MOSS-Image vs GPT Image 2.5: En nedladdningsbar 5B-backbone mot två snapshottade modeller

Börja med namngivningen, för det är det som förvirrar folk först. Det finns ingen modell som heter gpt-image-2.5. Det som finns är ett par – GPT Image 2.5 Sunburst, med identifieraren gpt-image-2.5-sunburst, och GPT Image 2.5 Flare, med identifieraren gpt-image-2.5-flare – båda snapshottade 2026-09-08 och båda stängda. Mot dem står M​OSS-Image, som släpptes av OpenMOSS den 16 oktober 2026 som två Apache 2.0-checkpoints, M​OSS-Image-Base och M​OSS-Image-SFT, som du laddar ner och kör. Den ena sidan säljer en endpoint till dig; den andra ger dig 27 gigabyte och önskar dig lycka till med encodern.

Det är jämförelsens hela form, och nästan varje annan skillnad följer av den. Jämförelsen nedan behandlar de två O​penAI-varianterna som en enda sida endast där O​penAIs egen prissättning och dokumentation behandlar dem som en — vilket stämmer för prislistan men inte för förmågan, och den distinktionen får ett eget avsnitt. Varje siffra som tillskrivs O​penAI kommer från O​penAIs publicerade prislista; varje siffra som tillskrivs M​OSS-Image kommer från OpenMOSS själva, från releasen och dess tekniska rapport, och har inte reproducerats av någon.

Två modeller mot en nedladdning

OpenAI:s 2.5-generation är en fork snarare än en versionshöjning. Tidigare generationer levererade ett primärt modell-ID och bad dig välja en kvalitetsnivå inom det. Med 2.5 finns det två separat namngivna, separat snapshottade modeller och inget paraplyalias — kod skriven mot ett bart gpt-image-2.5 kommer inte att köras. Sunburst är positionerad för kapacitet, Flare för hastighet, och båda debiteras identiskt, så valet mellan dem är ett beslut om latens och precision snarare än en budgetfråga.

MOSS-Image är också två modeller, men uppdelningen är en träningsuppdelning snarare än en produktuppdelning. Base är den förtränade checkpointen, avsiktligt lämnad odestillerad — modellkortet säger uttryckligen att ingen efterträning eller destillering av inferensparametrar såsom CFG tillämpades, för att bevara träningsinformation och hålla LoRA-träning genomförbar. SFT är finjusterad på kurerad data och är den som de flesta bör köra. Leverantörens jämförelseexempel visar att SFT producerar tätare textgruppering och en mer organiserad layout på samma prompt, vilket är vad en finjustering på kurerad data av en odestillerad bas bör göra.

• Vad du kallar det – GPT Image 2.5: två ID:n, gpt-image-2.5-sunburst och gpt-image-2.5-flare, inget bart alias. M​OSS-Image: två repositorier, OpenMOSS-Team/M​OSS-Image-Base och OpenMOSS-Team/M​OSS-Image-SFT, med ModelScope-speglar för båda.

• Vad du får — GPT Image 2.5: en OpenAI-kompatibel endpoint och ett snapshot-datum. MOSS-Image: safetensors-vikter, en anpassad Diffusers-pipeline, en Gradio-app och ett native ComfyUI-plugin som kan installeras via ComfyUI Manager.

• Vad det kostar — GPT Image 2.5: mäts i tokens, 8,00 USD per miljon bildindata och 30,00 USD per miljon bildutdata, batchkörning till halva priset. M​OSS-Image: inget för licensen, allt för GPU:n.

• Vems licens styr utdata — GPT Image 2.5: O​penAI:s villkor, som inte återges i själva utvecklardokumentationen. M​OSS-Image: Apache 2.0 för vikter och medföljande inferenskod, inget intäktströskelvärde och ingen bilaga för godtagbar användning.

Layoutkontroll, och modulen som inte är modellens

Båda systemen låter dig placera saker med koordinater. De är inte likvärdiga när det gäller vad som ligger bakom koordinaterna.

MOSS-Images layoutformat tar ett JSON-objekt som prompt: en summary med scenbildtexten, och en itemsarray där varje element har en etikett av text, character eller object, en bildtext, en bounding box och – för text – den litterala strängen som ska renderas. Rutor använder bbox_format: "yxyx" i bbox_coord_space: "abs_centralized", vilket betyder pixelförskjutningar från canvasens centrum.

