FLUX 3 Max so với GPT-Image-2.5: Một mô hình video và một mô hình hình ảnh, được so sánh một cách trung thực

Đặt FLUX 3 Max và GPT-Image-2.5 cạnh nhau, điều đầu tiên xảy ra là một lỗi phân loại. FLUX 3 Max tạo video — mười giây video, trong mười hai giây theo Black Forest Labs — và hoàn toàn không tạo ra ảnh tĩnh. GPT-Image-2.5 tạo và chỉnh sửa ảnh tĩnh, với hai biến thể, và không tạo ra video nào. Có thể so sánh chúng, nhưng chỉ khi so sánh trung thực về mục đích của từng cái: một nhóm lựa chọn giữa chúng thực chất là đang chọn giữa một pipeline chuyển động và một pipeline ảnh tĩnh, và mức trùng lặp hẹp hơn những gì truy vấn tìm kiếm gợi ý. Phần sau tách những phần của quyết định thực sự đối đầu trực tiếp khỏi những phần không phải vậy, vì giả vờ rằng hai cái thay thế được cho nhau là cách người ta cuối cùng mua nhầm sản phẩm. Các lỗi AI và sự cố tác nhân đã được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive trong đó mỗi mục có nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp riêng.

{{1}}Các nguồn là tài liệu của chính các nhà cung cấp, được đọc vào ngày 2026-10-20: các trang về mô hình và giá của Black Forest Labs cùng schema API công khai của họ, và tài liệu dành cho nhà phát triển của OpenAI cho cả hai biến thể GPT-Image-2.5.{{/1}} Không nhà cung cấp nào công bố một benchmark độc lập về {{2}}thứ mà trang này được đặt tên theo{{/2}}, và cũng không nhà cung cấp nào công bố một con số duy nhất đưa hai bên về cùng đơn vị đo. Sự thiếu vắng đó là một sự thật về phép so sánh, không phải một khoảng trống trong nghiên cứu.

Sự không khớp, được trình bày rõ ràng

FLUX 3 Max là cấu hình nhanh nhất của FLUX 3 Video, ra mắt ngày 19 tháng 10 năm 2026. Đầu ra của nó là các clip: từ 5 đến 20 giây, với âm thanh đồng bộ gốc tùy chọn, ở độ phân giải từ HD đến 4K. Đầu vào của nó là văn bản, một hình ảnh tĩnh, một clip video hoặc các keyframe. Nó được thiết kế cho chuyển động.

GPT-Image-2.5 là mô hình tạo và chỉnh sửa hình ảnh của OpenAI, ra mắt trong API vào ngày 2026-09-08 và được phát hành dưới dạng hai mô hình có tên riêng: GPT-Image-2.5 Sunburst, định vị cho độ chính xác khi chỉnh sửa, và GPT-Image-2.5 Flare, định vị cho việc tạo nhanh hằng ngày. Đầu ra của mô hình là ảnh tĩnh, được trả về dưới dạng token và tính phí theo token. Nó được xây dựng cho các khung hình.

• Nhiệm vụ — FLUX 3 Max tạo hình ảnh chuyển động có âm thanh; GPT-Image-2.5 tạo hình ảnh tĩnh mà bạn có thể chỉnh sửa.

• Đầu vào → đầu ra — văn bản/hình ảnh/video/khung hình chính → video bằng FLUX 3 Max; văn bản/hình ảnh → hình ảnh bằng GPT-Image-2.5.

• Đơn vị tính giá — mỗi giây video đầu ra tại FLUX 3 Max; mỗi triệu token tại GPT-Image-2.5.

• Thời lượng — 5 đến 20 giây mỗi clip với FLUX 3 Max; không áp dụng với GPT-Image-2.5, vốn không có chiều thời gian.

• {{1}}Âm thanh{{/1}} — nguyên bản, được đồng bộ hóa, có sẵn trong {{2}}FLUX 3 Max{{/2}}; {{3}}GPT-Image-2.5{{/3}} thì không tạo ra âm thanh nào.

• Kết xuất văn bản — FLUX 3 Max tạo hoạt ảnh cho kiểu chữ trong một khung hình; GPT-Image-2.5 kết xuất văn bản có độ chính xác cao bên trong một ảnh tĩnh, trên nhiều ngôn ngữ, theo tài liệu của OpenAI.

Một so sánh mà trong đó một bên không thể đảm nhận công việc của bên kia theo cả hai chiều thì không phải là một chuẩn đối sánh. Đó là một quyết định giữa bản dựng này với bản dựng kia.

Nếu điều bạn cần là một hình ảnh tĩnh thì FLUX 3 Max là sản phẩm không phù hợp.

