GPT-Image-2.5: La página de referencia del modelo de imagen dividido de OpenAI

No existe ningún modelo llamado gpt-image-2.5. Si pegas esa cadena en la API del proveedor, obtienes un error, porque el ID del modelo no existe — y si abres la documentación de la API en la dirección donde debería aparecer, obtienes un 404. Lo que existe es un par: GPT-Image-2.5 Sunburst, cuyo identificador es gpt-image-2.5-sunburst y que el proveedor describe como «nuestro modelo más capaz para la generación y edición de imágenes», y GPT-Image-2.5 Flare, cuyo identificador es gpt-image-2.5-flare y que el proveedor describe como «generación de imágenes rápida y de alta calidad para el día a día». Ambos son la generación sucesora de GPT-Image-2, y todo este arreglo de dos modelos es lo más importante que hay que entender antes de escribir una sola línea de código contra cualquiera de ellos. Esa brecha de nomenclatura es también la razón por la que existe esta página: la pregunta que la gente escribe — «gpt image 2.5» — no tiene aquí una respuesta dedicada, solo respuestas parciales repartidas entre artículos sobre variantes y comparativas.

Todo lo que aparece en esta referencia se toma de la propia documentación de la API del proveedor con fecha del 12 de octubre de 2026, además de una captura independiente de la tabla de clasificación de ese mismo día. Cuando el proveedor no publica nada, esta página lo indica en lugar de rellenar el vacío. Cuando las propias páginas del proveedor no coinciden entre sí, esta página también lo señala.

Qué es GPT-Image-2.5 y cómo se apoya en GPT-Image-2

GPT-Image-2.5 es la tercera generación de la familia de imágenes con medición por tokens del proveedor y el sucesor directo de GPT-Image-2, cuya única instantánea de API está fechada gpt-image-2-2026-04-21. La generación 2.5 llegó a la API el 8 de septiembre de 2026 — ambas variantes llevan esa fecha en sus nombres de instantánea predeterminados, gpt-image-2.5-sunburst-2026-09-08 y gpt-image-2.5-flare-2026-09-08. Esa es la fecha de lanzamiento según el propio registro del proveedor, y es aproximadamente cuatro meses y medio después de GPT-Image-2. El modelo no es nuevo esta semana; lo que sigue es la referencia vigente, no un aviso de lanzamiento.

El cambio generacional no es un único modelo con un número de versión más alto. Es una bifurcación. Cada generación anterior de GPT-Image incluía un único ID de modelo principal — GPT-Image-1, luego GPT-Image-1.5, luego gpt-image-2 — y se seleccionaba un nivel de calidad dentro de ese único modelo. Con 2.5, el proveedor lanza dos modelos con nombres separados y snapshots separados, y te pide que elijas a cuál pertenece tu carga de trabajo. No hay un modelo paraguas que enrute a ambos.

De eso se derivan tres consecuencias prácticas, y vale la pena exponerlas con claridad porque son justamente lo que necesita un lector que busca el nombre del modelo:

• No existe ningún gpt-image-2.5 alias. El código escrito contra un nombre hipotético sin sufijo no se ejecutará; debes nombrar gpt-image-2.5-sunburst o gpt-image-2.5-flare de forma explícita.

• Las dos variantes comparten una lista de precios y un calendario de límites de velocidad, así que tu elección entre ellas es una decisión de latencia y precisión, no una decisión de presupuesto. El propio planteamiento del proveedor sobre esta división es una división por carga de trabajo, no una escalera de calidad que se sube pagando más.

• "GPT-Image-2.5" sin sufijo es un nombre de generación, no un modelo. Cuando lo ves en un registro de cambios, una factura o el anuncio de un producto, se refiere a la generación, y aun así tienes que saber cuál de los dos modelos produjo el trabajo.