GPT Image 2.5:s dokumenterade gränssnitt är inte en layoutgrammatik. Dess kontrollgränssnitt är prompten själv plus referensbilder; det layoutstilsbeteende som visar sig i 2.5-generationens styrkor inom redigering uttrycks genom iterativa redigeringar snarare än genom en strukturerad boxspecifikation. Det är en verklig kapacitetsskillnad, och det är det enda stället där MOSS-Images gränssnitt är mer explicit än OpenAIs.

Förbehållet på M​OSS-Image-sidan är värt att nämna innan någon benchmark: modulen för promptförbättring som förvandlar en kort idé till en fullständig layoutspecifikation är inte en liten modell som är OpenMOSS egen. Den tekniska rapporten anger att LayoutPE använder G​PT-6 med modulära uppgiftsinstruktioner vid inferenstid, och den medföljande prompt-enhancer-färdigheten beskrivs som utformad för agenter i G​PT-6-familjen. Det starkaste end-to-end-layoutresultatet i OpenMOSS egen utvärdering produceras därför av en pipeline med två modeller, vars specifikationsdel körs på någon annans API. Om du använder M​OSS-Image utan den förbättraren tillhandahåller du layout-JSON själv, och pipelinen du mäter är en annan.

Bevisningen, och hur tunn den är på båda sidor

OpenMOSS utvärderade M​OSS-Image på två benchmarks som medföljer releasen och som leverantören också har byggt. LongLongTextBench består av 240 uppgifter för litterär textrendering, 120 engelska och 120 kinesiska, med en genomsnittlig mållängd på 1 339,8 tecken. RealLayoutArena består av 61 designuppgifter – 20 affischer, 20 infografiker, 21 användargränssnitt – bedömda genom blind parvis jämförelse och anpassade till en Bradley–Terry-Elo-skala. På end-to-end-arenan hamnar M​OSS-Image på 1 698,70 Elo med ett 95-procentigt intervall på 1 655,96 till 1 741,43, näst bäst totalt efter GPT Image 2 på 1 844,35. Begränsat till enbart backbone under gemensamma förbättrade prompter kommer M​OSS-Image först på 1 807,34.

Läs det noggrant. Det benchmark där MOSS-Image placerar sig först är det där jämförelsen är begränsad till generatorn och promptförbättringen är gemensam — vilket är exakt den konfiguration som tar bort tredjepartsspecifikationsproblemet. Det benchmark där den placerar sig tvåa är det end-to-end-baserade. Inget av dem är ett neutralt test.

OpenAI publicerar inget jämförbart riktmärke för layout eller textrendering för GPT Image 2.5. De oberoende bevis som finns för OpenAI-modellerna finns på Artificial Analysis-tavlorna, där 2.5-varianterna har de två topplaceringarna på bildredigeringsleaderboarden. Det är en blindpreferensmätning med en publicerad metodik, och den testar inte layoutkontroll överhuvudtaget. Så de två modellerna mäts på disjunkta axlar av olika parter, och frestelsen att sätta 1698.70 bredvid ett Elo-värde från en resultattavla är något man bör motstå — de är inte samma skala och de mäter inte samma sak.

Vad var och en kostar vid volymköp

GPT Image 2.5 mäts i tokens, enligt en prislista som är identisk med GPT Image 2: 5,00 USD per miljon textinmatningstokens, med cachad text för 1,25 USD, 8,00 USD per miljon bildindata, med cachad bild för 2,00 USD, och 30,00 USD per miljon bildutdata. Batch halverar vart och ett. Det finns inget pris per bild på leverantörens sida och ingen kostnadsfri kvot, så det enda sättet att komma fram till en siffra per bild är en omvandling – och de oberoende resultattavlorna publicerar en, för närvarande nära 0,21 USD per bild för en högkvalitativ 1024×1024. Betrakta det som en härledning från en resultattavla, inte som OpenAI:s pris.

