GPT-Image-2.5: La pagina di riferimento per il modello di immagini split di OpenAI

Non esiste alcun modello chiamato gpt-image-2.5. Se incolli quella stringa nell'API del fornitore, ottieni un errore, perché l'ID del modello non esiste — e se apri la documentazione API all'indirizzo che dovrebbe contenerlo, ottieni un 404. Ciò che esiste è una coppia: GPT-Image-2.5 Sunburst, il cui identificatore è gpt-image-2.5-sunburst e che il fornitore descrive come "il nostro modello più capace per la generazione e la modifica di immagini", e GPT-Image-2.5 Flare, il cui identificatore è gpt-image-2.5-flare e che il fornitore descrive come "generazione di immagini quotidiana, veloce e di alta qualità". Entrambi sono la generazione successiva a GPT-Image-2, e l'intera configurazione a due modelli è la cosa più importante da capire prima di scrivere una riga di codice per l'uno o per l'altro. Quel divario di denominazione è anche il motivo per cui esiste questa pagina: la domanda che le persone digitano — "gpt image 2.5" — non ha qui una risposta dedicata, solo risposte parziali sparse tra articoli sulle varianti e sui confronti.

Tutto in questo riferimento è ricavato dalla documentazione API ufficiale del fornitore al 12 ottobre 2026, oltre a una rilevazione indipendente di una classifica dello stesso giorno. Laddove il fornitore non pubblica nulla, questa pagina lo dichiara anziché colmare il vuoto. Laddove le pagine del fornitore stesso non concordano tra loro, anche questo viene indicato qui.

Che cos'è GPT-Image-2.5 e come si colloca rispetto a GPT-Image-2

GPT-Image-2.5 è la terza generazione della famiglia di immagini a consumo di token del fornitore e il successore diretto di GPT-Image-2, il cui unico snapshot API è datato gpt-image-2-2026-04-21. La generazione 2.5 è arrivata nell'API l'8 settembre 2026 — entrambe le varianti riportano quella data nei loro nomi di snapshot predefiniti, gpt-image-2.5-sunburst-2026-09-08 e gpt-image-2.5-flare-2026-09-08. Questa è la data di lancio secondo i registri dello stesso fornitore, e cade circa quattro mesi e mezzo dopo GPT-Image-2. Il modello non è nuovo questa settimana; quello che segue è il riferimento stabile, non un annuncio di lancio.

Il cambio generazionale non è un singolo modello con un numero di versione più alto. È una biforcazione. Ogni precedente generazione di GPT-Image forniva un unico ID di modello principale — GPT-Image-1, poi GPT-Image-1.5, poi gpt-image-2 — e si selezionava un livello di qualità all'interno di quel singolo modello. Con la 2.5, il fornitore distribuisce due modelli con nomi distinti e snapshot separati, e ti chiede di scegliere a quale dei due appartiene il tuo carico di lavoro. Non esiste un modello ombrello che li smisti entrambi.

Ne derivano tre conseguenze pratiche, e vale la pena enunciarle chiaramente perché sono ciò di cui ha effettivamente bisogno un lettore che cerca il nome del modello:

• Non esiste alcun gpt-image-2.5 alias. Il codice scritto facendo riferimento a un ipotetico nome nudo non verrà eseguito; devi indicare gpt-image-2.5-sunburst oppure gpt-image-2.5-flare esplicitamente.

• Le due varianti condividono un listino prezzi e un programma di limiti di frequenza, quindi la tua scelta tra loro è una decisione di latenza e precisione, non una decisione di budget. L'inquadramento del fornitore stesso della suddivisione è una suddivisione per carico di lavoro, non una scala di qualità che si sale pagando di più.

• "GPT-Image-2.5" senza suffisso è un nome di generazione, non un modello. Quando lo si vede in un changelog, in una fattura o in un annuncio di prodotto, indica la generazione, e occorre comunque sapere quale dei due modelli ha prodotto il lavoro.

