GPT-Image-2.5: Die Referenzseite für OpenAIs Split-Bildmodell

Es gibt kein Modell namens gpt-image-2.5. Wenn du diese Zeichenfolge in die API des Anbieters einfügst, bekommst du einen Fehler, weil die Modell-ID nicht existiert – und wenn du die API-Dokumentation unter der Adresse öffnest, unter der sie zu finden wäre, bekommst du einen 404. Was existiert, ist ein Paar: GPT-Image-2.5 Sunburst, dessen Kennung gpt-image-2.5-sunburst lautet und das der Anbieter als „unser leistungsfähigstes Modell für Bildgenerierung und -bearbeitung“ beschreibt, und GPT-Image-2.5 Flare, dessen Kennung gpt-image-2.5-flare lautet und das der Anbieter als „schnelle, hochwertige alltägliche Bildgenerierung“ beschreibt. Beide sind die Nachfolgegeneration von GPT-Image-2, und die gesamte Zwei-Modell-Anordnung ist das Allerwichtigste, was du verstehen musst, bevor du eine Zeile Code gegen eines von beiden schreibst. Diese Namenslücke ist auch der Grund, warum es diese Seite gibt: Die Frage, die Leute eingeben – „gpt image 2.5“ –, hat hier keine eigene Antwort, nur Teilantworten, verstreut über Varianten- und Vergleichsartikel.

Alles in dieser Referenz ist der eigenen API-Dokumentation des Anbieters vom 2026-10-12 entnommen, dazu kommt eine unabhängige Leaderboard-Aufzeichnung vom selben Tag. Wo der Anbieter nichts veröffentlicht, sagt diese Seite das, statt die Lücke zu füllen. Wo die eigenen Seiten des Anbieters einander widersprechen, sagt diese Seite das ebenfalls.

Was GPT-Image-2.5 ist und wie es auf GPT-Image-2 aufbaut

GPT-Image-2.5 ist die dritte Generation der token-abgerechneten Bildfamilie des Anbieters und der direkte Nachfolger von GPT-Image-2, dessen einziger API-Snapshot datiert auf gpt-image-2-2026-04-21. Die 2.5-Generation kam am 2026-09-08 in die API – beide Varianten tragen dieses Datum in ihren Standard-Snapshot-Namen, gpt-image-2.5-sunburst-2026-09-08 und gpt-image-2.5-flare-2026-09-08. Das ist das Markteinführungsdatum nach den eigenen Aufzeichnungen des Anbieters, und es liegt etwa viereinhalb Monate nach GPT-Image-2. Das Modell ist nicht erst diese Woche neu erschienen; was folgt, ist die ständige Referenz, keine Markteinführungsmitteilung.

Der Generationswechsel ist kein einzelnes Modell mit einer größeren Versionsnummer. Es ist ein Fork. Jede frühere GPT-Image-Generation lieferte eine primäre Modell-ID — GPT-Image-1, dann GPT-Image-1.5, dann gpt-image-2 — und Sie wählten eine Qualitätsstufe innerhalb dieses einen Modells. Mit 2.5 liefert der Anbieter zwei separat benannte, separat gesnapshottete Modelle und verlangt von Ihnen, auszuwählen, zu welchem Ihr Workload gehört. Es gibt kein Dachmodell, das an beide weiterleitet.

Daraus ergeben sich drei praktische Konsequenzen, und sie sind es wert, klar benannt zu werden, weil sie genau das sind, was ein Leser, der den Namen des Modells sucht, tatsächlich braucht:

• Es gibt keinen gpt-image-2.5-Alias. Code, der gegen einen hypothetischen bloßen Namen geschrieben wurde, läuft nicht; Sie müssen gpt-image-2.5-sunburst oder gpt-image-2.5-flare explizit angeben.

• Die beiden Varianten teilen sich eine Preisliste und einen Rate-Limit-Zeitplan, daher ist die Wahl zwischen ihnen eine Entscheidung über Latenz und Präzision, nicht über das Budget. Die eigene Darstellung des Anbieters zu dieser Aufteilung ist eine Workload-Aufteilung, keine Qualitätsleiter, die man durch mehr Bezahlen erklimmt.