Đây là điều chỉnh quan trọng nhất, vì truy vấn "FLUX 3 Max vs GPT Image 2.5" thường được hỏi bởi người muốn tạo hình ảnh và đã nghe tên FLUX gắn liền với tốc độ.

Black Forest Labs thực sự có bán một mô hình hình ảnh. Thực ra là vài mô hình. FLUX 3 Image tạo và chỉnh sửa ảnh tĩnh với bố cục hộp giới hạn và các chỉnh sửa nhiều lượt theo phạm vi hộp lên đến 4K. FLUX 3 Image Klein là mô hình trọng số mở 5,6B được phát hành ngày 15 tháng 10 với checkpoint cơ sở để tinh chỉnh, các bản dựng FP8/INT8/NVFP4 và giấy phép cho phép sử dụng thương mại miễn phí khi doanh thu hằng năm dưới 5 triệu USD. Đó là những mô hình FLUX trả lời câu hỏi về hình ảnh. FLUX 3 Max trả lời câu hỏi về video, và mô tả chỉ mục mô hình của chính nó nói rõ điều đó: "Mô hình video nhanh nhất, chất lượng cao nhất."

Vì vậy, nếu bạn muốn ảnh tĩnh, phép so sánh thực sự là GPT-Image-2.5 với FLUX 3 Image hoặc FLUX 3 Image Klein — một màn đối chiếu thực sự ngang hàng, với giá công bố theo từng ảnh ở một bên và giá theo token ở bên kia. Trang này vẫn giữ FLUX 3 Max trong tiêu đề vì đó là thứ mọi người tìm kiếm, rồi hướng họ đến đúng sản phẩm. Mua một gói video để có ảnh tĩnh là cách tốn kém để khám phá ra sự khác biệt.

Nơi chúng thực sự cạnh tranh: pipeline cần cả hai

Có một tình huống mà hai cái tên thuộc về cùng một câu, và điều đó phổ biến trong thương mại và tiếp thị. Một chiến dịch cần ảnh tĩnh sản phẩm cho trang danh mục và chuyển động ngắn cho feed. Ảnh tĩnh đến từ một mô hình hình ảnh. Chuyển động đến từ một mô hình video. Ai đó phải lập ngân sách cho cả hai, và phép so sánh đáng chú ý là chi phí trên mỗi tài nguyên hoàn chỉnh, không phải chi phí mỗi lần gọi.

Về phía video, BFL công bố mức giá theo giây cho dòng FLUX 3 Video và không công bố một dòng riêng cho Max. Trang thanh toán của tài liệu, như được đọc vào ngày 2026-10-20:

• Văn bản thành video và hình ảnh thành video — 0,15 USD/giây HD, 0,24 USD/giây FHD, 0,28 USD/giây QHD, 0,41 USD/giây UHD.

• Video sang video và nối tiếp — $0.21/s HD, $0.27/s FHD, $0.31/s QHD, $0.45/s UHD.

• Bản nháp HD — $0.06/s, chỉ từ văn bản sang video; sau đó bản nháp được kết xuất ở chất lượng đầy đủ theo mức giá tiêu chuẩn cho gói bạn cam kết.

• Ví dụ minh họa — một clip HD dài mười giây có giá $1,50; năm giây video từ văn bản HD tiêu chuẩn là $0,85; đã bao gồm âm thanh; số giây lẻ được làm tròn lên.

Việc Max có tính phí theo các mức đó hay không vẫn chưa được xác nhận. Chú thích cuối trang của trang thanh toán cho biết mức phí phụ thuộc vào phương thức, biến thể mô hình và dải độ phân giải, đồng thời nêu tên FLUX 3 Video và FLUX 3 Video Draft là các biến thể — không phải Max. Và phần FAQ trên chính trang mô hình vẫn ghi một bảng giá khác, cao hơn cho cùng công việc: $0.17/s HD so với $0.15/s trong tài liệu, và $0.80/s UHD so với $0.41/s. Bất kỳ ai lập ngân sách cho một clip Max nên xác nhận khoản phí trên hóa đơn đầu tiên thay vì tin vào một trong hai con số được suy ra.

Về phía hình ảnh, OpenAI tính GPT-Image-2.5 theo token, giống hệt nhau cho cả hai biến thể và giống hệt như GPT-Image-2:

• Đầu vào văn bản — $5.00 mỗi 1 triệu token; đã lưu vào bộ nhớ đệm $1.25.

• Đầu vào hình ảnh — $8.00 mỗi 1 triệu token; bộ nhớ đệm $2.00.

• Đầu ra hình ảnh — $30.00 mỗi 1 triệu token; chế độ hàng loạt giảm một nửa xuống còn $15.00.