Flare o Sunburst: come scegliere

Questa è la domanda che il nome stesso del modello continua a generare, e il vocabolario delle varianti è abbastanza controintuitivo che molte persone la pongono in entrambe le direzioni prima di trovare una risposta. Ecco la soluzione, una riga per variante, basata sul posizionamento pubblicato dal fornitore anziché su inferenze tratte dai benchmark:

• Flare — gpt-image-2.5-flare, snapshot gpt-image-2.5-flare-2026-09-08. Scegliilo quando il vincolo sono throughput e tempi di consegna: generazione di immagini quotidiana, pipeline ad alto volume, prototipi, visual per social e prodotto, qualsiasi cosa in cui "buono, adesso" batte "meglio, prima o poi". È il modello che il fornitore etichetta come l'opzione quotidiana veloce e di alta qualità, ed è quello da impostare come scelta predefinita.

• Sunburst — gpt-image-2.5-sunburst, snapshot gpt-image-2.5-sunburst-2026-09-08. Sceglilo quando la modifica stessa è il risultato finale e la precisione conta più della latenza: modifiche iterate in cui una modifica apportata nel secondo turno deve sopravvivere al terzo, composizioni sensibili al layout, inpainting mascherato che deve finire dove hai mirato. La guida alla generazione di immagini del fornitore fornisce la distinzione in una frase: "Scegli Sunburst per i flussi di lavoro in cui la precisione di modifica conta di più, e Flare per la generazione rapida e di alta qualità di immagini quotidiane."

Il caveat onesto: il fornitore non pubblica una cifra di latenza, un costo per immagine né un benchmark di qualità che quantifichi il divario tra i due, quindi "più lento" e "più preciso" sono la caratterizzazione del fornitore, non un rapporto misurato. L'unica classifica indipendente che comprende entrambi i modelli li separa, e concorda sull'ordinamento — vedi la sezione delle prove qui sotto. Ciò che non fa è offrirti un confronto diretto a parità di banco di prova e di sforzo, con un intervallo di confidenza da inserire in un piano di capacità. Nessuno l'ha pubblicato.

Un default praticabile se preferisci non pensarci: chiama Flare ovunque e instrada verso Sunburst le richieste specifiche in cui una modifica deve tenere — quelle che portano una maschera, o un soggetto di riferimento che devi mantenere stabile tra i turni. È esattamente la forma "modello non comprovato, non puntare il percorso di produzione su di esso" in cui instradare un singolo endpoint su entrambi costa meno che impegnarsi su uno solo.

Che cosa accetta e che cosa restituisce

Entrambe le varianti dichiarano lo stesso perimetro di modalità nelle pagine dei modelli del fornitore. Input: testo e immagine. Output: immagine. L'output testuale non viene prodotto, e le note sui prezzi del fornitore confermano la conseguenza — l'output testuale non viene fatturato, perché il modello non ne restituisce alcuno.

L'intervallo dimensionale è più ampio di quanto suggeriscano le tre preimpostazioni:

• Preset consigliati — 1024×1024 quadrato, 1536×1024 orizzontale, 1024×1536 verticale.

• Dimensioni personalizzate — entrambi i modelli accettano stringhe arbitrarie WIDTHxHEIGHT, con tre vincoli indicati testualmente nella guida: larghezza e altezza devono essere multipli di 16; il rapporto d'aspetto deve essere compreso tra 1:3 e 3:1; e nessun lato può superare i 3840 pixel.

• Budget totale in pixel — tra 655.360 e 8.294.400 pixel, che il produttore presenta come 4K al massimo.

• Zona sperimentale — le risoluzioni superiori a 2560×1440 sono contrassegnate come sperimentali dal fornitore. Considera tutto ciò che va oltre come non convalidato per la produzione.

Il formato di output predefinito è PNG, con JPEG e WebP disponibili. La compressione è controllabile tramite un output_compression parametro su una scala da 0 a 100, e il fornitore osserva che JPEG è più veloce di PNG — cosa utile da sapere se la latenza è il motivo per cui hai scelto Flare fin dall'inizio. Gli sfondi trasparenti richiedono background: "transparent" abbinato a un formato di output PNG o WebP. L'API restituisce dati immagine codificati in base64.