• „GPT-Image-2.5“ ohne Suffix ist ein Generationsname, kein Modell. Wenn es in einem Changelog, einer Rechnung oder einer Produktankündigung auftaucht, ist damit die Generation gemeint, und man muss trotzdem wissen, welches der beiden Modelle die Arbeit erstellt hat.

Flare oder Sunburst: Wie Sie wählen

Das ist die Frage, die der eigene Name des Modells immer wieder erzeugt, und das Vokabular der Varianten ist so kontraintuitiv, dass viele Leute sie in beide Richtungen stellen, bevor sie eine Antwort finden. Hier ist sie geklärt, eine Zeile pro Variante, auf Grundlage der veröffentlichten Positionierung des Anbieters statt auf Rückschlüssen aus Benchmarks:

• Flare — gpt-image-2.5-flare, Snapshot gpt-image-2.5-flare-2026-09-08. Wähle es, wenn Durchsatz und Bearbeitungszeit die einschränkenden Faktoren sind: alltägliche Bildgenerierung, Pipelines mit hohem Volumen, Prototypen, Social- und Produktvisuals, alles, wo „gut, jetzt“ besser ist als „besser, irgendwann“. Es ist das Modell, das der Anbieter als die schnelle, hochwertige Alltagsoption bezeichnet, und es ist dasjenige, das du zu deiner Standardwahl machen solltest.

• Sunburst — gpt-image-2.5-sunburst, Snapshot gpt-image-2.5-sunburst-2026-09-08. Wählen Sie es, wenn die Bearbeitung selbst das Ergebnis ist und Präzision wichtiger ist als Latenz: iterierte Bearbeitungen, bei denen eine in der zweiten Runde vorgenommene Änderung die dritte Runde überstehen muss, layoutempfindliche Kompositionen, maskiertes Inpainting, das genau dort landen muss, wo Sie es anvisiert haben. Der Image-Generation-Leitfaden des Anbieters bringt die Unterscheidung in einem Satz auf den Punkt: „Wählen Sie Sunburst für Workflows, bei denen Präzision bei der Bearbeitung am wichtigsten ist, und Flare für die schnelle, hochwertige alltägliche Bildgenerierung."

Der ehrliche Vorbehalt: Der Anbieter veröffentlicht keine Latenzangabe, keine Kosten pro Bild und keinen Qualitätsbenchmark, der die Lücke zwischen den beiden quantifiziert, sodass „langsamer“ und „präziser“ die Charakterisierung des Anbieters sind, nicht ein gemessenes Verhältnis. Die eine unabhängige Vergleichsplattform, die sie tatsächlich trennt – und sie stimmt in der Reihenfolge überein – siehe den Evidenzabschnitt unten. Was sie nicht tut, ist, Ihnen einen direkten Vergleich mit abgestimmter Testumgebung und abgestimmtem Aufwand samt Konfidenzintervall zu liefern, das Sie in einen Kapazitätsplan aufnehmen könnten. Niemand hat das veröffentlicht.

Eine praktikable Standardeinstellung, wenn Sie lieber nicht darüber nachdenken möchten: Rufen Sie überall Flare auf und leiten Sie die spezifischen Anfragen an Sunburst weiter, bei denen eine Bearbeitung Bestand haben muss – also diejenigen, die eine Maske tragen, oder ein Referenzsubjekt, das Sie über mehrere Turns hinweg stabil halten müssen. Das ist genau die Konstellation „unbewiesenes Modell, setzen Sie den Produktionspfad nicht darauf“, bei der das Routing eines einzelnen Endpunkts über beide günstiger ist, als sich auf einen festzulegen.

Was es akzeptiert und was es zurückgibt

Beide Varianten geben auf den Modellseiten des Anbieters denselben Modalitätsumfang an. Eingabe: Text und Bild. Ausgabe: Bild. Textausgabe wird nicht erzeugt, und die Preishinweise des Anbieters bestätigen die Konsequenz – Textausgabe wird nicht berechnet, weil das Modell keine zurückgibt.

