GPT-Image-2.5: עמוד העזר של מודל התמונות המפוצל של OpenAI

אין מודל בשם gpt-image-2.5. אם תדביק את המחרוזת הזו ב-API של הספק, תקבל שגיאה, כי מזהה המודל לא קיים — ואם תפתח את תיעוד ה-API בכתובת שאמורה להכיל אותו, תקבל 404. מה שקיים הוא זוג: GPT-Image-2.5 Sunburst, שמזההו הוא gpt-image-2.5-sunburst ושאותו הספק מתאר כ'המודל המסוגל ביותר שלנו ליצירת תמונות ולעריכה', וGPT-Image-2.5 Flare, שמזההו הוא gpt-image-2.5-flare ושאותו הספק מתאר כ'יצירת תמונות יומיומית מהירה ואיכותית'. שניהם דור ההמשך של GPT-Image-2, והמערך כולו של שני המודלים הוא הדבר החשוב ביותר להבין לפני שתכתוב שורת קוד מול מי מהשניים. פער השמות הזה הוא גם הסיבה שהדף הזה קיים: לשאלה שאנשים מקלידים — "gpt image 2.5" — אין כאן תשובה ייעודית, אלא רק תשובות חלקיות הפזורות בין מאמרי וריאנטים והשוואות.

כל מה שמופיע במסמך עזר זה נלקח ישירות מתיעוד ה-API של הספק עצמו מתאריך 2026-10-12, בתוספת צילום מסך עצמאי אחד של לוח התוצאות מאותו היום. במקומות שבהם הספק אינו מפרסם דבר, עמוד זה מציין זאת במקום למלא את החסר. במקומות שבהם העמודים של הספק עצמו סותרים זה את זה, עמוד זה מציין גם זאת.

מהו GPT-Image-2.5, וכיצד הוא מתמקם ביחס ל-GPT-Image-2

GPT-Image-2.5 הוא הדור השלישי של משפחת מודלי התמונה הנמדדים לפי טוקנים של הספק, והיורש הישיר של GPT-Image-2, שתמונת המצב היחידה שלו ב-API מתוארכת ל-gpt-image-2-2026-04-21. דור 2.5 הגיע ל-API ב-2026-09-08 — שתי הווריאציות נושאות את התאריך הזה בשמות תמונות המצב המוגדרים כברירת מחדל שלהן, gpt-image-2.5-sunburst-2026-09-08 ו־gpt-image-2.5-flare-2026-09-08. זהו תאריך ההשקה לפי התיעוד של הספק עצמו, והוא בערך ארבעה וחצי חודשים אחרי GPT-Image-2. המודל אינו חדש השבוע; מה שלהלן הוא אסמכתא קבועה, ולא הודעת השקה.

השינוי בין הדורות אינו מודל בודד עם מספר גרסה גדול יותר. מדובר בפיצול. כל דור קודם של GPT-Image סופק עם מזהה מודל ראשי אחד — GPT-Image-1, אחר כך GPT-Image-1.5, ואז gpt-image-2 — ובחרת רמת איכות בתוך אותו מודל אחד. עם 2.5, הספק מספק שני מודלים בעלי שמות נפרדים וצילומי מצב נפרדים, ומבקש ממך לבחור לאיזה מהם שייך עומס העבודה שלך. אין מודל מטריה שמנתב לשניהם.

שלוש השלכות מעשיות נובעות מכך, וכדאי לנסח אותן בבירור, משום שהן בדיוק מה שקורא המחפש את שם המודל באמת צריך:

• אין כינוי gpt-image-2.5. קוד שנכתב כנגד שם בסיסי היפותטי לא יפעל; עליך לציין gpt-image-2.5-sunburst או gpt-image-2.5-flare במפורש.

