MOSS-Image 對比 GPT Image 2.5：可下載的 5B 骨幹，對上兩個快照模型

先從命名談起，因為這正是最先讓人卡住的地方。並沒有一個叫 gpt-image-2.5 的模型。實際存在的是成對的兩個：GPT Image 2.5 Sunburst，識別碼 gpt-image-2.5-sunburst，以及 GPT Image 2.5 Flare，識別碼 gpt-image-2.5-flare——兩者皆於 2026-09-08 建立快照，且皆已封閉。與之相對的是 MOSS-Image，由 OpenMOSS 於 2026 年 10 月 16 日以兩個 Apache 2.0 檢查點的形式發布，分別是 MOSS-Image-Base 與 MOSS-Image-SFT，供你下載並自行執行。一方賣你一個端點；另一方交給你 27 GB，然後祝你在編碼器上好運。

這就是這項比較的整體輪廓，而幾乎所有其他差異都由此衍生。以下比較只在 OpenAI 自家的定價與文件把兩個 OpenAI 變體視為同一方時，才將這兩個變體視為同一方——這在費率表上成立，在能力上則不成立，而這項區別會另以專節說明。所有歸於 OpenAI 的數字，都是 OpenAI 已公布的費率表數字；所有歸於 MOSS-Image 的數字，都是 OpenMOSS 自家的數字，出自其發布資料與技術報告，且未經任何人重現。

兩個模型對比一次下載

OpenAI 的 2.5 世代是一次分支，而不是版本號的遞增。先前的世代只推出一個主要模型 ID，並要求你在其中挑選一個品質層級。到了 2.5，則有兩個各自命名、各自建立快照的模型，而且沒有涵蓋兩者的統別名——針對單純的 gpt-image-2.5 所撰寫的程式碼將無法執行。Sunburst 的定位是能力，Flare 則主打速度，而兩者計費完全相同，因此兩者之間的抉擇是延遲與精確度的取捨，而非預算考量。

MOSS-Image 也是兩個模型，但這個拆分是訓練上的拆分，而非產品上的拆分。Base 是預訓練檢查點，刻意未經蒸餾——模型卡明確指出，並未對 CFG 等推論參數進行後訓練或蒸餾，以保留訓練資訊並讓 LoRA 訓練維持可行。SFT 則是在精選資料上微調，也是大多數人應該執行的版本。廠商的比較範例顯示，SFT 在同一提示下能產生更緊密的文字分組與更有條理的版面，而這正是未蒸餾的 Base 經精選資料微調後應有的表現。

• 你如何稱呼它 — GPT Image 2.5：兩個 ID，gpt-image-2.5-sunburst 與 gpt-image-2.5-flare，沒有單純的別名。M​OSS-Image：兩個儲存庫，OpenMOSS-Team/M​OSS-Image-Base 與 OpenMOSS-Team/M​OSS-Image-SFT，兩者皆有 ModelScope 鏡像。

• 你會收到什麼 —— GPT Image 2.5：一個相容於 O​penAI 的端點，以及一個快照日期。M​OSS-Image：safetensors 權重、一套 Diffusers 自訂管線、一個 Gradio 應用程式，以及一個可透過 ComfyUI Manager 安裝的原生 ComfyUI 外掛。

• 費用 — GPT Image 2.5：以 token 計量，每百萬圖片輸入 $8.00、每百萬圖片輸出 $30.00，批次處理半價。MOSS-Image：授權免費，一切取決於 GPU。

• 誰的授權條款規範輸出——GPT Image 2.5：OpenAI 的條款，開發者文件本身並未轉載。MOSS-Image：權重與隨附推論程式碼採用 Apache 2.0，沒有營收門檻，也沒有可接受使用附錄。

版面控制，以及不屬於模型的那個模組

這兩個系統都能讓你依座標放置東西。但座標背後所代表的內容，兩者並不相同。

MOSS-Image 的版面配置格式會接受一個 JSON 物件作為提示：一個 summary，其中包含場景說明，以及一個 items 陣列，其中每個元素都有一個標籤，標籤為 text、character 或 object，一段說明、一個邊界框，以及——對於文字——要渲染的字面字串。邊界框使用 bbox_format: "yxyx"，在 bbox_coord_space: "abs_centralized"，意思是從畫布中心算起的像素位移。

GPT Image 2.5 有文獻記載的介面並不是一套版面配置文法。它的控制介面就是提示詞本身加上參考圖像；在 2.5 世代的編輯強項中顯現的版面配置風格行為，是透過反覆迭代的編輯來表達，而非透過結構化的框線規格。那是真實的能力差異，而這正是 M​OSS-Image 的介面比 O​penAI 更明確的地方。

在任何基準測試之前，值得先說明 MOSS-Image 這一方的但書：那個把簡短構想轉成完整版面規格的提示增強模組，並不是 OpenMOSS 自家的小型模型。技術報告指出，LayoutPE 在推論時使用 GPT-6 搭配模組化任務指令，而隨附的提示增強技能則被描述為專為 GPT-6 系列代理所設計。因此，OpenMOSS 自家評估中最強的端到端版面結果，是由一條雙模型管線所產生，而其中負責規格的那一半是跑在別人的 API 上。如果你使用 MOSS-Image 時沒有搭配那個增強器，就等於是由你自己提供版面 JSON，而你正在測量的管線就是另一條了。

證據，以及雙方證據有多薄弱

OpenMOSS 在兩個隨發行版本一同提供、且同樣由該廠商打造的基準上評估了 M​OSS-Image。LongLongTextBench 包含 240 項文學文字渲染任務，其中 120 項英文、120 項中文，平均目標長度為 1,339.8 個字元。RealLayoutArena 則有 61 項設計任務——20 張海報、20 張資訊圖表、21 個使用者介面——以盲測成對比較進行評判，並套配至 Bradley–Terry Elo 量表。在端到端競技場中，M​OSS-Image 以 1698.70 Elo 位居整體第二，95% 區間為 1655.96 至 1741.43，僅次於 GPT Image 2 的 1844.35。若僅限於主幹模型，並在共用的強化提示下，M​OSS-Image 以 1807.34 排名第一。

