生成的標題卡寫著「FIBO 2.0 vs GPT Image 2.5」,副標題為「一個開放的 8B checkpoint,對上 OpenAI 按 token 計量的雙模型組合」,並有三個標籤寫著「文字生圖的 Elo 差距為 192.29」、「每 1,000 張圖片 $32 對比 $210.72」,以及「其中一個可下載」。頁腳寫著「Elo 與模擬價格依據 Artificial Analysis,AA-Image-T2I v2.1,讀取於 2026 年 11 月 20 日」。
Guides & Insights

FIBO 2.0 對上 GPT Image 2.5:192 Elo,價格高出六倍

作者

Elias Hawthorne

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Fibo 2.0 與 GPT Image 2.5 之間相差 192 Elo,模型化成本相差 6.6 倍,而這兩個數字都比表面上看起來更不確定。Elo 差距確實存在——在 Artificial Analysis 的文生圖排行榜上分別是 1,229.27 與 1,036.98,信賴區間遠未重疊——但這也是最沒用的選擇依據,因為這兩個模型並不是在做同一件事。Fibo 2.0 是 Bria 於 2026 年 10 月 20 日發布的 80 億參數流匹配檢查點,可下載,並會在繪圖前先將你的指令擴展成結構化 JSON 描述。GPT Image 2.5 不是單一模型:它是 GPT-Image-2.5 Sunburst 與 GPT-Image-2.5 Flare,兩個各自建立快照、按 token 計費的模型,其中一個是公開排行榜上最強的圖像生成器。

所以誠實的說法不是「哪個更好」,而是「這四件事之中,你需要的是哪一個」——可下載的模型、最好的輸出、每張圖的預算,或是不會偏移的編輯。本頁就依照這個順序逐一說明。

兩個模型、同一個名稱,以及這在這裡為何重要

gpt-image-2.5 並不存在。把這個字串貼進 API 就會出現錯誤,因為該識別碼根本不存在。實際存在的是 Sunburst,其 ID 為 gpt-image-2.5-sunburst,OpenAI 將其描述為旗下能力最強的影像生成與編輯模型;以及 Flare,ID 為 gpt-image-2.5-flare,定位於快速的日常生成。兩者都帶有 2026-09-08 的快照日期,而且並沒有任何統籌型的模型會將請求分派給其中任何一個。

這在比較中很重要,因為這兩個變體彼此並不接近。在文字轉圖像榜單上,Sunburst 為 1,229.27,Flare 為 1,209.81——兩個版本號相同的模型之間相差 19 點。在圖像編輯方面,差距在同一方向上擴大到 17 點,分別是 1,201.50 對 1,184.65。任何「GPT Image 2.5 勝過 X」形式的說法,都是關於 Sunburst 的說法;而值得以 19 點的精確度把這一點說清楚。

這種區分對解讀分數很重要。Fibo 2.0 分成兩部分:一個既能繪圖又能編輯的完整 Dev 基礎模型,以及一個僅供編輯、以 guidance 1.0 蒸餾至四步的 Turbo,且明確不是微調基礎模型。Artificial Analysis 在每個榜單上只於 Dev 檢查點列出單一 Fibo 2.0 資料列,從不單獨報告 Turbo,因此 1,037 和 1,086 描述的是 Dev——較慢的通用檢查點——而不是你實際會放在使用者面前的快速編輯器。

• 文字轉圖像 — GPT-Image-2.5 Sunburst 1,229.27,116 個中排名第 2。Fibo 2.0 1,036.98,排名第 32。差距 192.29。

• 影像編輯 — Sunburst 1,201.50,排名第 4(共 86)。Fibo 2.0 1,085.98,排名第 31。差距 115.52。

• 模型化價格 — 每 1,000 張圖片 $210.72,對比 $32.00。這是 6.6 倍,而這是 Artificial Analysis 自身的可比數字,而非任何一間供應商的價目表。

• 權重 — Fibo 2.0 今日開放下載,80 億參數,CC BY-NC 4.0。GPT Image 2.5 則從不提供下載;GPT-Image 系列中沒有開放的檢查點。

Screenshot of the Artificial Analysis text-to-image leaderboard, captured in English, showing GPT Image 2.6 Sunburst at the top, GPT Image 2.5 Sunburst (max) at 1,229.27 in rank 2, GPT Image 2.5 Flare (max) at 1,209.81 in rank 5, and Fibo 2.0 at 1,036.98 in rank 32, with the price column reading 210.7 for the OpenAI models and 32.0 for Fibo 2.0.

