MOSS-Image vs GPT Image 2.5: Um Backbone 5B Baixável Contra Dois Modelos em Snapshot

Comece pela nomenclatura, porque é isso que confunde as pessoas logo de cara. Não existe um modelo chamado gpt-image-2.5. O que existe é um par — GPT Image 2.5 Sunburst, identificador gpt-image-2.5-sunburst, e GPT Image 2.5 Flare, identificador gpt-image-2.5-flare — ambos com snapshot de 2026-09-08 e ambos fechados. Em contrapartida, há o M​OSS-Image, lançado pela OpenMOSS em 16 de outubro de 2026 como dois checkpoints Apache 2.0, M​OSS-Image-Base e M​OSS-Image-SFT, que você baixa e executa. Um lado vende um endpoint para você; o outro entrega 27 gigabytes e deseja boa sorte com o encoder.

Essa é toda a forma da comparação, e quase todas as outras diferenças decorrem dela. A comparação abaixo trata as duas variantes da OpenAI como um único lado apenas onde a precificação e a documentação da própria OpenAI as tratam como um só — o que é verdadeiro para a tabela de preços e falso para a capacidade, e essa distinção ganha sua própria seção. Todo número atribuído à OpenAI é a tabela de preços publicada da OpenAI; todo número atribuído ao MOSS-Image é do próprio OpenMOSS, proveniente do lançamento e de seu relatório técnico, e não reproduzido por ninguém.

Dois modelos contra um download

A geração 2.5 da OpenAI é um fork, e não um simples incremento de versão. As gerações anteriores traziam um único ID de modelo principal e pediam que você escolhesse um nível de qualidade dentro dele. Com a 2.5, há dois modelos com nomes separados e snapshots separados, e nenhum alias abrangente — código escrito para um simples gpt-image-2.5 não vai funcionar. O Sunburst é posicionado para capacidade, o Flare para velocidade, e ambos cobram de forma idêntica, então a escolha entre eles é uma decisão de latência e precisão, e não de orçamento.

O MOSS-Image também é composto por dois modelos, mas a divisão é uma divisão de treinamento, e não uma divisão de produto. O Base é o checkpoint pré-treinado, deliberadamente deixado sem destilação — o model card diz explicitamente que nenhum pós-treinamento ou destilação de parâmetros de inferência, como CFG, foi aplicado, para preservar informações de treinamento e manter o treinamento LoRA viável. O SFT é ajustado com dados curados e é o que a maioria das pessoas deveria usar. O exemplo de comparação do fornecedor mostra o SFT produzindo um agrupamento de texto mais coeso e um layout mais organizado no mesmo prompt, que é o que um ajuste fino com dados curados de uma base não destilada deveria fazer.

• Como você o chama — GPT Image 2.5: dois IDs, gpt-image-2.5-sunburst e gpt-image-2.5-flare, sem alias simples. M​OSS-Image: dois repositórios, OpenMOSS-Team/M​OSS-Image-Base e OpenMOSS-Team/M​OSS-Image-SFT, com espelhos no ModelScope para ambos.

• O que você recebe — GPT Image 2.5: um endpoint compatível com a O​penAI e uma data de snapshot. M​OSS-Image: pesos safetensors, um pipeline personalizado do Diffusers, um app Gradio e um plugin nativo do ComfyUI instalável pelo ComfyUI Manager.

• Quanto custa — GPT Image 2.5: cobrado em tokens, US$ 8,00 por milhão de tokens de entrada de imagem e US$ 30,00 por milhão de tokens de saída de imagem; em lote, pela metade. M​OSS-Image: nada pela licença, tudo pela GPU.

• Qual licença rege a saída — GPT Image 2.5: os termos da OpenAI, que não são reproduzidos na própria documentação do desenvolvedor. MOSS-Image: Apache 2.0 para os pesos e o código de inferência incluído, sem limite de receita e sem anexo de uso aceitável.

Controle de layout, e o módulo que não é o do modelo.

Ambos os sistemas permitem posicionar coisas por coordenadas. Eles não são equivalentes quanto ao que está por trás das coordenadas.