MOSS-Image har ingen prislista eftersom det inte finns något att fakturera. Kostnaden är maskinen. SFT-repositoriet är cirka 27,2 GB, och siffran som överraskar folk är uppdelningen: ungefär 16,8 GB fördelat på fyra shardar utgör den frysta Qwen3.5-9B-textkodaren och ungefär 10,2 GB fördelat på tre utgör själva transformatorn. 5B-beteckningen beskriver bara diffusionsgeneratorn. Standardinställningarna för sampling är flow-matching Euler vid 50 steg, CFG 3,0, shift 5,0, med negativ-grenad skip-layer-guidning vid lager 22 – och standardguidningsvägen kräver två framåtpassningar genom transformatorn per steg, vilket är anledningen till att 50 steg inte är den billiga inställningen som det låter som.

Vid hundratusen bilder i månaden landar den tokenmätta sidan på låga tiotusentals dollar; den nedladdade sidan landar där din GPU-hyrning landar. Det är ingen jämförelse som smickrar någon av parterna, vilket är varför beslutet oftast hänger på något annat: om du kan leverera en konfigurationsändring eller behöver ett inköpssamtal.

Att köra de två sida vid sida

Om du vill avgöra det här med dina egna prompter i stället för på någon annans topplista, sitter de två sidorna i varsin ände av en gräns som vår egen produkt inte korsar på mitten. MOSS-Image finns inte med i OrcaRouter-katalogen — vi betjänar fler än 200 modeller och det är inte en av dem — så halvan med öppna vikter av experimentet får du hosta själv. GPT Image 2.5 Sunburst och Flare kan routas via samma OpenAI-kompatibla endpoint som allt annat i katalogen, till leverantörens listpriser på 8 dollar per miljon input-tokens för bilder och 30 dollar per miljon output-tokens för bilder, utan något påslag från vår sida.

Det användbara med det upplägget för en jämförelse som den här är failover-beteendet. När du kör en benchmarkningsloop som skickar ut flera hundra prompter till en hostad modell förvandlas en hastighetsbegränsning på leverantörssidan eller en dålig minut till tappade sampel, och automatisk redundansväxling mellan leverantörer innebär att loopen blir klar i stället för att lämna dig med en halvfylld resultattabell. Huruvida svaret som kommer tillbaka från reservalternativet är jämförbart med det primära är en fråga du bör avgöra innan du börjar, inte efteråt.

Vilken sida av gränsen du är på

Välj M​OSS-Image om du vill ha vikterna. Apache 2.0 utan intäktstak är en kort kommersiell granskning, Base-checkpointen lämnades uttryckligen odestillerad för LoRA-träning, layout-JSON är en riktig specifikation snarare än en promptkonvention, och du kan peka en ComfyUI-installation mot den redan idag. Utgå från att encodern är själva nedladdningen, att en standard på 50 steg med två framåtpassningar per steg är en verklig kostnad för servering, och att den framhävda Elo-siffran togs fram med en tredjepartsmodell i specifikationshalvan av pipelinen. Om du hoppar över enhancern och skriver layouten själv, är du på egen hand när det gäller siffrorna — vilket är okej, för ingen har reproducerat OpenMOSS:s heller.

Välj GPT Image 2.5 om du behöver en anropbar slutpunkt den här veckan, om ditt arbete är iterativ redigering snarare än komponerad layout, eller om ett oberoende benchmark med publicerad metodik betyder mer för ditt beslut än ett strukturerat kontrollgränssnitt gör. Förgreningen med två varianter innebär ett extra beslut – Sunburst när redigeringen är det som ska levereras, Flare som standard – och den tokenmätta fakturan är svårare att förutse än ett pris per bild, men modellen ligger i topp på den enda neutrala resultattavlan som täcker redigering, och det är värt något som en leverantörs egen tabell inte är.

Den lucka som mest skulle förändra den här jämförelsen finns på O​penAI-sidan, inte på OpenMOSS-sidan: en publicerad utvärdering av layoutkontroll, eller ett oberoende layoutriktmärke som omfattar båda modellerna. Tills en sådan finns mäts de två systemen på olika axlar av olika personer, och meningen som bäst beskriver läget är att M​OSS-Image har det mer explicita gränssnittet och GPT Image 2.5 har den mer oberoende evidensen.

De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.