Flare o Sunburst: cómo elegir

Esta es la pregunta que el propio nombre del modelo sigue generando, y el vocabulario de las variantes es lo bastante contraintuitivo como para que mucha gente pregunte en ambos sentidos antes de encontrar una respuesta. Aquí queda resuelto, una línea por variante, basándose en el posicionamiento publicado por el proveedor y no en inferencias a partir de benchmarks:

• Flare — gpt-image-2.5-flare, instantánea gpt-image-2.5-flare-2026-09-08. Elígelo cuando el rendimiento y los tiempos de entrega sean la limitación: generación de imágenes cotidiana, flujos de trabajo de gran volumen, prototipos, recursos visuales para redes sociales y productos, cualquier caso donde «bueno, ahora» supere a «mejor, más adelante». Es el modelo que el proveedor etiqueta como la opción rápida y de alta calidad para el día a día, y es el que deberías elegir como opción predeterminada.

• Sunburst — gpt-image-2.5-sunburst, instantánea gpt-image-2.5-sunburst-2026-09-08. Elígelo cuando la propia edición sea el entregable y la precisión importe más que la latencia: ediciones iteradas en las que un cambio hecho en el segundo turno tiene que sobrevivir al tercero, composiciones sensibles al diseño, inpainting con máscara que tiene que quedar justo donde apuntaste. La guía de generación de imágenes del proveedor ofrece la distinción en una sola frase: «Elige Sunburst para flujos de trabajo en los que la precisión de edición sea lo más importante, y Flare para una generación de imágenes cotidiana, rápida y de alta calidad».

La salvedad honesta: el proveedor no publica una cifra de latencia, un costo por imagen ni un benchmark de calidad que cuantifique la diferencia entre ambos, así que "más lento" y "más preciso" son la caracterización del proveedor, no una proporción medida. El único panel independiente que incluye ambos modelos sí los separa, y coincide en el orden —consulta la sección de evidencia a continuación. Lo que no hace es ofrecerte una comparación directa con el mismo arnés y el mismo esfuerzo, con un intervalo de confianza que puedas poner en un plan de capacidad. Nadie ha publicado eso.

Un valor predeterminado viable si prefieres no pensarlo: llama a Flare en todas partes y enruta hacia Sunburst las solicitudes específicas en las que una edición deba mantenerse —las que llevan una máscara o un sujeto de referencia que necesitas mantener estable entre turnos. Esa es exactamente la forma de «modelo no probado, no apuestes la ruta de producción a él», donde enrutar un único endpoint entre ambos es más barato que comprometerse con uno.

Qué acepta y qué devuelve

Ambas variantes declaran el mismo envelope de modalidades en las páginas del modelo del proveedor. Entrada: texto e imagen. Salida: imagen. No se produce salida de texto, y las notas de precios del proveedor confirman la consecuencia: la salida de texto no se factura, porque el modelo no devuelve ninguna.

El rango de tamaños es más amplio de lo que sugieren los tres ajustes preestablecidos:

• Ajustes preestablecidos recomendados — 1024×1024 cuadrado, 1536×1024 horizontal, 1024×1536 vertical.

• Dimensiones personalizadas — ambos modelos aceptan arbitrarias WIDTHxHEIGHT cadenas, con tres restricciones indicadas textualmente en la guía: el ancho y el alto deben ser múltiplos de 16; la relación de aspecto debe estar entre 1:3 y 3:1; y ningún borde puede superar los 3840 píxeles.

• Presupuesto total de píxeles — entre 655.360 y 8.294.400 píxeles, que el proveedor denomina 4K en el límite superior.

• Zona experimental — las resoluciones superiores a 2560×1440 están marcadas como experimentales por el proveedor. Trate cualquier cosa que supere eso como no validada para producción.

El formato de salida predeterminado es PNG, con JPEG y WebP disponibles. La compresión se puede controlar mediante un output_compression parámetro en una escala de 0 a 100, y el proveedor señala que JPEG es más rápido que PNG — vale la pena saberlo si la latencia es la razón por la que elegiste Flare en primer lugar. Los fondos transparentes requieren background: "transparent" junto con un formato de salida PNG o WebP. La API devuelve datos de imagen codificados en base64.

