GPT Image 2.6 aparece nombrado en la especificación de OpenAI y en ningún otro lugar

GPT Image 2.6 existe esta semana como una cadena dentro de la descripción de un campo y nada más. El 28 de octubre de 2026, un commit al repositorio OpenAPI público de OpenAI añadió un nuevo parámetro de edición de imágenes llamado markup y lo describió con una frase que importa: «Compatible con GPT Image 2.5 y 2.6». Todo lo demás que necesitarías para llamar a un modelo falta. No hay identificador gpt-image-2.6 en la propia enumeración de la especificación, ni precio, ni entrada en el registro de cambios, ni fila en la tabla de clasificación, ni anuncio. Los modelos de imagen de OpenAI que ese mismo archivo sí enumera como invocables siguen siendo gpt-image-1-mini, gpt-image-1.5, gpt-image-2, GPT Image 2.5 Sunburst y GPT Image 2.5 Flare. Así que esto no es una historia de lanzamiento. Es una historia sobre lo que una sola frase en el contrato legible por máquina del propio proveedor te dice, y lo que deliberadamente no dice.

La evidencia, hasta el commit.

El cambio es lo bastante pequeño para leerlo entero. El commit aa88004, creado por el bot OpenAI OpenAPI Publisher a las 20:56 UTC del 28 de octubre, se titula "Añadir la propiedad 'markup' a los endpoints de edición de imágenes" y afecta a 27 líneas en openapi.json y openapi.yaml. Incluye una referencia a la revisión 1326001 de la fuente de documentación de la API, que es cómo la referencia generada sabe qué texto mostrar. Las mismas cuatro frases aparecen ahora en la página de referencia de edición de imágenes en developers.openai.com.

Esto es todo lo que markup es, según la propia especificación de OpenAI:

• Es un PNG transparente superpuesto sobre la primera imagen en la solicitud de edición.

• Se puede proporcionar como un ID de archivo, una URL HTTPS o una URL de datos base64.

• Debe coincidir con las dimensiones de esa imagen después de la orientación y debe contener píxeles transparentes.

• Es compatible con GPT Image 2.5 y 2.6, y no se puede combinar con máscara.

Esa es toda la descripción pública. No hay diagrama, ni ejemplo, ni explicación de cómo se interpreta la superposición, ni ninguna indicación sobre en qué se diferencia 2.6 de 2.5, y ninguna pista sobre los tiempos. La especificación es legible por máquina y exhaustiva en cuanto a las formas de los campos, pero casi no dice nada sobre la semántica, lo cual es normal en un contrato y frustrante para cualquiera que intente planificar en torno a ella.

Lo que falta es más informativo que lo que está presente.

Busque en el openapi.json de 5 MB cualquier identificador que contenga gpt-image-2.6 y no obtiene nada. La descripción textual de los modelos admitidos en el endpoint de edición enumera la familia por nombre y se detiene en los dos SKU de septiembre y sus instantáneas con fecha: gpt-image-2.5-sunburst, gpt-image-2.5-sunburst-2026-09-08, gpt-image-2.5-flare, gpt-image-2.5-flare-2026-09-08. Un modelo que no puede nombrarse en un campo de modelo no es un modelo al que se pueda llamar, y el repositorio que debería llevar ese nombre no se ha actualizado para incluirlo.

Este es el patrón que OpenAI utilizó antes de GPT Image 2.5 a principios de septiembre: las referencias aparecen en la documentación generada y en los archivos de especificación antes de que la página del producto, la tabla de precios y el registro de cambios se pongan al día. Es también el patrón que produjo tres identificadores aurora- en el listado de modelos de OpenAI el 17 de octubre, que aparecieron y se retiraron de nuevo en cuestión de minutos y que no se han explicado desde entonces. Un nombre en una especificación es un indicador adelantado. No es una promesa, y tampoco es una fecha.

El marcado es una entrada, no un modelo — y ese es el cambio real

El número de versión es el titular, pero el parámetro es la sustancia. Hoy, una edición de imagen puede recibir una máscara: una región binaria que dice "cambia aquí, deja el resto intacto". El prompt tiene que cargar todo el significado, porque la máscara no carga ninguno: es un agujero sin semántica dentro. El marcado es un tipo de objeto diferente. Es una imagen superpuesta a la imagen, y una imagen puede contener una flecha, un recuadro dibujado alrededor de un logotipo, un garabato en el margen, dos regiones diferenciadas por color o una nota escrita a mano. Si el modelo lee esa superposición como instrucción en lugar de como píxeles que fusionar, la solicitud de edición deja de ser "reemplaza esta región" y pasa a ser "haz lo que dice el dibujo".

