GPT-Image-2.5 : la page de référence du modèle d’image scindé d’OpenAI

Il n’existe aucun modèle appelé gpt-image-2.5. Si vous collez cette chaîne dans l’API du fournisseur, vous obtenez une erreur, car l’ID du modèle n’existe pas — et si vous ouvrez la documentation de l’API à l’adresse qui le contiendrait, vous obtenez un 404. Ce qui existe, c’est une paire : GPT-Image-2.5 Sunburst, dont l’identifiant est gpt-image-2.5-sunburst et que le fournisseur décrit comme « notre modèle le plus performant pour la génération et l’édition d’images », et GPT-Image-2.5 Flare, dont l’identifiant est gpt-image-2.5-flare et que le fournisseur décrit comme « une génération d’images rapide et de haute qualité au quotidien ». Tous deux constituent la génération qui succède à GPT-Image-2, et l’ensemble de cette organisation en deux modèles est la chose la plus importante, et de loin, à comprendre avant d’écrire la moindre ligne de code pour l’un ou l’autre. Cet écart de dénomination est aussi la raison d’être de cette page : la question que les gens tapent — « gpt image 2.5 » — n’a pas de réponse dédiée ici, seulement des réponses partielles dispersées dans des articles sur les variantes et des comparatifs.

Tout, dans cette référence, est tiré de la documentation API du fournisseur lui-même, datée du 2026-10-12, ainsi que d’un relevé indépendant d’un classement effectué le même jour. Là où le fournisseur ne publie rien, cette page le signale plutôt que de combler le vide. Là où les pages du fournisseur lui-même se contredisent, cette page le signale aussi.

Ce qu'est GPT-Image-2.5, et comment il se situe par rapport à GPT-Image-2

GPT-Image-2.5 est la troisième génération de la famille d’images à facturation par jetons du fournisseur et le successeur direct de GPT-Image-2, dont l’unique snapshot d’API est daté du gpt-image-2-2026-04-21. La génération 2.5 est arrivée dans l’API le 2026-09-08 — les deux variantes portent cette date dans leurs noms de snapshot par défaut, gpt-image-2.5-sunburst-2026-09-08 et gpt-image-2.5-flare-2026-09-08. Il s’agit de la date de lancement selon les propres registres du fournisseur, et elle se situe environ quatre mois et demi après GPT-Image-2. Le modèle n’est pas nouveau cette semaine ; ce qui suit est la référence permanente, et non un avis de lancement.

Le changement de génération n'est pas un simple modèle avec un numéro de version plus élevé. C'est une bifurcation. Chaque génération antérieure de GPT-Image livrait un seul identifiant de modèle principal — GPT-Image-1, puis GPT-Image-1.5, puis gpt-image-2 — et vous choisissiez un niveau de qualité à l'intérieur de ce seul modèle. Avec la version 2.5, le fournisseur livre deux modèles nommés séparément et figés séparément, et vous demande de choisir celui auquel votre charge de travail appartient. Il n'existe aucun modèle parapluie qui aiguille vers les deux.

Trois conséquences pratiques en découlent, et elles méritent d’être énoncées clairement, car ce sont exactement ce dont un lecteur qui recherche le nom du modèle a besoin :

• Il n'existe pas d'alias gpt-image-2.5. Un code écrit pour un nom nu hypothétique ne s'exécutera pas ; vous devez nommer gpt-image-2.5-sunburst ou gpt-image-2.5-flare explicitement.

• Les deux variantes partagent une grille tarifaire et un calendrier de limites de débit, donc votre choix entre elles est une décision de latence et de précision, pas une décision budgétaire. La façon dont le fournisseur présente lui-même cette séparation est une répartition par charge de travail, et non une échelle de qualité que l’on gravit en payant plus.

• « GPT-Image-2.5 » sans suffixe est un nom de génération, pas un modèle. Lorsque vous le voyez dans un journal des modifications, une facture ou une annonce produit, il désigne la génération, et vous devez encore savoir lequel des deux modèles a produit le travail.