• Đầu ra văn bản — không bị tính phí, vì mô hình không tạo ra văn bản.

O​penAI không công bố giá trên từng ảnh, và ghi chú của chính họ nói rằng công cụ tính chi phí GPT Image 2 không ước tính mức sử dụng của 2.5. Vì vậy, bất kỳ con số "$X mỗi ảnh" nào cho GPT-Image-2.5 mà bạn thấy được trích dẫn đều là quy đổi của bên thứ ba, không phải của O​penAI, và việc quy đổi phụ thuộc vào kích thước và hạng chất lượng bạn chọn. Đó là thực trạng trung thực của phép tính: một bên báo giá theo giây, bên kia theo token, và cả hai nhà cung cấp đều không đưa cho bạn một con số trên mỗi tài sản mà bạn có thể đặt vào bảng tính mà không tự mình mô hình hóa.

GPT-Image-2.5 thực sự giỏi hơn ở điểm nào

Gạt các hạng mục sang một bên, có ba điều mà các mô hình O​penAI làm được mà không một phiên bản FLUX 3 nào sánh bằng, và đó là những lý do khiến phép so sánh này không phải là kết luận đã rõ ràng cho công việc ảnh tĩnh.

Đầu tiên, vòng lặp chỉnh sửa. Sunburst được định vị rõ ràng cho các quy trình nơi một chỉnh sửa được thực hiện ở lượt hai phải tồn tại qua lượt ba — trường hợp lặp đi lặp lại, không phải trường hợp một lần. FLUX 3 Image có câu trả lời riêng cho việc này, chỉnh sửa theo phạm vi hộp, nơi mọi thứ bạn không chạm vào vẫn giữ nguyên, và đó là một câu trả lời đáng gờm. Nhưng FLUX 3 Max, vì là video, không đóng góp gì ở đây.

Thứ hai, phạm vi kích thước. Cả hai biến thể GPT-Image-2.5 đều chấp nhận chuỗi WIDTHxHEIGHT tùy ý với chiều rộng và chiều cao là bội số của 16, tỷ lệ khung hình từ 1:3 đến 3:1, không có cạnh nào vượt quá 3840 pixel và tổng ngân sách pixel từ 655.360 đến 8.294.400. Các độ phân giải trên 2560×1440 được đánh dấu là thử nghiệm. Đó là một khung vẽ rộng hơn so với khung hình do preset quy định mà hầu hết các API hình ảnh cung cấp, và nó đi kèm với các bậc chất lượng — low, medium, high, xhigh, max, auto — kết hợp với lựa chọn biến thể về cả độ trễ và chi phí.

Thứ ba, giá không thay đổi. Thế hệ 2.5 giữ nguyên mức giá ảnh $8 vào / $30 ra như GPT-Image-2, trong khi GPT-Image-1.5 là $8 vào / $32 ra và GPT-Image-1 là $10 vào / $40 ra. Một bản nâng cấp năng lực với bảng giá không đổi là lập luận thực sự cho các đội vốn đã nằm trong hệ sinh thái O​penAI: không tái định giá, không cần ngân sách chuyển đổi.

FLUX 3 Max giỏi hơn ở những điểm nào và lưu ý đi kèm

Chuyển động, hiển nhiên rồi — nhưng lợi thế cụ thể đáng được nói rõ, bởi vì “nhanh hơn” đang gánh rất nhiều trọng trách trong tài liệu ra mắt.

BFL tuyên bố video mười giây trong mười hai giây, nhanh hơn 22 lần so với Seedance 2.5 ở cùng chất lượng, và đồng hạng nhất trong image-to-video. Không có điều nào trong số đó được xác minh độc lập, và bài đăng ra mắt không cung cấp độ phân giải, cấu hình âm thanh, phần cứng hay kích thước mẫu. Bản thân trang video vẫn giới thiệu chế độ nháp là đường nhanh — một bản xem trước HD giá rẻ mà sau đó bạn chuyển sang chất lượng đầy đủ — một điều kỳ lạ đối với một sản phẩm được cho là kết xuất mọi thứ trong mười hai giây. Và giao diện API công khai không có endpoint /v1/flux-3-max; endpoint video của dòng sản phẩm là /v1/flux-3-video, mà phần thân yêu cầu không có trường nào chọn Max. Một ngày sau khi ra mắt, mô hình là một danh mục sản phẩm trước khi là một API được tài liệu hóa.