La selezione della qualità prevede bassa, media, alta, xhigh, max e auto. I due modelli 2.5 sono quelli che aggiungono xhigh e max; i modelli GPT Image precedenti si fermano ad alta. Entrambe le varianti 2.5 hanno come impostazione predefinita auto. Se i livelli sembrano un secondo asse di qualità sovrapposto alla scelta Flare/Sunburst, è perché sono uno solo: scegli una variante e poi un livello, e i due si sommano sia sulla latenza sia sul costo.

I limiti di frequenza sono identici per entrambi i modelli e sono indicati in base al livello di utilizzo come token e immagini al minuto: Build 250.000 / 20, Launch 3.000.000 / 150, Grow 8.000.000 / 250. Lo stesso schema è indicato per gpt-image-2. Il fornitore osserva inoltre che l'utilizzo di questi modelli potrebbe richiedere il completamento della Verifica dell'organizzazione API.

La superficie degli endpoint, e un conflitto di documentazione

Questa è la sezione in cui rileggere il materiale del fornitore conta, perché le pagine del fornitore stesso non concordano del tutto.

Le pagine del modello per gpt-image-2.5-sunburst e gpt-image-2.5-flare elencano esattamente tre endpoint supportati: v1/images/generations, v1/images/edits e v1/batch. Tutto il resto nella tabella è contrassegnato come non supportato — inclusi v1/responses e v1/chat/completions. Questa è la stessa superficie a tre endpoint che espone GPT-Image-2, e significa che la forma Chat Completions che potresti aver usato per un modello di immagini precedente non sarà trasferibile.

La guida alla generazione di immagini, tuttavia, descrive un percorso dell'API Responses in cui si seleziona un modello principale e si indica il modello di immagini all'interno di un campo tool, e le note della pagina dei prezzi affermano che le tariffe di input nella cache per GPT-Image-2 e 2.5 "si applicano solo alle generazioni tramite API Responses". Queste due affermazioni implicano una superficie Responses che la pagina del modello contrassegna esplicitamente come non supportata. Gli esempi svolti della guida stessa abbinano lo strumento di generazione di immagini a gpt-6-astra come modello principale.

Sto segnalando il conflitto invece di risolverlo. La lettura conservativa — e quella su cui costruire — è la pagina del modello: generazioni, modifiche, batch. Metti alla prova il percorso Responses con il tuo account prima di farci affidamento, perché la pagina che lo autorizzerebbe al momento dice di no.

Comportamento di rendering e modifica del testo

L'editing è l'ambito a cui è rivolta la generazione 2.5, e la documentazione è insolitamente specifica sui meccanismi e sui limiti.

L'endpoint edits gestisce l'inpainting — l'unica funzionalità di modifica elencata in entrambe le pagine del modello. Carichi un'immagine più una maschera che identifica la regione da sostituire. Due vincoli contano più di quanto sembri. Primo, il mascheramento con questi modelli è interamente basato su prompt: il modello usa la maschera come guida e, secondo le parole del fornitore, "potrebbe non seguire la sua forma esatta con completa precisione". Secondo, l'immagine e la maschera devono avere lo stesso formato e le stesse dimensioni e essere inferiori a 50 MB, e la maschera deve avere un canale alfa — una semplice maschera in bianco e nero non funzionerà finché non ne aggiungi uno a livello di programmazione. Se fornisci più immagini di input, la maschera si applica alla prima.

Sul fronte del testo, la frase onesta arriva dall'elenco delle limitazioni dello stesso fornitore, non da una dichiarazione di marketing del fornitore: «Sebbene notevolmente migliorato, il modello può ancora avere difficoltà con il posizionamento preciso del testo e la chiarezza». Leggila alla lettera. Questa generazione rende il testo meglio delle sue predecessori e non è ancora un motore di impaginazione. Lo stesso elenco di limitazioni aggiunge che i prompt complessi possono richiedere fino a due minuti per essere elaborati, che il modello può avere difficoltà a mantenere visivamente coerenti personaggi ricorrenti o elementi di brand, e che può avere difficoltà a posizionare con precisione gli elementi in composizioni strutturate o sensibili al layout. Ognuno di questi elementi è un argomento diretto a favore di Sunburst per il lavoro di impaginazione e contro il dare per scontato che l'una o l'altra variante sarà in grado di reggere un template.