Flare ou Sunburst : comment choisir

C’est la question que le nom même du modèle ne cesse de susciter, et le vocabulaire des variantes est assez contre-intuitif pour que beaucoup de gens la posent dans les deux sens avant de trouver une réponse. Voici donc la réponse tranchée, une ligne par variante, fondée sur le positionnement publié par le fournisseur plutôt que sur des déductions tirées des benchmarks :

• Flare — gpt-image-2.5-flare, instantané gpt-image-2.5-flare-2026-09-08. Choisissez-le lorsque le débit et les délais d'exécution sont la contrainte : génération d'images au quotidien, pipelines à fort volume, prototypes, visuels pour les réseaux sociaux et les produits, tout ce où « bon, tout de suite » l'emporte sur « mieux, plus tard ». C'est le modèle que le fournisseur présente comme l'option rapide et de haute qualité du quotidien, et c'est celui à retenir par défaut.

• Sunburst — gpt-image-2.5-sunburst, snapshot gpt-image-2.5-sunburst-2026-09-08. Choisissez-le lorsque l'édition constitue elle-même le livrable et que la précision importe plus que la latence : modifications itérées où une modification apportée au tour deux doit survivre au tour trois, compositions sensibles à la mise en page, inpainting masqué qui doit tomber exactement là où vous le visiez. Le guide de génération d'images du fournisseur résume la répartition en une phrase : « Choisissez Sunburst pour les workflows où la précision d'édition importe le plus, et Flare pour une génération d'images quotidienne rapide et de haute qualité. »

La mise en garde honnête : le fournisseur ne publie ni chiffre de latence, ni coût par image, ni benchmark de qualité qui quantifie l’écart entre les deux, donc « plus lent » et « plus précis » relèvent de la caractérisation du fournisseur, et non d’un ratio mesuré. Le seul tableau indépendant qui référence les deux modèles les distingue bel et bien, et il confirme l’ordre — voir la section des preuves ci-dessous. Ce qu’il ne fait pas, c’est vous fournir une comparaison directe à harnais identique et effort identique, avec un intervalle de confiance que vous pourriez inscrire dans un plan de capacité. Personne n’a publié cela.

Un choix par défaut viable si vous préférez ne pas y penser : appelez Flare partout, et dirigez vers Sunburst les requêtes précises où une modification doit tenir — celles qui portent un masque, ou un sujet de référence que vous devez garder stable d’un tour à l’autre. C’est exactement la configuration « modèle non éprouvé, ne misez pas le chemin de production dessus » où faire passer un seul point de terminaison par les deux revient moins cher que de s’engager sur un seul.

Ce qu’il accepte et ce qu’il renvoie

Les deux variantes déclarent la même enveloppe de modalités sur les pages du modèle du fournisseur. Entrée : texte et image. Sortie : image. Aucune sortie texte n'est produite, et les notes tarifaires du fournisseur confirment la conséquence — la sortie texte n'est pas facturée, car le modèle n'en renvoie aucune.

La plage de tailles est plus large que ne le suggèrent les trois préréglages :

• Préréglages recommandés — 1024×1024 carré, 1536×1024 paysage, 1024×1536 portrait.

• Dimensions personnalisées — les deux modèles acceptent des chaînes arbitraires WIDTHxHEIGHT avec trois contraintes énoncées textuellement dans le guide : la largeur et la hauteur doivent être des multiples de 16 ; le rapport d'aspect doit être compris entre 1:3 et 3:1 ; et aucun des deux côtés ne peut dépasser 3840 pixels.

• Budget total de pixels — entre 655 360 et 8 294 400 pixels, que le fournisseur présente comme de la 4K au maximum.

• Zone expérimentale — les résolutions supérieures à 2560×1440 sont signalées comme expérimentales par le fournisseur. Considérez tout ce qui dépasse ce seuil comme non validé pour la production.

Le format de sortie est PNG par défaut, avec JPEG et WebP disponibles. La compression peut être contrôlée au moyen d'unoutput_compression, un paramètre sur une échelle de 0 à 100, et le fournisseur précise que JPEG est plus rapide que PNG — bon à savoir si la latence est la raison pour laquelle vous avez choisi Flare au départ. Les arrière-plans transparents nécessitentbackground: "transparent" associé à un format de sortie PNG ou WebP. L'API renvoie des données d'image encodées en base64.