Esa última frase es una inferencia, no documentación. OpenAI ha publicado exactamente cuatro frases sobre markup y ninguna de ellas describe la interpretación. Lo que la especificación dice sin ambigüedad es la exclusividad: markup no se puede combinar con mask. Por tanto, no se trata de una entrada adicional incorporada al flujo de edición existente. Es una segunda ruta a través del endpoint, y cada solicitud toma una u otra. Las llamadas existentes con mask y prompt no se ven afectadas porque el campo es opcional, pero un producto que quiera edición basada en anotaciones optará por una forma de llamada diferente en lugar de extender la actual.

Hay un eco del lado del consumidor que vale la pena señalar. ChatGPT Images 2.5 se lanzó con una herramienta Sketch el 8 de septiembre: dibuja sobre una imagen, pide un cambio. Markup se lee como la expresión del lado de la API de la misma idea: el dibujo se convierte en la instrucción, y el prompt se convierte en un pie de foto para este. No está confirmado si es lo que OpenAI pretende, pero las restricciones del campo —las mismas dimensiones, píxeles transparentes, mutuamente excluyente con mask— encajan con esa lectura y con poco más.

La otra mitad de la filtración es un nombre en clave de Arena

La señal que dio inicio a este artículo combina el avistamiento en la documentación con pruebas ciegas en Arena: gpt-image-2.5-sunburst a la izquierda, un anónimo shooting-star-green-alpha a la derecha, con dos checkpoints probados y un segundo resultado publicado en las respuestas. Un artículo en coreano publicado el 28 de octubre describe que la misma familia de nombres en clave aparece en la tabla de clasificación de imágenes de Arena —su titular nombra tanto a un Green Alpha como a un Red Alpha—, informa de que solo se veía marginalmente diferente de GPT Image 2.5, con algo menos de granulosidad, y advierte de que hicieron falta varias generaciones antes de que una saliera bien.

Nada verifica que shooting-star-green-alpha sea GPT Image 2.6. El vínculo es circunstancial: el nombre en clave apareció la misma semana que la frase de la especificación, se está comparando con el principal modelo de edición actual, y el sufijo -alpha coincide con los identificadores aurora-*-alpha del 17 de octubre. Los nombres en clave de Arena ya se han atribuido mal antes, y dos variantes de distinto color no son prueba de dos versiones distintas del modelo: bien pueden ser dos checkpoints de muestreo del mismo. Trata la parte de Arena como un avistamiento de probadores, no como un resultado de benchmark, y considera "marginalmente mejor que 2.5" como el desenlace más probable hasta que alguien publique una comparación con puntuación.

Lo que la 2.6 tendría que superar

El tablero relevante es el de edición de imágenes, porque el marcado es una función de edición. Tal como se muestra en Artificial Analysis el 29 de octubre, la parte superior de esa clasificación se ve así:

• GPT Image 2.5 Sunburst (max) — OpenAI, Elo 1.199, primero.

• MAI-Image-2.7-Preview — Microsoft AI, Elo 1,193, segundo.

• GPT Image 2.5 Flare (max) — OpenAI, Elo 1.182, tercero.

• MAI-Image-2.6 — Microsoft AI, Elo 1.151, cuarto, empatado con Krea 3 (Ultra) y Nano Banana 2.1.

• GPT Image 2 (alta) — OpenAI, Elo 1.136, octavo.

No hay ninguna entrada de GPT Image 2.6 en ese ranking, que es la confirmación más limpia de la que se dispone de que no se ha lanzado nada. Tampoco hay espacio en la cima: la diferencia entre el primero y el segundo es de seis puntos, y la diferencia entre Sunburst y su propio hermano Flare es de diecisiete. Ambos tienen intervalos del 95 % que se solapan: de 1.188 a 1.210 para Sunburst, de 1.171 a 1.193 para Flare. Un 2.6 que solo redujera el grano, tal como lo describen los probadores de Arena, caería dentro de ese ruido en lugar de quedar por encima. La pregunta interesante no es si 2.6 supera a 2.5 en Elo. Es si la ruta de marcado cambia lo que puede expresar una solicitud de edición, porque ese es el tipo de capacidad que una tabla de clasificación de comparaciones por pares mide mal.

