MOSS-Image vs GPT Image 2.5：可下载的 5B 骨干网络对阵两个快照模型

先说命名，因为这是最先让人绊倒的地方。并不存在叫做 gpt-image-2.5 的模型。存在的是一个组合——GPT Image 2.5 Sunburst，标识符为 gpt-image-2.5-sunburst，以及 GPT Image 2.5 Flare，标识符为 gpt-image-2.5-flare——二者均于 2026-09-08 生成快照，且均为闭源。与之相对的是 M​OSS-Image，由 OpenMOSS 于 2026 年 10 月 16 日以两个 Apache 2.0 检查点发布，即 M​OSS-Image-Base 和 M​OSS-Image-SFT，供你下载并运行。一方卖给你一个端点；另一方递给你 27 GB，并在编码器上祝你好运。

这就是整个比较的全貌，几乎所有其他差异都由此衍生。下文的比较只在 O​penAI 自己的定价和文档将两个 O​penAI 变体视为一体之处，才把它们当作同一方——这对价目表成立，对能力则不成立，而这一区别会有单独一节讨论。所有归于 O​penAI 的数字都来自 O​penAI 公布的价目表；所有归于 M​OSS-Image 的数字都来自 OpenMOSS 自己，出自其发布公告和技术报告，且未获任何人复现。

两个模型对比一次下载

OpenAI 的 2.5 代是一次分支，而不是一次版本升级。此前的几代只提供一个主模型 ID，让你在其中选择质量档位。到了 2.5 代，出现了两个分别命名、分别打快照的模型，也没有统一的别名——针对裸写的 gpt-image-2.5 编写的代码将无法运行。Sunburst 定位为能力优先，Flare 定位为速度优先，两者的计费完全相同，因此在这两者之间做选择，是延迟与精度的取舍，而非预算考量。

MOSS-Image 同样包含两个模型，但这种划分是训练层面的划分，而非产品层面的划分。Base 是预训练检查点，被有意保持未蒸馏——模型卡明确表示，没有应用任何后训练，也没有对 CFG 等推理参数进行蒸馏，以保留训练信息并让 LoRA 训练仍然可行。SFT 是在精选数据上微调得到的，也是大多数人应该运行的版本。厂商的对比示例显示，在相同提示词下，SFT 能产生更紧密的文本分组和更有条理的布局，而这也正是一个未蒸馏的基础模型在精选数据上微调后应有的表现。

• 你如何称呼它——GPT Image 2.5：两个 ID，gpt-image-2.5-sunburst 和 gpt-image-2.5-flare，没有裸别名。MOSS-Image：两个仓库，OpenMOSS-Team/MOSS-Image-Base 和 OpenMOSS-Team/MOSS-Image-SFT，两者均配有 ModelScope 镜像。

• 你将获得的内容 — GPT Image 2.5：一个兼容 OpenAI 的端点和一个快照日期。MOSS-Image：safetensors 权重、Diffusers 自定义管道、Gradio 应用，以及一个可通过 ComfyUI Manager 安装的原生 ComfyUI 插件。

• 成本如何——GPT Image 2.5：按 token 计量，图像输入每百万 $8.00，图像输出每百万 $30.00，批量处理半价。MOSS-Image：许可证免费，全花在 GPU 上。

• 输出受谁的许可协议约束——GPT Image 2.5：OpenAI 的条款，开发者文档本身并未转载这些条款。MOSS-Image：权重和随附推理代码采用 Apache 2.0，既没有收入门槛，也没有可接受使用附录。

布局控制，以及那个不属于模型的模块

两种系统都允许你按坐标放置内容。但它们在坐标背后所代表的东西上并不等同。

MOSS-Image 的布局格式以 JSON 对象作为提示词：一个 summary（包含场景说明）以及一个 items 数组，其中每个元素都有一个标签，取值为 text、character 或 object，一个说明文字、一个边界框，以及——对于文本——要渲染的字面字符串。边界框使用 bbox_format: "yxyx"，位于 bbox_coord_space: "abs_centralized" 中，表示相对于画布中心的像素偏移。

GPT Image 2.5 的文档化接口并不是一种布局语法。它的控制面是提示词本身加上参考图像；在 2.5 代编辑优势中显现出来的布局风格行为，是通过迭代编辑来表达的，而不是通过结构化的框选规格来表达。这是一个真实的能力差异，也是 MOSS-Image 的接口比 OpenAI 更明确的地方。

MOSS-Image 这边的注意事项值得在任何基准测试之前说明：那个把简短想法转化为完整布局规范的提示增强模块，并不是 OpenMOSS 自家的小模型。技术报告指出，LayoutPE 在推理时使用带模块化任务指令的 GPT-6，而随附的提示增强技能被描述为专为 GPT-6 系列智能体设计。因此，在 OpenMOSS 自己的评估中，最强的端到端布局结果是由一个双模型流水线产生的，其中负责规范的那一半运行在别人的 API 上。如果你在没有那个增强器的情况下使用 MOSS-Image，你就得自己提供布局 JSON，而你衡量的就是另一条流水线了。

证据，以及双方的理由有多么单薄

OpenMOSS 在两个随该发布版本一同提供、且同样由该厂商构建的基准上评估了 MOSS-Image。LongLongTextBench 包含 240 项文学文本渲染任务，其中 120 项为英文、120 项为中文，平均目标长度为 1,339.8 个字符。RealLayoutArena 包含 61 项设计任务——20 张海报、20 张信息图、21 个用户界面——通过盲法成对比较进行评判，并拟合到 Bradley–Terry Elo 量表。在端到端竞技场中，MOSS-Image 以 1698.70 Elo 得分，95% 区间为 1655.96 至 1741.43，总体排名第二，仅次于获得 1844.35 的 GPT Image 2。在共享增强提示下仅限主干模型时，MOSS-Image 以 1807.34 位居第一。