La sélection de qualité comprend low, medium, high, xhigh, max, et auto. Les deux modèles 2.5 sont ceux qui ajoutent xhigh et max ; les modèles GPT Image antérieurs plafonnent à high. Les deux variantes 2.5 sont par défaut sur auto. Si ces niveaux se lisent comme un second axe de qualité empilé par-dessus le choix Flare/Sunburst, c'est parce qu'ils n'en forment qu'un : vous choisissez une variante, puis un niveau, et les deux se cumulent à la fois sur la latence et sur le coût.

Les limites de débit sont identiques pour les deux modèles et sont définies par palier d'utilisation en jetons et en images par minute : Build 250 000 / 20, Launch 3 000 000 / 150, Grow 8 000 000 / 250. Le même barème est indiqué pour gpt-image-2. Le fournisseur précise également que l'utilisation de ces modèles peut nécessiter de compléter la vérification de l'organisation API.

La surface des points de terminaison, et un conflit documentaire

C’est la section où la relecture des documents du fournisseur compte, car les propres pages du fournisseur ne concordent pas entièrement.

Les pages du modèle pour gpt-image-2.5-sunburst et gpt-image-2.5-flare répertorient exactement trois points de terminaison pris en charge : v1/images/generations, v1/images/edits, et v1/batch. Tout le reste du tableau est indiqué comme non pris en charge — y compris v1/responses et v1/chat/completions. Il s'agit de la même surface à trois points de terminaison qu'expose GPT-Image-2, ce qui signifie que la forme Chat Completions que vous avez peut-être utilisée pour un modèle d'image antérieur ne sera pas transposée.

Le guide de génération d'images, cependant, décrit un parcours de l'API Responses dans lequel vous sélectionnez un modèle principal et nommez le modèle d'image dans un champ d'outil, et les notes de la page de tarification indiquent que les tarifs des entrées mises en cache pour GPT-Image-2 et 2.5 « s'appliquent uniquement aux générations de l'API Responses ». Ces deux affirmations impliquent une surface Responses que la page du modèle marque explicitement comme non prise en charge. Les propres exemples détaillés du guide associent l'outil d'image à gpt-6-astra comme modèle principal.

Je signale le conflit plutôt que de le résoudre. La lecture conservatrice — et celle sur laquelle il faut bâtir — est la page du modèle : generations, edits, batch. Testez le chemin Responses avec votre propre compte avant d'en dépendre, car la page qui l'autoriserait dit actuellement non.

Comportement de rendu et d’édition de texte

L’édition est ce vers quoi tend la génération 2.5, et la documentation est inhabituellement précise sur les mécanismes et les limites.

Le point de terminaison edits gère l'inpainting — la seule fonctionnalité d'édition répertoriée sur l'une ou l'autre des pages de modèle. Vous téléchargez une image ainsi qu'un masque identifiant la région à remplacer. Deux contraintes importent plus qu'elles n'y paraissent. Premièrement, le masquage avec ces modèles est entièrement basé sur le prompt : le modèle utilise le masque comme indication et, selon les termes du fournisseur, « peut ne pas suivre sa forme exacte avec une précision complète ». Deuxièmement, l'image et le masque doivent être au même format et de même taille et faire moins de 50 Mo, et le masque doit comporter un canal alpha — un simple masque noir et blanc ne fonctionnera pas tant que vous n'en ajoutez pas un par programmation. Si vous fournissez plusieurs images d'entrée, le masque s'applique à la première.

Sur le texte, la phrase honnête provient de la propre liste de limitations du fournisseur, et non d'une affirmation marketing de ce dernier : « Bien que considérablement amélioré, le modèle peut encore avoir du mal avec le placement précis et la clarté du texte. » Prenez cela au pied de la lettre. Cette génération rend le texte mieux que ses prédécesseurs et n'est toujours pas un moteur de mise en page. La même liste de limitations ajoute que les invites complexes peuvent prendre jusqu'à deux minutes à traiter, que le modèle peut avoir du mal à maintenir la cohérence visuelle de personnages récurrents ou d'éléments de marque, et qu'il peut avoir des difficultés à placer précisément des éléments dans des compositions structurées ou sensibles à la mise en page. Chacun de ces points plaide directement en faveur de Sunburst pour le travail de mise en page et contre l'idée de supposer que l'une ou l'autre variante respectera un gabarit.