Der Größenbereich ist breiter, als die drei Voreinstellungen nahelegen:

• Empfohlene Voreinstellungen — 1024×1024 quadratisch, 1536×1024 Querformat, 1024×1536 Hochformat.

• Benutzerdefinierte Abmessungen — beide Modelle akzeptieren beliebige WIDTHxHEIGHT-Zeichenfolgen, wobei drei Einschränkungen im Leitfaden wörtlich genannt werden: Breite und Höhe müssen Vielfache von 16 sein; das Seitenverhältnis muss zwischen 1:1 und 3:1 liegen; und keiner der beiden Werte darf 3840 Pixel überschreiten.

• Gesamtes Pixelbudget — zwischen 655.360 und 8.294.400 Pixeln, was der Anbieter an der Obergrenze als 4K bezeichnet.

• Experimenteller Bereich — Auflösungen über 2560×1440 werden vom Hersteller als experimentell eingestuft. Betrachten Sie alles darüber hinaus als nicht für den Produktionseinsatz validiert.

Das Ausgabeformat ist standardmäßig PNG, wobei JPEG und WebP verfügbar sind. Die Komprimierung lässt sich über einen output_compression-Parameter auf einer Skala von 0–100 steuern, und der Anbieter weist darauf hin, dass JPEG schneller als PNG ist – wissenswert, wenn Latenz der Grund dafür war, dass Sie sich ursprünglich für Flare entschieden haben. Transparente Hintergründe erfordern background: "transparent" in Kombination mit einem PNG- oder WebP-Ausgabeformat. Die API gibt base64-kodierte Bilddaten zurück.

Die Qualitätsauswahl umfasst niedrig, mittel, hoch, sehr hoch, maximal und automatisch. Die beiden 2.5-Modelle sind diejenigen, die sehr hoch und maximal; frühere GPT Image-Modelle sind auf hoch begrenzt. Beide 2.5-Varianten verwenden standardmäßig automatisch. Wenn die Stufen wie eine zweite Qualitätsachse wirken, die auf der Flare/Sunburst-Auswahl aufsetzt, dann deshalb, weil sie eine Einheit bilden: Man wählt eine Variante und dann eine Stufe, und die beiden summieren sich sowohl bei der Latenz als auch bei den Kosten.

Die Ratenbegrenzungen sind für beide Modelle identisch und richten sich nach der Nutzungsstufe, angegeben in Tokens und Bildern pro Minute: Build 250.000 / 20, Launch 3.000.000 / 150, Grow 8.000.000 / 250. Dasselbe Schema gilt für gpt-image-2. Der Anbieter weist außerdem darauf hin, dass die Nutzung dieser Modelle möglicherweise den Abschluss der API-Organisationsverifizierung erfordert.

Die Endpoint-Oberfläche und ein Dokumentationskonflikt

Dies ist der Abschnitt, in dem das erneute Lesen des Materials des Anbieters wichtig ist, weil die eigenen Seiten des Anbieters nicht völlig übereinstimmen.

Die Modellseiten für gpt-image-2.5-sunburst und gpt-image-2.5-flare listen genau drei unterstützte Endpunkte auf: v1/images/generations, v1/images/edits und v1/batch. Alles andere in der Tabelle ist als nicht unterstützt gekennzeichnet – einschließlich v1/responses und v1/chat/completions. Dies ist dieselbe Oberfläche mit drei Endpunkten, die GPT-Image-2 bereitstellt, und das bedeutet, dass die Chat-Completions-Form, die Sie möglicherweise für ein früheres Bildmodell verwendet haben, nicht übernommen wird.

Der Leitfaden zur Bilderzeugung beschreibt jedoch einen Responses-API-Pfad, bei dem man ein Hauptmodell auswählt und das Bildmodell in einem Tool-Feld angibt, und die Hinweise auf der Preisseite besagen, dass die Cache-Eingabepreise für GPT-Image-2 und 2.5 „nur für Responses-API-Generierungen gelten“. Diese beiden Aussagen implizieren eine Responses-Oberfläche, die die Modellseite ausdrücklich als nicht unterstützt kennzeichnet. Die eigenen Beispiele des Leitfadens kombinieren das Bild-Tool mit gpt-6-astra als Hauptmodell.