O formato de layout do M​OSS-Image usa um objeto JSON como prompt: um summary com a legenda da cena, e um array de items onde cada elemento tem um rótulo de text, character ou object, uma legenda, uma caixa delimitadora e — para texto — a string literal a ser renderizada. As caixas usam bbox_format: "yxyx" em bbox_coord_space: "abs_centralized", ou seja, deslocamentos em pixels a partir do centro da tela.

A interface documentada do GPT Image 2.5 não é uma gramática de layout. Sua superfície de controle é o próprio prompt, além de imagens de referência; o comportamento de estilo de layout que aparece nos pontos fortes de edição da geração 2.5 é expresso por meio de edições iterativas, e não de uma especificação estruturada de caixas. Essa é uma diferença real de capacidade, e é o único ponto em que a interface do M​OSS-Image é mais explícita do que a da O​penAI.

A ressalva do lado do MOSS-Image vale a pena ser mencionada antes de qualquer benchmark: o módulo de aprimoramento de prompt que transforma uma ideia curta em uma especificação completa de layout não é um modelo pequeno da própria OpenMOSS. O relatório técnico afirma que o LayoutPE usa o GPT-6 com instruções modulares de tarefa no momento da inferência, e a habilidade de aprimoramento de prompt incluída é descrita como projetada para agentes da família GPT-6. O resultado de layout ponta a ponta mais forte na própria avaliação da OpenMOSS é, portanto, produzido por um pipeline de dois modelos cuja metade responsável pela especificação roda na API de outra pessoa. Se você usar o MOSS-Image sem esse aprimorador, você mesmo estará fornecendo o JSON de layout, e o pipeline que você está medindo é outro.

A evidência, e como ela é tênue de ambos os lados

A OpenMOSS avaliou o MOSS-Image em dois benchmarks que acompanham o lançamento e que também foram criados pelo fornecedor. O LongLongTextBench é composto por 240 tarefas de renderização de texto literário, 120 em inglês e 120 em chinês, com um comprimento-alvo médio de 1.339,8 caracteres. O RealLayoutArena é composto por 61 tarefas de design — 20 pôsteres, 20 infográficos, 21 interfaces de usuário — julgadas por comparação pareada cega e ajustadas a uma escala Elo Bradley–Terry. Na arena ponta a ponta, o MOSS-Image alcança 1698,70 Elo, com um intervalo de 95% de 1655,96 a 1741,43, em segundo lugar no geral, atrás do GPT Image 2, com 1844,35. Restrito apenas ao backbone sob prompts aprimorados compartilhados, o MOSS-Image fica em primeiro lugar, com 1807,34.

Leia isso com atenção. O benchmark no qual o MOSS-Image fica em primeiro lugar é aquele em que a comparação é restrita ao gerador e o aprimoramento do prompt é compartilhado — que é exatamente a configuração que elimina o problema de especificação de terceiros. O benchmark no qual ele fica em segundo lugar é o de ponta a ponta. Nenhum dos dois é um teste neutro.

A OpenAI não publica nenhum benchmark comparável de layout ou renderização de texto para o GPT Image 2.5. As evidências independentes que existem para os modelos da OpenAI estão nos rankings da Artificial Analysis, onde as variantes 2.5 ocupam as duas primeiras posições no ranking de edição de imagens. Essa é uma medição de preferência cega com metodologia publicada, e ela não testa controle de layout de forma alguma. Assim, os dois modelos são medidos em eixos disjuntos por partes diferentes, e é preciso resistir à tentação de colocar 1698,70 ao lado de um Elo de ranking — eles não estão na mesma escala e não estão medindo a mesma coisa.

Quanto custa cada um em volume

O GPT Image 2.5 mede em tokens, numa tabela de preços idêntica à do GPT Image 2: US$ 5,00 por milhão de tokens de entrada de texto, com texto em cache a US$ 1,25; US$ 8,00 por milhão de entrada de imagem, com imagem em cache a US$ 2,00; e US$ 30,00 por milhão de saída de imagem. O batch reduz cada valor pela metade. Não há preço por imagem na página do fornecedor nem franquia gratuita, então o único caminho para se chegar a um valor por imagem é uma conversão — e os boards independentes publicam um, atualmente perto de US$ 0,21 por imagem para uma 1024×1024 de alta qualidade. Trate isso como uma derivação de board, não como o preço da OpenAI.