La modération s'applique dans les deux cas : le fournisseur déclare que toutes les invites et les images générées sont filtrées conformément à sa politique de contenu, avec un moderationparamètre proposant auto (par défaut) ou low, et les requêtes bloquées renvoyant un code d'erreur moderation_blocked avec un détail facultatif.

Conditions de licence et d'utilisation telles que publiées

la documentation publiée du fournisseur sur les modèles et la génération d'images ne comporte pas les clauses de propriété des résultats et d'utilisation commerciale ; celles-ci figurent dans ses conditions distinctes, qui ne sont pas reproduites dans la documentation destinée aux développeurs. Ce que la documentation destinée aux développeurs indique, dans son guide de traitement des données, c'est que les données de l'API ne sont pas utilisées pour l'entraînement, sauf si vous y consentez, et le tableau du guide indique « utilisées pour l'entraînement : Non » pour les points de terminaison /v1/images/generations et /v1/images/edits. La génération d'images y est également décrite comme compatible avec la conservation nulle des données (Zero Data Retention) pour les noms de modèles spécifiques listés sur cette page.

Rien dans la documentation de l’API n’accorde ni ne décrit de niveau gratuit, de crédits gratuits, d’allocation d’essai ou d’exemption de limite de débit pour l’un ou l’autre des modèles 2.5. Il n’existe aucune allocation gratuite publiée à invoquer. Ce qui est publié, c’est un prix, et c’est le même que celui que GPT-Image-2 appliquait déjà — voir la section suivante.

La tarification, et le fait qu’elle n’a pas bougé

le fournisseur ne publie aucun prix par image pour l’une ou l’autre variante 2.5. La tarification est mesurée en tokens, par million, et les tarifs sont identiques pour les deux modèles et identiques à ceux de GPT-Image-2 :

• Entrée de texte standard — 5,00 $ par 1M de tokens ; entrée de texte mise en cache 1,25 $.

• Entrée image standard — 8,00 $ par million de tokens ; entrée image mise en cache : 2,00 $.

• Standard, sortie d'images — 30,00 $ par million de jetons.

• Traitement par lots, entrée texte — 2,50 $ ; entrée d'image 4,00 $ ; sortie d'image 15,00 $, les tarifs mis en cache étant réduits de moitié en conséquence.

Deux choses sur cette fiche valent plus que les chiffres eux-mêmes. Premièrement, la génération 2.5 n'a pas augmenté le prix : gpt-image-2affiche 8 $ en entrée et 30 $ en sortie côté image, et 5 $ pour le texte, exactement comme la 2.5. À titre de comparaison, GPT-Image-1.5 se situe à 8 $ en entrée et 32 $ en sortie, avec un tarif de 10 $ en sortie texte, et GPT-Image-1 à 10 $ en entrée et 40 $ en sortie. La mise à niveau 2.5 est un changement de capacités et de latence à grille tarifaire inchangée. Deuxièmement, le fournisseur signale que son calculateur de coûts de génération d'images existant n'estime pas l'usage de la 2.5, vous ne devriez donc pas projeter les dépenses pour ces modèles à partir d'outils conçus pour la génération précédente. Le fournisseur ne publie aucun chiffre par image, donc tout chiffre par image que vous voyez cité pour ces modèles provient de la conversion de quelqu'un d'autre, pas de celle du fournisseur.

Comme le prix est répercuté au tarif catalogue du fournisseur, sans marge ajoutée de notre côté, ces tarifs sont ceux que vous payez sur OrcaRouter, et un changement de tarif fournisseur est répercuté le jour même. Les deux modèles figurent dans notre catalogue en ligne aujourd’hui. J’ai vérifié, car une affirmation de disponibilité issue d’une page plus ancienne est exactement le genre de chose qui devient obsolète : gpt-image-2.5-sunburst et gpt-image-2.5-flare sont tous deux acheminables via le même point de terminaison compatible OpenAI que tout le reste, aux tarifs d’image de 8 $ en entrée / 30 $ en sortie indiqués ci-dessus. Si vous évaluez la paire plutôt que de vous engager sur un seul, cela compte pour une raison pratique — une seule clé et une règle de routage vous permettent d’envoyer une catégorie de requêtes vers Sunburst et tout le reste vers Flare, et de modifier la répartition sans second contrat ni modification de code.