La moderazione si applica a entrambi: il fornitore dichiara che tutti i prompt e le immagini generate vengono filtrati in base alla sua politica sui contenuti, con un moderation parametro che offre auto (l'impostazione predefinita) o low, e le richieste bloccate restituiscono un codice di errore moderation_blocked con dettagli opzionali.

Termini di licenza e di utilizzo come pubblicati

la documentazione pubblicata dal fornitore su modelli e generazione di immagini non riporta le informazioni sulla titolarità dell'output e sull'uso commerciale; queste si trovano nelle sue condizioni separate, che non sono riprodotte nella documentazione per sviluppatori. Ciò che la documentazione per sviluppatori afferma, nella sua guida alla gestione dei dati, è che i dati API non vengono utilizzati per l'addestramento a meno che non si effettui l'opt-in, e la tabella della guida riporta "utilizzati per l'addestramento: No" per gli endpoint /v1/images/generations/v1/images/edits. La generazione di immagini è inoltre descritta come compatibile con Zero Data Retention per i nomi dei modelli specifici elencati in quella pagina.

Nella documentazione API non c'è nulla che conceda o descriva un livello gratuito, crediti gratuiti, una quota di prova o un'esenzione dai limiti di frequenza per nessuno dei due modelli 2.5. Non esiste alcuna quota gratuita pubblicata a cui fare riferimento. Ciò che è pubblicato è un prezzo, ed è lo stesso che GPT-Image-2 già applicava — vedi la sezione successiva.

Il prezzo, e il fatto che non si è mosso

Il fornitore non pubblica alcun prezzo per immagine per nessuna delle due varianti 2.5. La tariffazione è misurata in token, per milione, e le tariffe sono identiche tra i due modelli e identiche a GPT-Image-2:

• Standard, input di testo — $5,00 per 1M di token; input di testo in cache $1,25.

• Standard, input di immagini — $8,00 per 1 milione di token; input di immagini in cache $2,00.

• Standard, output immagini — 30,00 $ per 1M token.

• Batch, input di testo — $2,50; input di immagini $4,00; output di immagini $15,00, con tariffe cache corrispondentemente dimezzate.

Due cose su quel foglio valgono più dei numeri stessi. Primo, la generazione 2.5 non ha aumentato il prezzo: gpt-image-2indica 8 $ in input e 30 $ in output sul fronte immagini e 5 $ sul testo, esattamente come fa la 2.5. Per contro, GPT-Image-1.5 si colloca a 8 $ in input e 32 $ in output con una tariffa di 10 $ per l'output testuale, e GPT-Image-1 a 10 $ in input e 40 $ in output. L'aggiornamento alla 2.5 è un cambiamento di capacità e latenza a fronte di un listino invariato. Secondo, il fornitore fa notare che il suo attuale calcolatore dei costi di generazione di immagini non stima l'utilizzo della 2.5, perciò non dovreste proiettare la spesa per questi modelli partendo da strumenti concepiti per la generazione precedente. Il fornitore non pubblica alcuna cifra per immagine, quindi qualsiasi numero per immagine vediate citato per questi modelli è una conversione di qualcun altro, non del fornitore.

Poiché il prezzo viene trasferito al listino del provider senza alcun ricarico da parte nostra, quelle tariffe sono ciò che paghi su OrcaRouter, e una variazione delle tariffe del fornitore arriva lo stesso giorno. Entrambi i modelli sono nel nostro catalogo live oggi. Ho verificato, dato che un'affermazione sulla disponibilità proveniente da una pagina più vecchia è esattamente il tipo di cosa che diventa obsoleta: gpt-image-2.5-sunburst e gpt-image-2.5-flare sono entrambi instradabili attraverso lo stesso endpoint compatibile con OpenAI come tutto il resto, alle tariffe immagine di $8 in / $30 out indicate sopra. Se stai valutando la coppia invece di impegnarti su uno solo, questo conta per una ragione pratica — una singola chiave e una regola di routing ti consentono di inviare una classe di richieste a Sunburst e tutto il resto a Flare, e di modificare la suddivisione senza un secondo contratto o una modifica al codice.