• שני הווריאנטים חולקים מחירון ולוח מגבלות קצב, כך שהבחירה ביניהם היא החלטה של השהיה ודיוק, לא החלטה תקציבית. הניסוח של הספק עצמו לגבי הפיצול הוא פיצול עומסי עבודה, לא סולם איכות שמטפסים עליו כשמשלמים יותר.

• "GPT-Image-2.5" ללא סיומת הוא שם של דור, לא דגם. כשאתה רואה אותו ביומן שינויים, בחשבון או בהכרזת מוצר, הוא מתייחס לדור, ואתה עדיין צריך לדעת איזה משני הדגמים הפיק את העבודה.

Flare או Sunburst: איך לבחור

זו השאלה ששמו של המודל עצמו ממשיך לייצר, ואוצר המילים של הווריאציות מנוגד לאינטואיציה עד כדי כך שאנשים רבים שואלים אותה בשני הכיוונים לפני שהם מוצאים תשובה. כאן זה מוכרע, שורה אחת לכל וריאציה, על בסיס המיצוב שפרסם הספק ולא על סמך הסקה מבנצ'מרקים:

• Flare — gpt-image-2.5-flare, תמונת מצב gpt-image-2.5-flare-2026-09-08. בחר בו כאשר תפוקה וזמן אספקה הם האילוץ: יצירת תמונות יומיומית, צינורות בנפח גבוה, אבות טיפוס, ויזואלים חברתיים ומוצריים, כל דבר שבו "טוב, עכשיו" עדיף על "טוב יותר, בסופו של דבר". זהו המודל שהספק מתייג כאפשרות היומיומית המהירה והאיכותית, והוא זה שכדאי שתהפוך לקריאת ברירת המחדל שלך.

• Sunburst — gpt-image-2.5-sunburst, תמונת מצב gpt-image-2.5-sunburst-2026-09-08. בחרו בו כשהעריכה עצמה היא התוצר ודיוק חשוב יותר מהשהיה: עריכות איטרטיביות שבהן שינוי שנעשה בסבב השני חייב לשרוד את הסבב השלישי, קומפוזיציות רגישות לפריסה, ואינפיינטינג עם מסכה שחייב לנחות בדיוק במקום שאליו כיוונתם. מדריך יצירת התמונות של הספק מציג את החלוקה במשפט אחד: "בחרו ב-Sunburst עבור תהליכי עבודה שבהם דיוק העריכה הוא הקריטי ביותר, וב-Flare ליצירת תמונות יומיומית מהירה ואיכותית."

ההסתייגות הכנה: הספק אינו מפרסם נתון השהיה, עלות לתמונה, או מדד איכות המכמת את הפער בין השניים, כך ש"איטי יותר" ו"מדויק יותר" הם אפיון של הספק, לא יחס מדוד. הלוח העצמאי היחיד שמכיל את שני המודלים אכן מבדיל ביניהם, והוא מסכים על הסדר — ראו את סעיף הראיות שלהלן. מה שהוא אינו עושה הוא לתת לך השוואה ראש בראש עם רתמה תואמת ומאמץ תואם, עם רווח סמך שתוכל לשים בתכנית קיבולת. אף אחד לא פרסם זאת.

ברירת מחדל ישימה אם אתה מעדיף לא לחשוב על זה: תקרא ל-Flare בכל מקום, ותנתב ל-Sunburst את הבקשות הספציפיות שבהן עריכה חייבת להחזיק — אלה שנושאות מסכה, או סובייקט ייחוס שאתה צריך לשמור יציב לאורך סבבים. זו בדיוק התבנית של "מודל לא מוכח, אל תהמר עליו בנתיב הייצור" שבה ניתוב של נקודת קצה אחת בין שני המודלים זול יותר מלהתחייב לאחד מהם.

מה הוא מקבל ומה הוא מחזיר

שתי הווריאציות מצהירות על אותה מעטפת מודאליות בעמודי המודלים של הספק. קלט: טקסט ותמונה. פלט: תמונה. פלט טקסט אינו מיוצר, והערות התמחור של הספק מאשרות את ההשלכה — פלט טקסט אינו מחויב, משום שהמודל אינו מחזיר כזה.