MOSS-Image não tem tabela de preços porque não há nada a cobrar. O custo é a máquina. O repositório SFT tem cerca de 27,2 GB, e o número que surpreende as pessoas é a divisão: aproximadamente 16,8 GB distribuídos em quatro shards são o codificador de texto Qwen3.5-9B congelado, e cerca de 10,2 GB distribuídos em três são o próprio transformer. O selo 5B descreve apenas o gerador de difusão. Os padrões de amostragem são Euler de correspondência de fluxo em 50 passos, CFG 3,0, shift 5,0, com orientação de skip-layer do ramo negativo na camada 22 — e o caminho de orientação padrão precisa de duas passagens forward do transformer por passo, e é por isso que 50 passos não é a configuração barata que parece.

A cem mil imagens por mês, o lado com medição por token fica na casa dos dez a vinte mil dólares; o lado do download fica onde o aluguel da sua GPU ficar. Essa não é uma comparação que favoreça um lado ou outro, e é por isso que a decisão geralmente depende de outra coisa: se você consegue implantar uma mudança de configuração ou precisa de uma conversa com o setor de compras.

Executando os dois lado a lado

Se você quer resolver isso com seus próprios prompts, e não no leaderboard de outra pessoa, os dois lados ficam em extremos opostos de uma fronteira que nosso próprio produto não atravessa no meio. O MOSS-Image não está no catálogo da OrcaRouter — servimos mais de 200 modelos e ele não é um deles —, então cabe a você hospedar a metade de pesos abertos do experimento. GPT Image 2.5 Sunburst e Flare são roteáveis pelo mesmo endpoint compatível com OpenAI usado por todo o resto do catálogo, às tarifas de tabela do provedor de US$ 8 por milhão de tokens de entrada de imagem e US$ 30 por milhão de tokens de saída de imagem, sem nenhum acréscimo da nossa parte.

A parte útil dessa configuração para uma comparação como esta é o comportamento de failover. Quando você executa um loop de benchmarking que dispara várias centenas de prompts contra um modelo hospedado, um limite de taxa do lado do provedor ou um minuto ruim se transforma em amostras descartadas, e o failover automático entre provedores significa que o loop termina em vez de deixar você com uma tabela de resultados parcialmente preenchida. Se a resposta que volta do fallback é comparável à primária é uma questão que você deve decidir antes de começar, não depois.

De que lado da fronteira você está

Escolha o MOSS-Image se você quer os pesos. Apache 2.0 sem teto de receita é uma breve análise comercial, o checkpoint Base foi explicitamente deixado não destilado para treinamento de LoRA, o JSON de layout é uma especificação real e não uma convenção de prompt, e você pode apontar uma instalação do ComfyUI para ele hoje. Vá ciente de que o encoder é o download, que um padrão de 50 passos com dois forwards por passo é um custo real de serving, e que o número de Elo de destaque foi produzido com um modelo de terceiros na metade de especificação do pipeline. Se você pular o aprimorador e escrever o layout por conta própria, você fica por sua conta com os números — o que é aceitável, porque ninguém reproduziu os da OpenMOSS também.

Escolha o GPT Image 2.5 se precisar de um endpoint chamável esta semana, se o seu trabalho for edição iterativa em vez de composição de layout, ou se um benchmark independente com metodologia publicada for mais importante para a sua decisão do que uma interface de controlo estruturada. A bifurcação em duas variantes implica uma decisão extra — Sunburst quando a edição é o produto final, Flare como predefinição — e a fatura medida por tokens é mais difícil de prever do que uma tarifa por imagem, mas o modelo está no topo do único quadro neutro que abrange edição, e isso vale algo que a tabela do próprio fornecedor não vale.

A lacuna que mais mudaria esta comparação está do lado da OpenAI, não do lado da OpenMOSS: uma avaliação publicada de controle de layout, ou um benchmark independente de layout que inclua os dois modelos. Enquanto não existir um, os dois sistemas estão sendo medidos em eixos diferentes por pessoas diferentes, e a frase que melhor descreve o estado atual é que o MOSS-Image tem a interface mais explícita e o GPT Image 2.5 tem a evidência mais independente.

As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.