El precio que heredaría, y lo que puedes llamar hoy

GPT Image 2.5 se lanzó el 8 de septiembre con dos SKU de API —Flare como opción predeterminada, con una latencia un 50 % inferior a la de GPT Image 2, y Sunburst como variante de edición de precisión— y mantuvo exactamente la tarifa de GPT Image 2:

• Entrada de imágenes — $8.00 por 1M de tokens, entrada de imágenes en caché $2.00 por 1M, salida de imágenes $30.00 por 1M.

• Entrada de texto — $5.00 por 1M de tokens, en caché $1.25 por 1M.

• Lote — mitad de precio: $4.00 por entrada de imagen, $1.00 en caché, $15.00 por salida de imagen, $2.50 por entrada de texto.

OpenAI no ha publicado ningún precio para GPT Image 2.6, y no hay ningún precio de lista por imagen en su propia página de precios en absoluto — el cobro es por token, así que el costo por imagen generada varía según el tamaño, la calidad y la cantidad de imágenes de referencia que se envíen. A modo de referencia, la tabla de clasificación de Artificial Analysis incluye una estimación independiente de $210.70 por cada 1.000 imágenes de máxima calidad, unos 21 centavos cada una; use una cifra como esa para presupuestar, no una estimación por imagen que alguien haya publicado. Si 2.6 llega a lanzarse, el supuesto predeterminado útil es la tarifa vigente, ya que 2.5 no cambió nada respecto a 2.0; pero eso es solo un dato, no una política, y un cambio de precio sería el acontecimiento más digno de noticia.

Ambos SKU de 2.5 ya se pueden invocar a través de OrcaRouter hoy, a $8.00 de entrada y $30.00 de salida por 1 millón de tokens: el precio de lista del proveedor se traslada con 0 % de margen, con la misma clave que el resto del catálogo. GPT Image 2.6 no está en el catálogo, y nada en esta filtración sugiere una fecha para su incorporación. Lo que sí aporta la capa de enrutamiento es la parte económica de la transición: cuando aparezca un nuevo modelo de imágenes, el DSL de enrutamiento te permite enviarle una parte del tráfico mientras el resto permanece en el SKU en el que confías, y la conmutación automática por error cubre los errores del proveedor. No puede inventar un segundo upstream para un modelo que solo sirve un proveedor, así que un checkpoint completamente nuevo sigue siendo un punto único de fallo hasta que esté ampliamente replicado.

Cuatro señales que convertirían un nombre en un modelo

Si quieres saber cuándo esto deja de ser una filtración, presta atención a la especificación en lugar de la línea de tiempo:

• Un identificador gpt-image-2.6 que aparece en la enumeración de modelos de la especificación, o en la lista de modelos de imagen GPT compatibles del endpoint de edición. Ese es el momento en que una llamada se vuelve posible.

• El registro de cambios o una publicación de producto de OpenAI. La empresa nunca ha lanzado una generación de GPT Image sin uno de ellos, incluido el lanzamiento de 2.5 que se distribuyó en ChatGPT, ChatGPT Work y Codex el mismo día.

• Una entrada puntuada en Artificial Analysis, idealmente con un Elo de edición y un recuento de muestras. Las capturas de pantalla de la arena seleccionadas por el proveedor no son eso.

• El campo markup estará disponible directamente en la API en lugar de quedarse en una revisión de la especificación: un parámetro que realmente puedes pasar, con un error de validación cuando las dimensiones de la superposición sean incorrectas.

También hay un falsificador. Si la próxima revisión de la especificación elimina discretamente la cláusula «y 2.6», la lectura probable es que un SKU planificado se renombró o se retrasó, exactamente como desaparecieron los identificadores aurora- en octubre. Las vistas previas de la documentación se retiran; eso es lo que las convierte en vistas previas.

Por ahora, la respuesta práctica no tiene nada de glamuroso. Si hoy editas imágenes con calidad de producción, GPT Image 2.5 Sunburst es el modelo con la mejor puntuación independiente y un precio publicado, y está disponible ahora; Flare es la opción para volumen a las mismas tarifas. No rehagas una canalización de edición en torno a un parámetro que tiene cuatro frases de documentación y ningún modelo invocable detrás. El nombre es real. El modelo, a 29 de octubre de 2026, no lo es.