מעטפת הגודל רחבה יותר ממה ששלושת המצבים המוגדרים מראש מרמזים:

• פריסטים מומלצים — 1024×1024 ריבועי, 1536×1024 אופקי, 1024×1536 אנכי.

• מידות מותאמות אישית — שני הדגמים מקבלים מחרוזות WIDTHxHEIGHT שרירותיות, עם שלושה אילוצים המופיעים כלשונם במדריך: הרוחב והגובה חייבים להיות כפולות של 16; יחס הגובה-רוחב חייב להיות בין 1:3 ל-3:1; ואף אחת מהצלעות לא תעלה על 3840 פיקסלים.

סך כל הפיקסלים — בין 655,360 ל-8,294,400 פיקסלים, מה שהספק מכנה 4K בגבול העליון.

• אזור ניסיוני — רזולוציות מעל 2560×1440 מסומנות על ידי הספק כניסיוניות. יש להתייחס לכל מה שמעבר לכך כבלתי מאומת לייצור.

פורמט הפלט מוגדר כברירת מחדל ל-PNG, כאשר JPEG ו-WebP זמינים. ניתן לשלוט בדחיסה באמצעות output_compression פרמטר בסולם של 0–100, והיצרן מציין ש-JPEG מהיר יותר מ-PNG — שווה לדעת אם השהיה היא הסיבה שבחרתם ב-Flare מלכתחילה. רקעים שקופים מחייבים background: "transparent" יחד עם פורמט פלט PNG או WebP. ה-API מחזיר נתוני תמונה מקודדים ב-base64.

בחירת האיכות נעה בין low, medium, high, xhigh, max, ו-auto. שני דגמי 2.5 הם אלה שמוסיפים xhigh ו-max; דגמי GPT Image קודמים מוגבלים ל-high. שתי הגרסאות של 2.5 מוגדרות כברירת מחדל ל-auto. אם הדרגות נקראות כציר איכות שני שנערם על גבי הבחירה ב-Flare/Sunburst, זה מפני שהן אחת: בוחרים גרסה ואז דרגה, ושתיהן מצטברות גם על השהיה וגם על העלות.

מגבלות הקצב זהות לשני המודלים, והן ניתנות לפי דרגת שימוש כאסימונים ותמונות בדקה: Build 250,000 / 20, Launch 3,000,000 / 150, Grow 8,000,000 / 250. אותו לוח זמנים מפורט עבור gpt-image-2. הספק גם מציין כי שימוש במודלים אלה עשוי לחייב השלמת אימות ארגון API.

משטח נקודות הקצה, וסתירה בתיעוד

זהו הקטע שבו קריאה חוזרת של החומר של הספק חשובה, מפני שהעמודים של הספק עצמו אינם תואמים זה את זה לחלוטין.

דפי המודל עבור gpt-image-2.5-sunburst ו-gpt-image-2.5-flare מפרטים בדיוק שלושה נקודות קצה נתמכות: v1/images/generations, v1/images/edits, ו-v1/batch. כל השאר בטבלה מסומן כלא נתמך — כולל v1/responses ו-v1/chat/completions. זהו אותו מערך של שלוש נקודות קצה ש-GPT-Image-2 חושף, וזה אומר שמבנה Chat Completions שאולי השתמשת בו עבור מודל תמונות קודם לא יעבור לכאן.

מדריך יצירת התמונות, לעומת זאת, מתאר נתיב של Responses API שבו בוחרים מודל ראשי ומציינים את מודל התמונה בתוך שדה של כלי, וההערות בעמוד התמחור אומרות שתעריפי קלט במטמון עבור GPT-Image-2 ו-2.5 "חלים רק על יצירות Responses API." שתי ההצהרות הללו מרמזות על משטח Responses שעמוד המודל מסמן במפורש כלא נתמך. הדוגמאות הפתורות של המדריך עצמו מצמידות את כלי התמונה עם gpt-6-astra כמודל הראשי.