Ich melde den Konflikt, statt ihn aufzulösen. Die konservative Lesart – und diejenige, gegen die man bauen sollte – ist die Modellseite: generations, edits, batch. Teste den Responses-Pfad mit deinem eigenen Konto, bevor du dich darauf verlässt, denn die Seite, die ihn autorisieren würde, sagt derzeit Nein.

Textdarstellung und Bearbeitungsverhalten

Auf das Editing zielt die 2.5-Generation ab, und die Dokumentation ist ungewöhnlich präzise, was die Mechanik und die Grenzen betrifft.

Der Edits-Endpunkt übernimmt Inpainting – die einzige Bearbeitungsfunktion, die auf beiden Modellseiten aufgeführt ist. Sie laden ein Bild plus eine Maske hoch, die den zu ersetzenden Bereich kennzeichnet. Zwei Einschränkungen sind wichtiger, als sie aussehen. Erstens ist die Maskierung mit diesen Modellen vollständig promptbasiert: Das Modell verwendet die Maske als Orientierung und hält sich laut Formulierung des Anbieters möglicherweise „nicht mit vollständiger Präzision an ihre exakte Form“. Zweitens müssen das Bild und die Maske dasselbe Format und dieselbe Größe haben und unter 50 MB liegen, und die Maske muss einen Alphakanal enthalten – eine einfache Schwarz-Weiß-Maske funktioniert erst, wenn Sie programmatisch einen Alphakanal hinzufügen. Wenn Sie mehrere Eingabebilder bereitstellen, gilt die Maske für das erste.

Beim Text kommt die ehrliche Aussage aus der Liste der Einschränkungen des Anbieters selbst, nicht aus einer Marketingaussage des Anbieters: „Obwohl deutlich verbessert, kann das Modell nach wie vor Schwierigkeiten mit präziser Textplatzierung und Klarheit haben.“ Nehmen Sie das wörtlich. Diese Generation stellt Text besser dar als ihre Vorgänger und ist immer noch keine Layout-Engine. Dieselbe Liste der Einschränkungen ergänzt, dass komplexe Prompts bis zu zwei Minuten zur Verarbeitung brauchen können, dass das Modell möglicherweise Schwierigkeiten hat, wiederkehrende Figuren oder Markenelemente visuell konsistent zu halten, und dass es Probleme haben kann, Elemente in strukturierten oder layoutempfindlichen Kompositionen präzise zu platzieren. Jeder einzelne dieser Punkte ist ein direktes Argument für Sunburst bei Layout-Arbeiten und dagegen, anzunehmen, dass eine der beiden Varianten ein Template beibehalten wird.

Die Moderation gilt für beides: Der Anbieter gibt an, dass alle Prompts und generierten Bilder anhand seiner Inhaltsrichtlinie gefiltert werden, mit einem moderation-Parameter, der auto (die Standardeinstellung) oder low bietet, und blockierte Anfragen geben einen Fehlercode moderation_blocked mit optionaler Detailangabe zurück.

Lizenz- und Nutzungsbedingungen wie veröffentlicht

Die vom Anbieter veröffentlichte Modell- und Bildgenerierungsdokumentation enthält nicht die Klauseln zur Eigentümerschaft an Ausgaben und zur kommerziellen Nutzung; diese finden sich in den separaten Geschäftsbedingungen, die in den Entwicklerdokumentationen nicht wiedergegeben werden. Was die Entwicklerdokumentation in ihrem Leitfaden zum Umgang mit Daten angibt, ist, dass API-Daten nicht für das Training verwendet werden, es sei denn, Sie entscheiden sich per Opt-in dafür, und die Tabelle des Leitfadens führt für die /v1/images/generations und /v1/images/edits-Endpunkte „für Training verwendet: Nein“ auf. Die Bildgenerierung wird dort zudem als mit Zero Data Retention kompatibel für die auf dieser Seite aufgeführten spezifischen Modellnamen beschrieben.