La selección de calidad incluye low, medium, high, xhigh, max, y auto. Los dos modelos 2.5 son los que añaden xhigh y max; los modelos GPT Image anteriores se limitan a high. Ambas variantes 2.5 tienen auto como valor predeterminado. Si los niveles se leen como un segundo eje de calidad superpuesto a la elección Flare/Sunburst, es porque son lo mismo: eliges una variante y luego un nivel, y los dos se acumulan tanto en latencia como en costo.

Los límites de velocidad son idénticos para ambos modelos y se indican por nivel de uso como tokens e imágenes por minuto: Build 250.000 / 20, Launch 3.000.000 / 150, Grow 8.000.000 / 250. El mismo calendario se indica para gpt-image-2. El proveedor también señala que el uso de estos modelos puede requerir completar la verificación de organización de API.

La superficie de endpoints, y un conflicto de documentación

Esta es la sección en la que releer el material del proveedor es importante, porque las propias páginas del proveedor no concuerdan del todo.

Las páginas de modelo de gpt-image-2.5-sunburst y gpt-image-2.5-flare enumeran exactamente tres endpoints compatibles: v1/images/generations, v1/images/edits y v1/batch. Todo lo demás en la tabla está marcado como no compatible — incluidos v1/responses y v1/chat/completions. Esta es la misma superficie de tres endpoints que expone GPT-Image-2, y significa que la forma de Chat Completions que quizá hayas usado para un modelo de imágenes anterior no se transferirá.

La guía de generación de imágenes, sin embargo, describe una ruta de la API de Responses en la que seleccionas un modelo principal y nombras el modelo de imágenes dentro de un campo de herramienta, y las notas de la página de precios dicen que las tarifas de entrada en caché para GPT-Image-2 y 2.5 "solo se aplican a las generaciones de la API de Responses". Esas dos afirmaciones implican una superficie de Responses que la página del modelo marca explícitamente como no compatible. Los propios ejemplos prácticos de la guía emparejan la herramienta de imágenes con gpt-6-astra como modelo principal.

Estoy reportando el conflicto en lugar de resolverlo. La lectura conservadora —y la que hay que usar como base— es la página del modelo: generaciones, ediciones, batch. Prueba la ruta de Responses con tu propia cuenta antes de depender de ella, porque la página que la autorizaría actualmente dice no.

Comportamiento de representación y edición de texto

La edición es el objetivo de la generación 2.5, y la documentación es inusualmente específica sobre la mecánica y los límites.

El endpoint de ediciones se encarga del inpainting — la única función de edición que aparece en cualquiera de las páginas de los modelos. Subes una imagen más una máscara que identifica la región que se va a reemplazar. Dos restricciones importan más de lo que parecen. Primera: el enmascaramiento con estos modelos se basa por completo en el prompt; el modelo usa la máscara como guía y, en palabras del proveedor, «puede que no siga su forma exacta con total precisión». Segunda: la imagen y la máscara deben tener el mismo formato y tamaño y pesar menos de 50 MB, y la máscara debe incluir un canal alfa — una máscara simple en blanco y negro no funcionará hasta que le añadas uno mediante programación. Si proporcionas varias imágenes de entrada, la máscara se aplica a la primera.

En cuanto al texto, la frase honesta proviene de la propia lista de limitaciones del proveedor, no de una afirmación de marketing del proveedor: "Aunque ha mejorado significativamente, el modelo todavía puede tener dificultades con la colocación precisa del texto y la claridad". Lee eso al pie de la letra. Esta generación renderiza el texto mejor que sus predecesoras y sigue sin ser un motor de maquetación. La misma lista de limitaciones añade que los prompts complejos pueden tardar hasta dos minutos en procesarse, que el modelo puede tener dificultades para mantener visualmente consistentes los personajes recurrentes o los elementos de marca, y que puede tener dificultades para colocar elementos con precisión en composiciones estructuradas o sensibles a la maquetación. Cada uno de esos puntos es un argumento directo a favor de Sunburst para el trabajo de maquetación y en contra de asumir que cualquiera de las variantes respetará una plantilla.