אני מדווח על הקונפליקט במקום לפתור אותו. הפרשנות השמרנית — וזו שכדאי לבנות מולה — היא עמוד המודל: יצירות, עריכות, אצווה. בדוק את מסלול Responses מול החשבון שלך לפני שאתה מסתמך עליו, כי העמוד שאמור לאשר אותו כרגע אומר לא.

התנהגות רינדור ועריכה של טקסט

העריכה היא היעד של דור ה-2.5, והתיעוד מפורט באופן יוצא דופן בכל הנוגע למכניקה ולמגבלות.

נקודת הקצה לעריכות מטפלת באינפיינטינג — התכונה היחידה לעריכה הרשומה בכל אחד משני עמודי המודל. אתם מעלים תמונה בתוספת מסכה המזהה את האזור להחלפה. שתי מגבלות חשובות יותר מכפי שהן נראות. ראשית, המיסוך עם מודלים אלה מבוסס כולו על פרומפט: המודל משתמש במסכה כהנחיה, ובלשון הספק, "עשוי שלא לפעול לפי צורתה המדויקת בדיוק מוחלט". שנית, התמונה והמסכה חייבות להיות באותו פורמט ובאותו גודל, ובנפח של פחות מ-50MB, והמסכה חייבת לכלול ערוץ אלפא — מסכה פשוטה בשחור-לבן לא תעבוד עד שתוסיפו ערוץ אלפא באופן פרוגרמטי. אם תספקו מספר תמונות קלט, המסכה חלה על הראשונה.

בכל הנוגע לטקסט, האמירה הכנה מגיעה מרשימת המגבלות של הספק עצמו, ולא מטענה שיווקית של ספק: "למרות השיפור המשמעותי, המודל עדיין עשוי להתקשות במיקום טקסט מדויק ובבהירות." קראו זאת כפשוטו. הדור הזה מרנדר טקסט טוב יותר מקודמיו, ועדיין אינו מנוע פריסה. אותה רשימת מגבלות מוסיפה כי עיבוד של הנחיות מורכבות יכול להימשך עד שתי דקות, כי המודל עשוי להתקשות לשמור על עקביות חזותית של דמויות חוזרות או אלמנטים של מיתוג, וכי הוא עשוי להתקשות למקם אלמנטים בדיוק בהרכבים מובנים או רגישים לפריסה. כל אחד מאלה הוא טיעון ישיר בעד Sunburst בעבודות פריסה, ונגד ההנחה שאחת מהגרסאות תחזיק תבנית.

הסינון חל על שניהם: הספק מציין שכל הפרומפטים והתמונות שנוצרו מסוננים לפי מדיניות התוכן שלו, עם moderation כפרמטר המציע auto (ברירת המחדל) או low, ובקשות חסומות מחזירות קוד שגיאה של moderation_blocked עם פירוט אופציונלי.

תנאי רישיון ושימוש כפי שפורסמו

התיעוד המפורסם של הספק למודלים וליצירת תמונות אינו כולל את סעיפי הבעלות על הפלט והשימוש המסחרי; אלה מופיעים בתנאים הנפרדים שלו, שאינם משוכפלים בתיעוד למפתחים. מה שכן נאמר בתיעוד למפתחים, במדריך לטיפול בנתונים, הוא שנתוני API אינם משמשים לאימון אלא אם תבחרו להצטרף לכך, ובטבלה שבמדריך מצוין "used for training: No" עבור נקודות הקצה /v1/images/generations ו/v1/images/edits. יצירת תמונות מתוארת שם גם כתואמת Zero Data Retention עבור שמות המודלים הספציפיים המפורטים בעמוד זה.