Nichts in der API-Dokumentation gewährt oder beschreibt eine kostenlose Stufe, kostenlose Credits, ein Testkontingent oder eine Ausnahme von den Ratenbegrenzungen für keines der beiden 2.5-Modelle. Es gibt kein veröffentlichtes kostenloses Kontingent, auf das man verweisen könnte. Veröffentlicht ist ein Preis, und es ist derselbe, den GPT-Image-2 bereits hatte – siehe den nächsten Abschnitt.

Die Preisgestaltung und die Tatsache, dass sie sich nicht bewegte

Der Anbieter veröffentlicht für keine der beiden 2.5-Varianten einen Preis pro Bild. Die Abrechnung erfolgt tokenbasiert, pro Million, und die Tarife sind über die beiden Modelle hinweg identisch und identisch mit GPT-Image-2:

• Standard, Texteingabe — 5,00 $ pro 1 Mio. Token; zwischengespeicherte Texteingabe 1,25 $.

• Standard, Bildeingabe — 8,00 $ pro 1 Mio. Token; zwischengespeicherte Bildeingabe 2,00 $.

• Standard, Bildausgabe — 30,00 $ pro 1 Mio. Token.

• Batch, Texteingabe — 2,50 $; Bildeingabe 4,00 $; Bildausgabe 15,00 $, wobei sich die Preise mit Caching entsprechend halbieren.

Zwei Dinge an dieser Tabelle sind mehr wert als die Zahlen selbst. Erstens hat die 2.5-Generation den Preis nicht erhöht: gpt-image-2 listet 8 $ Eingabe und 30 $ Ausgabe auf der Bildseite sowie 5 $ für Text auf, genau wie 2.5. Zum Vergleich liegt GPT-Image-1.5 bei 8 $ Eingabe und 32 $ Ausgabe mit einem Text-Ausgabe-Tarif von 10 $, und GPT-Image-1 bei 10 $ Eingabe und 40 $ Ausgabe. Das 2.5-Upgrade ist eine Änderung bei Funktionsumfang und Latenz bei unveränderter Preisliste. Zweitens weist der Anbieter darauf hin, dass sein bestehender Kostenrechner für Bildgenerierung die Nutzung von 2.5 nicht schätzt; daher sollten Sie die Ausgaben für diese Modelle nicht mit Werkzeugen prognostizieren, die für die ältere Generation entwickelt wurden. Der Anbieter veröffentlicht keine Angabe pro Bild; daher ist jede Pro-Bild-Zahl, die Sie für diese Modelle zitiert sehen, die Umrechnung von jemand anderem, nicht die des Anbieters.

Da der Preis zum Listenpreis des Anbieters ohne Aufschlag unsererseits weitergegeben wird, sind diese Tarife das, was Sie auf OrcaRouter zahlen, und eine Tarifänderung des Anbieters wird noch am selben Tag wirksam. Beide Modelle sind heute in unserem Live-Katalog. Ich habe nachgesehen, denn eine Verfügbarkeitsaussage von einer älteren Seite ist genau die Art von Sache, die veraltet: gpt-image-2.5-sunburst und gpt-image-2.5-flare sind beide über denselben OpenAI-kompatiblen Endpunkt wie alles andere routbar, zu den oben genannten Bildtarifen von 8 $ Input / 30 $ Output. Wenn Sie das Paar evaluieren, statt sich auf eines festzulegen, ist das aus einem praktischen Grund wichtig — ein einziger Schlüssel und eine Routing-Regel ermöglichen es Ihnen, eine Klasse von Anfragen an Sunburst und alles andere an Flare zu senden und die Aufteilung ohne einen zweiten Vertrag oder eine Codeänderung zu ändern.

Was unabhängige Tests sagen – und was niemand gemessen hat

Der Anbieter veröffentlicht auf seinen Modellseiten für keine der beiden Varianten Benchmark-Ergebnisse. Die unabhängige Beweislage ist dünner, als die Launch-Berichterstattung nahelegte, und es lohnt sich, präzise zu sein, was sie zeigt und was nicht.