La moderación se aplica a ambos: el proveedor declara que todos los prompts y las imágenes generadas se filtran según su política de contenido, con un parámetro moderation que ofrece auto (el valor predeterminado) o low, y las solicitudes bloqueadas que devuelven un código de error moderation_blocked con detalles opcionales.

Términos de licencia y uso según lo publicado

la documentación publicada del proveedor sobre modelos y generación de imágenes no incluye las cláusulas de titularidad de los resultados y de uso comercial; esas se encuentran en sus términos independientes, que no se reproducen en la documentación para desarrolladores. Lo que sí afirma la documentación para desarrolladores, en su guía de tratamiento de datos, es que los datos de la API no se utilizan para entrenamiento a menos que se opte por ello, y la tabla de la guía indica "usado para entrenamiento: No" para los /v1/images/generations y /v1/images/edits endpoints. La generación de imágenes también se describe allí como compatible con Zero Data Retention para los nombres de modelos específicos enumerados en esa página.

Nada en la documentación de la API concede ni describe un nivel gratuito, créditos gratuitos, una asignación de prueba ni una exención del límite de velocidad para ninguno de los modelos 2.5. No hay ninguna asignación gratuita publicada a la que remitirse. Lo que sí está publicado es un precio, y es el mismo que ya tenía GPT-Image-2: véase la sección siguiente.

El precio, y el hecho de que no se movió

El proveedor no publica ningún precio por imagen para ninguna de las variantes 2.5. El precio se mide en tokens, por millón, y las tarifas son idénticas entre los dos modelos e idénticas a las de GPT-Image-2:

• Estándar, entrada de texto — $5.00 por 1M de tokens; entrada de texto en caché $1.25.

• Estándar, entrada de imagen — $8.00 por 1M de tokens; entrada de imagen en caché $2.00.

• Estándar, salida de imagen — $30.00 por 1M de tokens.

• Lote, entrada de texto — $2.50; entrada de imagen $4.00; salida de imagen $15.00, con las tarifas en caché reducidas a la mitad en consecuencia.

Dos cosas sobre esa hoja valen más que los propios números. Primero, la generación 2.5 no subió el precio: gpt-image-2 indica $8 de entrada y $30 de salida en el apartado de imágenes y $5 en texto, exactamente igual que la 2.5. En contraste, GPT-Image-1.5 se sitúa en $8 de entrada y $32 de salida con una tarifa de salida de texto de $10, y GPT-Image-1 en $10 de entrada y $40 de salida. La actualización 2.5 es un cambio de capacidad y latencia con una tarifa sin cambios. Segundo, el proveedor señala que su calculadora existente de costos de generación de imágenes no estima el uso de 2.5, así que no deberías proyectar el gasto de estos modelos con herramientas creadas para la generación anterior. El proveedor no publica ninguna cifra por imagen, así que cualquier número por imagen que veas citado para estos modelos es la conversión de otra persona, no la del proveedor.

Como el precio se pasa tal cual desde la lista del proveedor, sin que añadamos ningún margen por nuestra parte, esas tarifas son las que pagas en OrcaRouter, y un cambio de tarifa del proveedor se aplica el mismo día. Ambos modelos están hoy en nuestro catálogo activo. Lo comprobé, ya que una afirmación de disponibilidad de una página anterior es exactamente el tipo de cosa que queda obsoleta: gpt-image-2.5-sunburst y gpt-image-2.5-flareambos se pueden enrutar a través del mismo endpoint compatible con OpenAI que todo lo demás, con las tarifas de imagen de $8 de entrada / $30 de salida indicadas arriba. Si estás evaluando el par en lugar de comprometerte con uno, eso importa por una razón práctica: una sola clave y una regla de enrutamiento te permiten enviar una clase de solicitudes a Sunburst y todo lo demás a Flare, y cambiar la distribución sin un segundo contrato ni un cambio de código.