שום דבר בתיעוד ה-API אינו מעניק או מתאר מסלול חינמי, קרדיטים חינמיים, מכסת ניסיון או פטור מהגבלת קצב עבור אף אחד משני דגמי 2.5. אין מכסה חינמית מפורסמת שאפשר להצביע עליה. מה שכן מפורסם הוא מחיר, והוא אותו מחיר שכבר היה ל-GPT-Image-2 — ראו בקטע הבא.

תמחור, והעובדה שהוא לא זז

הספק אינו מפרסם מחיר פר תמונה עבור אף אחד משני וריאנטי 2.5. התמחור נמדד בטוקנים, לכל מיליון, והתעריפים זהים בין שני המודלים וזהים לאלו של GPT-Image-2:

• סטנדרטי, קלט טקסט — $5.00 לכל 1M טוקנים; קלט טקסט במטמון $1.25.

• סטנדרטי, קלט תמונות — $8.00 לכל 1M אסימונים; קלט תמונות שמור במטמון $2.00.

• סטנדרטי, פלט תמונות — $30.00 לכל 1M טוקנים.

• אצווה, קלט טקסט — $2.50; קלט תמונה $4.00; פלט תמונה $15.00, כאשר תעריפי המטמון נחצים בהתאם.

שני דברים בגיליון הזה שווים יותר מהמספרים עצמם. ראשית, הדור 2.5 לא העלה את המחיר: gpt-image-2 מפרט 8$ בקלט ו-30$ בפלט בצד התמונה ו-5$ בטקסט, בדיוק כמו 2.5. לשם השוואה, GPT-Image-1.5 עומד על 8$ בקלט ו-32$ בפלט עם תעריף פלט טקסט של 10$, ו-GPT-Image-1 על 10$ בקלט ו-40$ בפלט. השדרוג ל-2.5 הוא שינוי ביכולות ובזמן התגובה בלוח תעריפים ללא שינוי. שנית, הספק מציין שמחשבון עלויות יצירת התמונות הקיים שלו אינו מעריך שימוש ב-2.5, כך שאין לחזות הוצאות עבור המודלים האלה באמצעות כלים שנבנו עבור הדור הישן יותר. הספק אינו מפרסם נתון לפי תמונה, כך שכל מספר לפי תמונה שתראו מצוטט עבור המודלים האלה הוא המרה של מישהו אחר, לא של הספק.

מכיוון שהמחיר מועבר לפי מחירון הספק בלי תוספת רווח מצדנו, התעריפים האלה הם מה שאתם משלמים ב-OrcaRouter, ושינוי בתעריפי הספק נכנס לתוקף באותו יום. שני המודלים נמצאים בקטלוג החי שלנו כבר היום. בדקתי, כי הצהרת זמינות מדף ישן היא בדיוק מהדברים שמתיישנים: gpt-image-2.5-sunburstוגם gpt-image-2.5-flareניתנים לניתוב דרך אותו נקודת קצה תואמת-OpenAI כמו כל השאר, בתעריפי התמונה של $8 קלט / $30 פלט שלמעלה. אם אתם בוחנים את השניים ולא מתחייבים לאחד, יש לכך סיבה מעשית — מפתח אחד וכלל ניתוב אחד מאפשרים לכם לשלוח סוג מסוים של בקשות ל-Sunburst ואת כל השאר ל-Flare, ולשנות את החלוקה בלי חוזה נוסף או שינוי בקוד.

מה אומרות בדיקות עצמאיות, ומה שאיש לא מדד

היצרן אינו מפרסם ציוני בנצ'מרק עבור אף אחת משתי הגרסאות בדפי הדגם שלו. הראיות הבלתי תלויות דלות יותר מכפי שסיקור ההשקה רמז, וכדאי להיות מדויקים לגבי מה שהן כן מראות ומה שהן אינן מראות.