Ce que disent les tests indépendants, et ce que personne n'a mesuré

Le fournisseur ne publie aucun résultat de benchmark pour aucune des deux variantes sur ses pages de modèle. Les preuves indépendantes sont plus minces que ne le laissait entendre la couverture du lancement, et il vaut la peine d'être précis sur ce qu'elles montrent et ne montrent pas.

Artificial Analysis tient des classements de génération d’images à partir de texte couvrant à la fois un classement Elo de qualité et un prix d’API représentatif pour 1 000 images générées. Sur la capture prise le 2026-10-12,GPT Image 2.5 Sunburst (max) et GPT Image 2.5 Flare (max) apparaissent tous deux comme des entrées bien placées, Sunburst étant classé au-dessus de Flare, et tous deux placés au-dessus de GPT Image 2 (high) Je ne donne délibérément pas les valeurs Elo de cette capture : le classement restitue ses chiffres par modèle sous forme graphique et les étiquettes individuelles n’étaient pas extractibles proprement de la page telle que capturée, donc un nombre cité ici serait une lecture d’un graphique plutôt que des données qui le sous-tendent. Si vous avez besoin du chiffre, rendez-vous sur le classement.

Cet axe de prix est aussi le seul endroit où existe actuellement une valeur équivalente par image pour ces modèles — Artificial Analysis dérive un coût représentatif pour 1 000 images à partir d’une tarification facturée en tokens. Il s’agit d’une estimation indépendante produite selon la méthodologie d’un tiers, et non d’un tarif de fournisseur, et le fournisseur lui-même ne publie absolument aucune valeur par image. Utilisez-la pour comparer les profils de coût entre les modèles ; ne la citez pas comme le prix du fournisseur.

Ce qui découle de ces éléments, dit honnêtement : l'ordre des deux variantes est corroboré de manière indépendante, et c'est là la partie qui importe pour la décision Flare-ou-Sunburst. Ce qui n'est pas établi, c'est une quelconque comparaison entre une variante 2.5 et un modèle d'image concurrent, mesurés à effort égal et sur un banc d'essai identique. Les entrées du tableau sont réparties par niveaux — « Sunburst (max) » et « Flare (max) » désignent le réglage de qualité, et les autres modèles figurant sur le même tableau sont listés selon leurs propres niveaux, non selon un niveau commun. Un classement entre des libellés de niveaux n'est pas un classement à réglages égaux, et le traiter comme tel reviendrait à surestimer ce qui a réellement été testé.

Où cela vous laisse

Si vous êtes arrivé ici avec le nom du modèle et rien d'autre, voici les faits déterminants. Demandez gpt-image-2.5-sunburst ou gpt-image-2.5-flare ; il n'existe pas de troisième option ni d'alias nu. Les deux acceptent du texte et des images et renvoient une image, jusqu'à un bord de 3 840 pixels et 8 294 400 pixels au total, depuis l'un des trois points de terminaison. Flare est le choix du débit, Sunburst celui de la précision, et la documentation du fournisseur reconnaît elle-même que le masque est une indication plutôt qu'une limite stricte ; ni l'un ni l'autre ne vous offrira donc une édition parfaitement déterministe. La grille tarifaire est inchangée par rapport à GPT-Image-2, à 8 $ par million de jetons d'entrée d'image et 30 $ par million de jetons de sortie d'image, le traitement par lot étant à moitié prix, et aucune tarification à l'image ni allocation gratuite n'existe sur la page du fournisseur pour servir de comparaison.

Ce qui reste véritablement en suspens est précisément ce qu’un plan de capacité souhaite le plus : une différence de latence mesurée et une comparaison de qualité à harnais apparié entre les deux variantes. Tant que personne ne publie ces éléments, le partage entre Flare et Sunburst relève d’une décision de conception fondée sur le positionnement annoncé par le fournisseur, plus l’ordre d’un classement — ce qui est plus que ce que la plupart des lancements vous donnent, et moins que ce qu’un benchmark apporterait.