Điều không còn phải nghi ngờ là bộ tính năng bên dưới: clip dài 5–20 giây, âm thanh đồng bộ nguyên bản không phụ phí, đối thoại đa ngôn ngữ, điều khiển keyframe, nhiều cảnh trong mỗi lần tạo và độ phân giải lên đến 4K. Với một đội ngũ thương hiệu cần bản cắt dài mười lăm giây cho mạng xã hội có âm thanh, đây là bên duy nhất trong phép so sánh có thể cung cấp được điều đó.

Quyết định, dựa trên công việc cần hoàn thành

Bạn cần ảnh tĩnh, với số lượng lớn, kèm chỉnh sửa. GPT-Image-2.5 Flare làm mặc định và Sunburst ở những trường hợp bản chỉnh sửa phải giữ nguyên. FLUX 3 Max không liên quan đến công việc này; FLUX 3 Image hoặc FLUX 3 Image Klein là các lựa chọn thay thế FLUX đáng để so giá với nó. Cả hai biến thể GPT-Image-2.5 đều đang có trong danh mục trực tuyến của OrcaRouter hôm nay ở mức giá hình ảnh $8 đầu vào / $30 đầu ra, nghĩa là bạn có thể A/B chúng với một mô hình hình ảnh từ nhà cung cấp khác trên cùng một khóa thay vì hai hợp đồng.

Bạn cần chuyển động ngắn kèm âm thanh. FLUX 3 Max là ứng viên duy nhất trong cặp này, và câu hỏi là liệu tuyên bố tốc độ chưa được kiểm chứng của nó có đúng với nội dung của bạn hay không. Hãy kiểm thử nó bằng prompt của riêng bạn ở độ phân giải của riêng bạn, và định giá nó theo bảng giá FLUX 3 Video đã công bố cho đến khi BFL công bố một dòng Max.

Bạn cần cả hai, ở quy mô sản xuất. Mô hình chi phí thực sự quan trọng là tính theo từng tài nguyên hoàn thiện, và không nhà cung cấp nào đưa nó cho bạn một cách trực tiếp. Hãy tự lập ước tính: số giây video nhân với mức giá mỗi giây, đối chiếu với mức tiêu thụ token cho mỗi hình ảnh ở kích thước và hạng chất lượng bạn chọn. Sau đó kiểm tra ước tính đó với một tuần hóa đơn thực tế, vì cả hai bảng giá đều không đủ ổn định để lập kế hoạch mà không kiểm chứng — tài liệu và trang mô hình của chính BFL báo giá video khác nhau cho cùng các chế độ, còn công cụ tính của O​penAI không bao gồm 2.5.

Bạn cần giữ cánh cửa mở. Đây là trường hợp một router khẳng định được chỗ đứng của mình thay vì chỉ là một chiếc phích cắm. Các thế hệ mô hình video và hình ảnh đang thay đổi với nhịp vài tuần — FLUX 3 Max ra mắt hôm qua, GPT-Image-2.5 sáu tuần trước — và chi phí để chuyển sang mô hình tiếp theo chỉ nên là một thay đổi cấu hình. OrcaRouter cung cấp cho bạn một endpoint tương thích O​penAI duy nhất trên hơn 200 mô hình với giá niêm yết của nhà cung cấp được chuyển thẳng đến bạn với mức đánh dấu 0%, tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm, và một DSL định tuyến có thể gửi ảnh tĩnh đến một mô hình và video đến một mô hình khác từ cùng một khóa. FLUX 3 Max hiện chưa có trong danh mục đó; các biến thể GPT-Image-2.5 thì có.

Điều gì sẽ khiến đây trở thành một so sánh thực sự?

Ba bằng chứng sẽ biến trang này từ một bản chỉnh lý hạng mục thành một cuộc so tài trực diện thực sự, và hiện chưa có bằng chứng nào như vậy. Một hội đồng chất lượng hình ảnh độc lập đặt FLUX 3 Image bên cạnh cả hai biến thể GPT-Image-2.5 trên cùng một bộ khung thử nghiệm được chuẩn hóa. Một giây video được định giá theo cùng đơn vị như một ảnh tĩnh, nghĩa là nhà cung cấp công bố chi phí trên mỗi tài sản hoàn chỉnh thay vì mỗi giây hoặc mỗi token. Và một mức giá riêng cho Max từ BFL, để phần video trong bảng chi phí không còn là suy đoán.

Cho đến lúc đó, lập trường tỉnh táo là lập trường mà trang này đã thể hiện: mua loại hình bạn cần từ nhà cung cấp bán nó, giữ lựa chọn có thể đảo ngược, và cảnh giác với mọi so sánh đặt mức giá mỗi giây cạnh mức giá mỗi token rồi gọi kết quả là người thắng. Hai mô hình không phải đối thủ. Chúng là những công cụ kề cận, và sai lầm thực sự duy nhất là chọn nhầm công cụ.