仔细读一下。MOSS-Image 排名第一的那个基准测试，是将比较限制在生成器上、并且共享提示增强的测试——而这恰恰是消除了第三方规格问题的配置。它排名第二的基准测试是端到端的那一个。两者都不是中立的测试。

O​penAI 并未为 GPT Image 2.5 发布可比的布局或文本渲染基准测试。针对 O​penAI 模型存在的独立证据来自 Artificial Analysis 榜单，其中 2.5 版本在图像编辑排行榜上占据前两名。那是一项采用已发布方法的盲测偏好测量，且完全不测试布局控制。因此，这两个模型由不同方在互不相交的维度上进行测量，而把 1698.70 与榜单 Elo 并列的冲动应当被抵制——它们不是同一尺度，也不是在测量同一件事。

批量采购时每个的成本

GPT Image 2.5 以 token 计量，采用与 GPT Image 2 完全相同的费率卡：每百万文本输入 token 5.00 美元，缓存文本为 1.25 美元；每百万图像输入 8.00 美元，缓存图像为 2.00 美元；每百万图像输出 30.00 美元。Batch 会将各项减半。供应商页面上没有按图像计价的价格，也没有免费额度，因此得到单图价格的唯一途径是进行换算——而独立榜单发布了一个数字，目前高质量 1024×1024 约为每张图像 0.21 美元。应将其视为榜单的推算值，而非 OpenAI 的价格。

MOSS-Image 没有价目表，因为没有什么可计费的。成本在于机器本身。SFT 仓库大约有 27.2 GB，而让人意外的数字是它的拆分：大约 16.8 GB 分布在四个分片中，是冻结的 Qwen3.5-9B 文本编码器；大约 10.2 GB 分布在三个分片中，是 Transformer 本身。5B 这个标识仅描述扩散生成器。采样默认值是流匹配 Euler、50 步、CFG 3.0、shift 5.0，并在第 22 层使用负分支跳层引导——而默认引导路径每步需要两次 Transformer 前向，这就是为什么 50 步并不像听起来那么便宜。

每月十万张图片的规模下，按 token 计费的那一侧落在数万美元的低位区间；而自行下载部署的那一侧，则取决于你的 GPU 租用开销落在哪里。这个对比对哪一方都算不上好看，所以决策往往取决于另一件事：你是能直接推一个配置变更上线，还是得去走一轮采购流程。

将两者并排运行

如果你想用自己的提示词而不是任何人的排行榜来一决高下，那么双方恰好位于一条边界的两端，而我们自己的产品并不会走在中间。MOSS-Image 并不在 OrcaRouter 的目录中——我们提供 200 多个模型，它不在其中——所以这项实验的开源权重那一半需要由你自己托管。GPT Image 2.5 Sunburst 和 Flare 均可路由，与目录中其他所有模型一样，通过同一个兼容 OpenAI 的端点访问，按提供商标价收费：每百万图像输入 token 8 美元、每百万图像输出 token 30 美元，我们这边不额外加价。

对于像这样的比较而言，这种安排中有用的部分是故障转移行为。当你运行一个基准测试循环、向一个托管模型连续发送数百条提示时，服务商端的速率限制或某个不顺的一分钟就会变成样本丢失，而跨服务商的自动故障转移意味着循环能够跑完，而不是让你留下一张填了一半的结果表。从回退服务商返回的答案是否与主服务商可比，这是你应该在开始之前就决定、而不是事后才考虑的问题。

你站在边界的哪一侧

如果你想要权重，就选 MOSS-Image。Apache 2.0 且没有收入上限，意味着商业审查流程很短；Base 检查点被明确保持未蒸馏，就是为了 LoRA 训练；layout JSON 是真正的规范，而不是提示词约定；而且你今天就能把一个 ComfyUI 安装指向它。上手前要清楚：编码器才是下载的大头，默认 50 步、每步两次前向是实打实的服务成本，而那个亮眼的 Elo 数字是在流水线的规范生成那一半里掺入第三方模型得出的。如果你跳过增强器、自己写 layout，那些数字就得靠你自己了——这也没关系，因为 OpenMOSS 的数字同样没人复现出来。

如果你本周就需要一个可调用的端点，如果你的工作是迭代式编辑而非组合布局，或者如果一套带有已公开方法论的独立基准对你的决定比结构化的控制界面更重要，那就选择 GPT Image 2.5。双变体分叉意味着要多做一个决定——当编辑结果本身就是交付物时选 Sunburst，默认则选 Flare——而按 token 计费的账单比按图像单价收费更难预测，但该模型在唯一覆盖编辑的中立榜单上位居榜首，这一点具有厂商自家表格所没有的价值。

最能改变这一对比的差距在 O​penAI 一侧，而不是 OpenMOSS 一侧：一项已发布的布局控制评测，或一个同时包含这两个模型的独立布局基准测试。在它出现之前，这两个系统正由不同的人在不同的维度上衡量，而最能描述当前局面的一句话是：M​OSS-Image 拥有更明确的接口，GPT Image 2.5 拥有更独立的证据。

此类发布背后有据可查的 AI 故障与智能体事件，均收录于OrcaRouter AI 事件档案，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。