze miejsca w rankingu edycji obrazów. To pomiar preferencji w warunkach ślepych z opublikowaną metodologią i wcale nie testuje kontroli układu. Zatem oba modele są mierzone na rozłącznych osiach przez różne podmioty, a pokusie, by umieścić 1698,70 obok Elo z rankingu, należy się oprzeć — nie są to te same skale i nie mierzą tego samego.

Ile kosztuje każdy przy większej ilości

GPT Image 2.5 rozlicza się w tokenach, według cennika identycznego jak GPT Image 2: 5,00 USD za milion tokenów wejściowych tekstowych, przy czym tekst z pamięci podręcznej kosztuje 1,25 USD, 8,00 USD za milion obrazów wejściowych, przy czym obraz z pamięci podręcznej kosztuje 2,00 USD, oraz 30,00 USD za milion obrazów wyjściowych. Batch zmniejsza każdą z nich o połowę. Na stronie dostawcy nie ma ceny za obraz ani darmowego limitu, więc jedynym sposobem na uzyskanie kwoty za obraz jest przeliczenie — a niezależne tablice publikują taką, obecnie około 0,21 USD za obraz w wysokiej jakości 1024×1024. Traktuj to jako wyliczenie tablicy, a nie jako cenę OpenAI.

MOSS-Image nie ma cennika, bo nie ma czego rozliczać. Kosztem jest maszyna. Repozytorium SFT ma około 27,2 GB, a liczba, która zaskakuje ludzi, to podział: mniej więcej 16,8 GB w czterech shardach to zamrożony enkoder tekstowy Qwen3.5-9B, a około 10,2 GB w trzech to sam transformer. Etykieta 5B dotyczy wyłącznie generatora dyfuzyjnego. Domyślne ustawienia próbkowania to flow-matching Euler z 50 krokami, CFG 3.0, shift 5.0, z guidance pomijającym warstwy w gałęzi negatywnej na warstwie 22 — a domyślna ścieżka guidance wymaga dwóch przejść w przód przez transformer na krok, dlatego 50 kroków nie jest tak tanim ustawieniem, jak brzmi.

Przy stu tysiącach obrazów miesięcznie strona rozliczana za tokeny oscyluje w granicach kilkunastu–kilkudziesięciu tysięcy dolarów; strona pobierana lokalnie ląduje tam, gdzie wyląduje koszt wynajmu Twojego GPU. To nie jest porównanie, które dobrze świadczy o którejkolwiek ze stron, dlatego decyzja zwykle zależy od czegoś innego: czy możesz wdrożyć zmianę konfiguracji, czy potrzebujesz rozmowy z działem zakupów.

Uruchamianie obu obok siebie

Jeśli chcesz rozstrzygnąć to na własnych promptach, a nie na czyimkolwiek rankingu, obie strony znajdują się na przeciwległych krańcach granicy, której nasz własny produkt nie przekracza w połowie. M​OSS-Image nie znajduje się w katalogu OrcaRouter — obsługujemy ponad 200 modeli i nie jest jednym z nich — więc połowę eksperymentu z otwartymi wagami musisz hostować samodzielnie. GPT Image 2.5 Sunburst and Flare można routować przez ten sam endpoint zgodny z O​penAI, co wszystko inne w katalogu, po stawkach cennikowych dostawcy: 8 USD za milion tokenów wejściowych obrazu i 30 USD za milion tokenów wyjściowych obrazu, bez doliczania marży po naszej stronie.

Przydatną częścią takiego rozwiązania w porównaniu takim jak to jest zachowanie przy przełączaniu awaryjnym. Gdy uruchamiasz pętlę benchmarkową, która wysyła kilkaset promptów do hostowanego modelu, limit szybkości po stronie dostawcy albo gorsza chwila zamieniają się w utracone próbki, a automatyczne przełączanie awaryjne między dostawcami sprawia, że pętla kończy działanie, zamiast pozostawić ci w połowie wypełnioną tabelę wyników. To, czy odpowiedź zwrócona przez mechanizm zapasowy jest porównywalna z odpowiedzią modelu podstawowego, to kwestia, którą powinieneś rozstrzygnąć przed rozpoczęciem, a nie po nim.

Po której stronie granicy się znajdujesz

Wybierz MOSS-Image, jeśli chcesz wagi. Apache 2.0 bez pułapu przychodów to krótki przegląd komercyjny, checkpoint Base został celowo pozostawiony bez destylacji pod trening LoRA, layout JSON to prawdziwa specyfikacja, a nie konwencja promptów, a już dziś możesz wskazać na to instalację ComfyUI. Wchodź w to ze świadomością, że to enkoder jest tym, co się pobiera, że domyślne 50 kroków przy dwóch przebiegach w przód na krok to realny koszt serwowania, a sztandarowa wartość Elo została uzyskana z modelem strony trzeciej w połowie potoku dotyczącej specyfikacji. Jeśli pominiesz enhancer i sam napiszesz layout, zostajesz sam z liczbami — co jest w porządku, bo nikt nie odtworzył również wyników OpenMOSS-a.

Wybierz GPT Image 2.5, jeśli w tym tygodniu potrzebujesz wywoływalnego punktu końcowego, jeśli Twoja praca polega na iteracyjnej edycji, a nie na komponowaniu układu, lub jeśli niezależny benchmark z opublikowaną metodologią ma większe znaczenie dla Twojej decyzji niż ustrukturyzowany interfejs sterowania. Rozwidlenie na dwa warianty oznacza dodatkową decyzję — Sunburst, gdy edycja jest produktem końcowym, Flare jako domyślny — a rachunek rozliczany za tokeny trudniej przewidzieć niż stawkę za obraz, ale model jest na szczycie jedynego neutralnego rankingu obejmującego edycję, a to ma wartość, której nie ma własna tabela dostawcy.

Luka, która najbardziej zmieniłaby to porównanie, leży po stronie OpenAI, a nie po stronie OpenMOSS: opublikowana ewaluacja kontroli układu albo niezależny benchmark układu obejmujący oba modele. Dopóki żadne z nich nie istnieje, oba systemy są mierzone na różnych osiach przez różnych ludzi, a zdanie, które najlepiej opisuje stan rzeczy, brzmi: MOSS-Image ma bardziej jednoznaczny interfejs, a GPT Image 2.5 ma bardziej niezależne dowody.

Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i znacznik sporności.