那道無法彌合的鴻溝

關於品質差距,值得直言不諱,因為一個對此含糊其辭的比較頁面毫無用處。在文生圖方面,192 Elo 不是品味上的差異。把它換算成它所代表的東西,這意味著在接近每十次直接比較中的九次裡,Sunburst 都更受偏好。在編輯方面,差距減半至 116,且仍落在兩個區間之外:1,201.50,範圍為 1,190.50 至 1,212.50,對比 1,085.98,範圍為 1,072.98 至 1,098.98。即便是 Sunburst 的下界,也比 Fibo 的上界高出 91 點。

這篇文章其餘部分並沒有推翻這一點。這篇文章其餘部分主張的是:有四項任務裡,116 或 192 Elo 並不是決定性變數,而且買家在這四項任務上經常都會選擇得分較高的模型。

按 token 計費對每張圖片預算有何影響

這裡就是價格差距變得有趣的地方,因為兩家供應商的計量方式不同,而董事會模型中的數字掩蓋了這一點。

O​penAI 對影像模型按 token 計費——是影像輸出 token,這就是為什麼同一個模型有公開的輸入價格與輸出價格,而不是按每張影像計價。透過 OrcaRouter 目錄,這兩個變體列為每百萬輸入 token $8 與每百萬輸出 token $30,Sunburst 和 Flare 完全相同,這是供應商牌價直接轉嫁,上方沒有任何加價。這換算成每張影像的費用完全取決於你要求的解析度與品質設定,而且在整個設定範圍內可能相差數倍。看板上的每千張 $210.72 是一種建模選擇,假設了具代表性的設定,而不是你可以在任何地方找到的印製費率。

Bria 按每張圖片計費。在其自家平台上為 $0.032,因此一千張圖片是 $32——與看板所示相同的數字,這很不尋常且值得注意:對 Fibo 2.0 而言,模型估算價格與單價一致。若你使用可將一般指令擴充為結構化描述文字的 VGL 輔助工具,還會有第二筆費用,每次呼叫約 $0.02,因此完整的結構化提示詞生成較接近 $0.052。自己撰寫 JSON 就能跳過這筆費用。

• 可預測性 — Fibo 每張影像的成本是固定常數。GPT Image 2.5 的成本則取決於你的設定;如果你對解析度有所節制,這是好消息,但如果產品經理一直要求再跑一次 4K,那就是壞消息了。

• 上限 — 以董事會模型費率計算,一千張 Sunburst 圖像為 210.72 美元;在 Bria 平台上,一千張 Fibo 圖像為 32.00 美元,若每一張都採用結構化提示詞呼叫,則為 52.00 美元。

• 最低門檻——在自己的 GPU 上跑 Fibo,採非商業授權,成本就是電費。一位社群工作流程作者以 RTX 6000 Pro 實測:2K、400 萬像素、單一參考圖、八步,每張影像 19 秒。而 GPT Image 2.5 無論付出多少價格,都沒有與之對等的下限。

Generated cost comparison card titled 'What a thousand images costs', with two columns. The left column, 'Fibo 2.0', reads: Bria platform 32.00 dollars; with structured-prompt helper 52.00 dollars; own GPU, electricity, 19 seconds per 2K image. The right column, 'GPT Image 2.5 Sunburst', reads: modelled price 210.72 dollars per 1,000 images; input 8 dollars per million tokens; output 30 dollars per million tokens. A footer reads 'Fibo rates per Bria; modelled price per Artificial Analysis; token rates per the OrcaRouter catalogue, 20 November 2026.'

漂移,以及結構化提示詞的論點

Fibo 2.0 唯一以品質而非價格立論之處,正是其架構所圍繞的核心,值得實際測試,而非逕行否定。

Fibo 2.0 不會直接處理你的句子。Qwen3-VL-4B-Instruct 編碼器會讀取提示詞,Perceiver 重採樣器會將其壓縮成 256 到 512 個要點 token,而 44 個 DiT 區塊中的五個也會透過交叉注意力接收 VLM 自身的層。實際運作時,模型會把「一張胡桃木桌上的紅色馬克杯,晨光從左側照來」擴展成結構化的 VGL/JSON 圖說,包含主體、材質、光線與位置等欄位,並根據該文件生成,最後把 JSON 交還給你。改變一個欄位後重新執行,未更動的欄位仍會維持原本的值。

這與「保留細節」是截然不同的保證。它意味著編輯受資料結構約束,而不是取決於語言模型重新讀取你的句子有多好。對多步驟的產品工作而言——同一個物件、六種光照條件——那正是最耗時的失敗模式,而這正是此設計所針對的目標。Bria 還將其與最多四張參考影像搭配,依序以 <image_1> 到 <image_4> 指定,並提供遮罩模式,其中白色區域會重新生成,其餘一切則保持不變。