Artificial Analysis betreibt Text-to-Image-Boards, die sowohl ein Qualitäts-Elo-Ranking als auch einen repräsentativen API-Preis pro 1.000 generierte Bilder abdecken. In der am 2026-10-12 erstellten Aufnahme erscheinen sowohl GPT Image 2.5 Sunburst (max) als auch GPT Image 2.5 Flare (max) als hoch platzierte Einträge, wobei Sunburst über Flare steht und beide über GPT Image 2 (high) eingeordnet sind. Ich drucke bewusst keine Elo-Werte aus dieser Aufnahme ab: Das Board stellt seine Werte pro Modell grafisch dar, und die einzelnen Beschriftungen ließen sich aus der erfassten Seite nicht sauber extrahieren; eine hier zitierte Zahl wäre daher eine Ablesung aus einem Diagramm statt aus den zugrunde liegenden Daten. Wenn Sie die Zahl benötigen, gehen Sie zum Board.

Diese Preisachse ist außerdem der einzige Ort, an dem derzeit eine per-Bild-äquivalente Zahl für diese Modelle existiert — Artificial Analysis leitet aus token-basierter Preisgestaltung repräsentative Kosten pro 1.000 Bilder ab. Es handelt sich um eine unabhängige Schätzung, die nach der Methodik eines Drittanbieters erstellt wurde, nicht um einen Anbieterpreis, und der Anbieter selbst veröffentlicht überhaupt keine Angabe pro Bild. Nutzen Sie sie, um Kostenverläufe über Modelle hinweg zu vergleichen; zitieren Sie sie nicht als Preis des Anbieters.

Was sich aus diesen Belegen, ehrlich gesagt, ergibt: Die Reihenfolge der beiden Varianten wird unabhängig bestätigt, und das ist der Teil, der für die Entscheidung zwischen Flare und Sunburst zählt. Was nicht belegt ist, ist jeglicher Vergleich zwischen einer 2.5-Variante und einem konkurrierenden Bildmodell, gemessen bei gleichem Aufwand und mit demselben Harness. Die Einträge des Boards sind gestaffelt – „Sunburst (max)“ und „Flare (max)“ benennen die Qualitätseinstellung, und andere Modelle auf demselben Board sind mit ihren jeweiligen Stufen aufgeführt, nicht auf einer gemeinsamen. Eine Rangfolge über Stufenbezeichnungen hinweg ist keine Rangfolge bei gleichen Einstellungen, und sie als eine solche zu behandeln würde überzeichnen, was tatsächlich getestet wurde.

Wo dich das hinstellt

Wenn Sie hier nur mit dem Namen des Modells und sonst nichts angekommen sind, sind dies die maßgeblichen Fakten. Fragen Sie nach gpt-image-2.5-sunburstoder gpt-image-2.5-flare; es gibt keine dritte Option und keinen bloßen Alias. Beide nehmen Text und Bilder entgegen und geben ein Bild zurück, bis zu einer Kantenlänge von 3840 Pixeln und 8.294.400 Gesamtpixeln, und zwar über einen von drei Endpunkten. Flare ist die Wahl für den Durchsatz, Sunburst die Wahl für die Präzision, und die Dokumentation des Anbieters selbst räumt ein, dass die Maske eher eine Orientierungshilfe als eine harte Grenze ist, sodass keines von beiden Ihnen eine vollkommen deterministische Bearbeitung liefert. Die Preisliste ist gegenüber GPT-Image-2 unverändert: 8 Dollar pro Million Bild-Input-Tokens und 30 Dollar pro Million Bild-Output-Tokens, im Batch-Betrieb die Hälfte, und auf der Seite des Anbieters gibt es weder einen Preis pro Bild noch ein kostenloses Kontingent, mit dem man vergleichen könnte.

Was noch wirklich offen ist, ist genau das, was ein Kapazitätsplan am meisten braucht: ein gemessener Latenzunterschied und ein Qualitätsvergleich der beiden Varianten mit identischem Testaufbau. Bis jemand diese veröffentlicht, ist die Aufteilung zwischen Flare und Sunburst eine Designentscheidung auf Grundlage der vom Anbieter angegebenen Positionierung plus der Reihenfolge einer einzigen Rangliste – was mehr ist, als die meisten Markteinführungen liefern, und weniger, als ein Benchmark liefern würde.