Artificial Analysis מתחזקת לוחות טקסט-לתמונה הכוללים גם דירוג איכות-Elo וגם מחיר API מייצג לכל 1,000 תמונות שנוצרו. בצילום שנלקח ב-2026-10-12, גם GPT Image 2.5 Sunburst (max) וגם GPT Image 2.5 Flare (max) מופיעים כרשומות גבוהות, כאשר Sunburst מדורג מעל Flare, ושניהם ממוקמים מעל GPT Image 2 (high). אני בכוונה לא מדפיס ערכי Elo מהצילום הזה: הלוח מציג את הנתונים לכל דגם באופן גרפי, והתוויות הבודדות לא היו ניתנות לחילוץ נקי מהעמוד כפי שצולם, כך שמספר שיצוטט כאן יהיה קריאה של תרשים ולא של הנתונים שמאחוריו. אם אתה צריך את הנתון, לך ללוח.

ציר המחיר הזה הוא גם המקום היחיד שבו קיים כעת נתון השווה-ערך לתמונה בודדת עבור המודלים האלה — Artificial Analysis מפיקה עלות מייצגת ל-1,000 תמונות מתמחור מבוסס טוקנים. זהו אומדן עצמאי שהופק באמצעות מתודולוגיה של צד שלישי, ולא תעריף של ספק, והספק עצמו אינו מפרסם כלל נתון לתמונה בודדת. השתמשו בו כדי להשוות צורות עלות בין מודלים; אל תצטטו אותו כמחיר של הספק.

מה נובע מאותן ראיות, אם לנסח זאת בכנות: סדר שני הווריאנטים מאושש באופן בלתי תלוי, וזה החלק שחשוב להחלטה בין Flare ל-Sunburst. מה שלא מבוסס הוא כל השוואה בין וריאנט 2.5 לבין מודל תמונות מתחרה, שנמדדה במאמץ תואם ובהרנס תואם. הרשומות בלוח מסודרות בדרגים — "Sunburst (max)" ו-"Flare (max)" מציינים את הגדרת האיכות, ומודלים אחרים באותו לוח מופיעים בדרגים משלהם, לא בדרג משותף. דירוג בין תוויות דרג אינו דירוג בהגדרות שוות, והתייחסות אליו ככזה תגזים ביחס למה שנבדק בפועל.

איפה זה משאיר אותך

אם הגעתם לכאן עם שם המודל ותו לא, אלו העובדות המעשיות. בקשו gpt-image-2.5-sunburst או gpt-image-2.5-flare; אין אפשרות שלישית ואין כינוי סתמי. שניהם מקבלים טקסט ותמונות ומחזירים תמונה, עד קצה של 3840 פיקסלים ו-8,294,400 פיקסלים בסך הכול, מאחד משלושה נקודות קצה. Flare היא בחירת התפוקה, Sunburst בחירת הדיוק, והתיעוד של הספק עצמו מודה שהמסכה היא הנחיה ולא גבול קשיח, כך שאף אחד מהם לא ייתן לכם עריכה דטרמיניסטית לחלוטין. מחירון התעריפים לא השתנה מ-GPT-Image-2 ועומד על 8 דולר למיליון טוקנים של קלט תמונה ו-30 דולר למיליון טוקנים של פלט תמונה, עם אצווה בחצי, ובעמוד של הספק אין מחיר לתמונה בודדת או מכסה חינמית שאפשר להשוות אליהם.

מה שעדיין פתוח באמת הוא הדבר שתוכנית קיבולת רוצה בו יותר מכל: הבדל השהיה נמדד והשוואת איכות בהרנס תואם בין שתי הווריאציות. עד שמישהו יפרסם את אלה, הפיצול בין Flare ל-Sunburst הוא החלטת עיצוב המבוססת על המיצוב המוצהר של הספק ועל הסדר בלוח דירוג אחד — וזה יותר ממה שרוב ההשקות נותנות לך, ופחות ממה שבנצ'מרק היה נותן.