它在任務層面上是否勝過 Sunburst 的編輯能力,不是 Elo 排行榜能告訴你的事,我也不會宣稱它確實如此。排行榜顯示,Sunburst 在一般提示分佈上的編輯表現更好。架構則顯示,Fibo 在固定屬性迴圈中應該漂移得更少。這些是不同的主張,而其中只有一項已被公開測量。

其中每一個都是顯而易見的答案

當需求是「讓它看起來好看,沒人會問花了多少錢」時,Sunburst 就是顯而易見的答案。行銷主視覺、活動素材變體,任何由人類從十二個版本中挑出最佳者的情境。在 116 個模型的排行榜上排名第 2、以 95 分領先最佳可下載替代方案,這不是微幅優勢;這正是這個模型存在的理由。

當你想要在較低延遲下取得大部分那樣的品質,而且用量很高時,Flare 顯然就是答案——每 token 價格相同、Elo 落後十九分,而 OpenAI 將它定位為日常生成之用,而非展示性工作。

Fibo 2.0 在三種較窄的情境下是顯而易見的答案。你需要模型權重:無論是地端部署、微調、研究基準,還是氣隙環境。你需要一個能明確指出的授權:Bria 的賣點是授權訓練資料、C2PA 來源證明與企業賠償保障,並聲稱完全符合 EU AI Act;這是採購面的答案,而不是品質面的答案。或者,你需要在固定主題上進行有界迭代,而結構化提示設計正好符合你問題的形狀。

第四種情況是大家常搞錯的那個:成本。Fibo 在榜單上便宜 6.6 倍,但一個團隊若花兩週的工程時間來繞過 192 Elo 的品質差距,所付出的已超過這當中的價差。在錯誤的模型上做廉價推論,並不便宜。

路由答案,針對屬於我們的那一半

OrcaRouter 收錄了 GPT-Image-2.5 Sunburst 與 Flare——兩者都以圖像生成端點的形式列於目錄中,價格為供應商自訂的每百萬個 token 輸入 $8、輸出 $30,且未加收任何加成。它不收錄 Fibo 2.0:Bria 的權重與其平台才是取得該模型的途徑,而任何路由器都不會改變附隨於它們的授權條款。說相反的話,會是那種讀起來很漂亮、卻讓人付出法律審查代價的主張。

這裡一個端點真正的價值,其實在於周邊的工作。Fibo 管線在設計上就內建視覺語言模型——結構化說明文字就是由它產生的——而這個呼叫可以和所有其他項目共用同一把金鑰,包括你大概已經在文字端使用的 OpenAI 模型。路由層真正發揮價值的地方,是那種無聊的故障:自動容錯移轉意味著一批兩千張圖片不會因為說明文字供應商出了二十分鐘的狀況就停擺,而路由規則讓你能把便宜的工作送給便宜的模型,並把每天那一張主視覺圖送給 Sunburst,而不必維護兩套整合和兩張帳單。

在供應商會重新定價的市場裡,0% 加成的重要性比聽起來更高。供應商降價當天就會反映在這裡,而不是等到下一次續約;而你這個月做的比較,下個月依然還是同樣的比較。

什麼會改變這個判決?

有兩件事,但只有一件可能發生。

第一個是 Fibo 2.0 微調,能縮小特定領域的編輯落差。微調正是 8B 開放模型不再於通用 Elo 上競爭,而是開始在你的資料上競爭的地方,而儲存庫中的 LoRA 訓練器讓這件事變成一個週末就能完成,而不是一項專案。如果專門化的 Fibo 在你的任務上勝過 Sunburst,通用排行榜就無關緊要,而 6.6× 更便宜也就實實在在地是 6.6× 更便宜。

第二項是 GPT Image 2.5 成本結構的變動。OpenAI 過去曾調整過圖像 token 的定價,未來也可能再度調整;若下調輸出費率,將壓縮 Fibo 唯一明顯領先的面向,也會讓「便宜到足以抵過品質差距」這個論點更難成立。

Screenshot of OpenAI's image generation documentation page, captured in English, whose opening section names the two IDs gpt-image-2.5-sunburst and gpt-image-2.5-flare and advises Sunburst where editing precision matters and Flare for fast everyday generation, followed by the Image API's Generations and Edits endpoints, the Responses API's multi-turn editing and File ID inputs, a Choosing the right API section, and a GPT-Image-2.6 paragraph on complexity control, markup-guided edits, SVG and animated GIF output.

直到其中一種情況發生前,這樣的分野清晰而不花俏。購買 Sunburst,用於那些必須正確無誤的圖像。下載 Fibo,用於那些必須屬於你的——由你運行、由你微調、由你在採購會議上捍衛。為了一項偏好付出六倍價格是很大的代價,而為了一個授權放棄 192 Elo 也是很大的代價。這兩種說法都成立,因此這兩個模型可以並存,而不會有任何一方是錯誤的選擇。