Lo que dicen las pruebas independientes, y lo que nadie ha medido

el fabricante no publica puntuaciones de benchmark para ninguna de las dos variantes en las páginas de sus modelos. La evidencia independiente es más escasa de lo que dio a entender la cobertura del lanzamiento, y conviene ser precisos sobre lo que muestra y lo que no.

Artificial Analysis mantiene tableros de texto a imagen que abarcan tanto una clasificación de Elo de calidad como un precio de API representativo por cada 1000 imágenes generadas. En la captura tomada el 2026-10-12, tanto GPT Image 2.5 Sunburst (max) como GPT Image 2.5 Flare (max) aparecen como entradas muy bien posicionadas, con Sunburst ordenado por encima de Flare, y ambos situados por encima de GPT Image 2 (high). Deliberadamente no imprimo aquí los valores de Elo de esa captura: el tablero representa las cifras de cada modelo de forma gráfica y las etiquetas individuales no se pudieron extraer limpiamente de la página tal como se capturó, por lo que una cifra citada aquí sería una lectura de un gráfico y no de los datos que lo sustentan. Si necesitas la cifra, ve al tablero.

Ese eje de precios es también el único lugar donde actualmente existe una cifra equivalente por imagen para estos modelos — Artificial Analysis deriva un costo representativo por 1.000 imágenes a partir de precios medidos por tokens. Es una estimación independiente producida con la metodología de un tercero, no una tarifa del proveedor, y el propio proveedor no publica ninguna cifra por imagen en absoluto. Úsalo para comparar las formas del costo entre modelos; no lo cites como el precio del proveedor.

Lo que se sigue de esa evidencia, dicho con honestidad: el orden de las dos variantes se corrobora de forma independiente, que es la parte que importa para la decisión Flare-o-Sunburst. Lo que no está establecido es ninguna comparación entre una variante 2.5 y un modelo de imagen competidor medidos con el mismo esfuerzo y en un harness equivalente. Las entradas de la tabla están por niveles —"Sunburst (max)" y "Flare (max)" nombran el ajuste de calidad, y otros modelos en la misma tabla se listan en sus propios niveles, no en uno común. Una clasificación entre etiquetas de nivel no es una clasificación con ajustes iguales, y tratarla como si lo fuera exageraría lo que realmente se ha probado.

Dónde te deja esto

Si llegaste aquí con el nombre del modelo y nada más, los hechos relevantes son estos. Pide gpt-image-2.5-sunburst o gpt-image-2.5-flare; no hay una tercera opción ni un alias sin más. Ambos aceptan texto e imágenes y devuelven una imagen, de hasta 3840 píxeles de lado y 8.294.400 píxeles en total, desde uno de tres endpoints. Flare es la opción de rendimiento, Sunburst la de precisión, y la propia documentación del proveedor admite que la máscara es una guía más que un límite estricto, así que ninguna te dará una edición perfectamente determinista. La tarifa no ha cambiado respecto a GPT-Image-2: 8 dólares por millón de tokens de entrada de imagen y 30 dólares por millón de tokens de salida de imagen, con el modo por lotes a la mitad, y en la página del proveedor no existe ningún precio por imagen ni asignación gratuita con la que comparar.

Lo que todavía está genuinamente abierto es justo lo que más necesita un plan de capacidad: una diferencia de latencia medida y una comparación de calidad con un arnés emparejado entre las dos variantes. Hasta que alguien publique esos datos, la elección entre Flare y Sunburst es una decisión de diseño basada en el posicionamiento declarado por el proveedor y en el orden de una tabla de clasificación —lo cual es más de lo que ofrecen la mayoría de los lanzamientos, y menos de lo que ofrecería un benchmark.