仔細讀一下。M​OSS-Image 排名第一的那項基準測試，是將比較限制在生成器、且提示增強為共用的那項——而這正是移除第三方規格問題的配置。它排名第二的那項基準測試則是端到端的那項。這兩者都不是中立的測試。

OpenAI 並未為 GPT Image 2.5 發布可比的版面配置或文字算繪基準測試。針對 OpenAI 模型目前存在的獨立證據，來自 Artificial Analysis 的排行榜，其中 2.5 版本在圖像編輯排行榜上拿下前兩名。那是一項有公開方法論的盲測偏好量測，而且完全沒有測試版面控制能力。因此，這兩個模型是由不同機構在彼此不相交的軸線上衡量，而把 1698.70 與排行榜 Elo 並列比較的誘惑，是值得抗拒的——它們不是同一種量尺，衡量的也不是同一件事。

大量採購時每項的成本

GPT Image 2.5 以 token 計量，費率表與 GPT Image 2 完全相同：每百萬文字輸入 token 為 $5.00，快取文字為 $1.25；每百萬圖片輸入為 $8.00，快取圖片為 $2.00；每百萬圖片輸出為 $30.00。Batch 會將每項價格減半。供應商頁面上沒有每張圖片的價格，也沒有免費額度，因此要得出每張圖片的數字，唯一方法就是換算——而獨立排行榜有公布一個數字，目前高品質 1024×1024 每張約 $0.21。請把那視為排行榜推導出的數字，而不是 OpenAI 的定價。

MOSS-Image 沒有價目表，因為根本沒有東西可以計費。成本在於機器本身。SFT 儲存庫約 27.2 GB，而真正令人意外的數字是它的組成方式：大約 16.8 GB 分散在四個分片中，是凍結的 Qwen3.5-9B 文字編碼器，另外約 10.2 GB 分布在三個分片中，則是 Transformer 本身。5B 這個標示只描述了擴散生成器本身。取樣預設為 50 步的 flow-matching Euler、CFG 3.0、shift 5.0，並在第 22 層使用負分支跳層引導——而預設的引導路徑每步需要兩次 Transformer 前向傳遞，這就是為什麼 50 步並不像聽起來那麼省。

以每月十萬張圖片來看，按 token 計費的那一側會落在數萬美元區間的低段；下載的那一側則取決於你的 GPU 租用成本落在哪裡。這不是一個能讓任何一方顯得好看的比較，這也是為什麼決策通常取決於另一件事：你能否直接推出設定變更，還是需要展開一場採購會談。

將兩者並排執行

如果你想用你自己的提示詞來決定勝負，而不是依據任何人的排行榜，那麼這兩方分別位於一條界線的兩端，而我們的產品不會從中間跨越這條界線。MOSS-Image 不在 OrcaRouter 的目錄中——我們提供超過 200 個模型，而它不在其中——所以實驗中開放權重的那一半就由你自行託管。GPT Image 2.5 Sunburst 與 Flare 可透過與目錄上其他所有項目相同的 O​penAI 相容端點進行路由，並依供應商的定價表，每百萬影像輸入 token 為 8 美元、每百萬影像輸出 token 為 30 美元，我們這邊不額外加價。

這種安排對於像這樣的比較，有用的部分在於容錯移轉行為。當你執行一個基準測試迴圈，向託管模型送出數百個提示時，供應商端的速率限制或短暫異常會變成遺失的樣本，而跨供應商的自動容錯移轉意味著迴圈能完成，而不是讓你留下一張只填了一半的結果表。從備援來源回傳的答案是否與主要來源的答案可比，是你應該在開始前就決定的問題，而不是開始後才決定。

你位於邊界的哪一側

如果你想要權重，就選 MOSS-Image。Apache 2.0 加上沒有營收上限，讓商業審查相對簡短；Base checkpoint 明確保持未蒸餾，就是為了 LoRA 訓練；layout JSON 是真正的規格，而不是提示詞慣例；而且你今天就能讓 ComfyUI 安裝指向它。開始前要知道：encoder 才是下載本體、預設 50 步且每步兩次 forward 是實打實的推論服務成本，以及那個招牌 Elo 數字，是在管線中規格那一半用了第三方模型跑出來的。如果你跳過 enhancer、自己寫 layout，那些數字就得自己看著辦——這也無妨，因為也沒人重現過 OpenMOSS 的數字。

如果你本週就需要可呼叫的端點，如果你的工作是反覆迭代編輯而非組合式版面編排，或者如果一套已公開方法論的獨立基準測試，對你的決策而言比結構化控制介面更重要，那就選擇 GPT Image 2.5。雙變體分支意味著多一個決定——當編輯成果本身就是交付物時選 Sunburst，預設則選 Flare——而按 token 計量的帳單比每張圖片的費率更難預測，但該模型在唯一涵蓋編輯的中立排行榜上位居榜首，而這點價值是供應商自家表格所無法比擬的。

最可能大幅改變這項比較的缺口，在 OpenAI 這一側，而不是 OpenMOSS 這一側：一份已發表的版面控制評估，或是一項同時涵蓋這兩個模型的獨立版面基準。在這樣的評估或基準出現之前，這兩個系統正由不同的人以不同的軸向衡量；而最能描述當前局勢的一句話是：MOSS-Image 擁有較明確的介面，而 GPT Image 2.5 擁有較獨立的證據。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。