Cosa dicono i test indipendenti e cosa nessuno ha misurato

Il fornitore non pubblica punteggi di benchmark per nessuna delle due varianti nelle pagine dei suoi modelli. Le prove indipendenti sono più esili di quanto lasciasse intendere la copertura del lancio, e vale la pena essere precisi su ciò che mostrano e ciò che non mostrano.

Artificial Analysis gestisce classifiche text-to-image che coprono sia una graduatoria quality-Elo sia un prezzo API rappresentativo per 1.000 immagini generate. Nella rilevazione effettuata il 2026-10-12, sia GPT Image 2.5 Sunburst (max) che GPT Image 2.5 Flare (max) compaiono come voci in alta posizione, con Sunburst ordinato sopra Flare, ed entrambi collocati sopra GPT Image 2 (high). Non stampo deliberatamente i valori Elo di quella rilevazione: la classifica visualizza le cifre per modello in forma grafica e le singole etichette non erano estraibili in modo pulito dalla pagina così come catturata, quindi un numero citato qui sarebbe una lettura di un grafico anziché dei dati che ne stanno alla base. Se ti serve la cifra, vai alla classifica.

Quell’asse dei prezzi è anche l’unico luogo in cui attualmente esiste una cifra equivalente per immagine per questi modelli — Artificial Analysis ricava un costo rappresentativo per 1.000 immagini da prezzi calcolati in token. Si tratta di una stima indipendente prodotta secondo la metodologia di una terza parte, non di una tariffa del fornitore, e il fornitore stesso non pubblica affatto alcuna cifra per immagine. Usala per confrontare l’andamento dei costi tra i modelli; non citarla come prezzo del fornitore.

Ciò che segue da quelle prove, detto onestamente: l’ordinamento delle due varianti è corroborato in modo indipendente, ed è la parte che conta per la decisione tra Flare e Sunburst. Ciò che non è stabilito è qualunque confronto tra una variante 2.5 e un modello di immagini concorrente misurato a pari impegno e su un harness comparabile. Le voci della classifica sono suddivise in livelli — "Sunburst (max)" e "Flare (max)" designano l’impostazione di qualità, e gli altri modelli sulla stessa classifica sono elencati ai propri livelli, non a un livello comune. Una classifica tra etichette di livello non è una classifica a impostazioni uguali, e trattarla come tale sopravvaluterebbe ciò che è stato effettivamente testato.

Dove questo ti lascia

Se sei arrivato qui con il nome del modello e nient'altro, i fatti che contano sono questi. Chiedi gpt-image-2.5-sunburst o gpt-image-2.5-flare; non esiste una terza opzione né un alias semplice. Entrambi accettano testo e immagini e restituiscono un'immagine, fino a un lato di 3840 pixel e 8.294.400 pixel totali, da uno di tre endpoint. Flare è la scelta per il throughput, Sunburst la scelta per la precisione, e la documentazione stessa del fornitore ammette che la maschera è un'indicazione piuttosto che un confine rigido, quindi nessuno dei due ti darà una modifica perfettamente deterministica. Il listino prezzi è invariato rispetto a GPT-Image-2, a 8 $ per milione di token di input immagine e 30 $ per milione di token di output immagine, con il batch a metà, e sulla pagina del fornitore non esiste alcun prezzo per immagine né alcuna quota gratuita con cui confrontarsi.

Ciò che resta davvero aperto è proprio quello che un piano di capacità desidera di più: una differenza di latenza misurata e un confronto di qualità a parità di apparato di test tra le due varianti. Finché qualcuno non pubblicherà questi dati, la scelta tra Flare e Sunburst è una decisione di progettazione basata sul posizionamento dichiarato dal fornitore più l'ordinamento di una classifica — il che è più di quanto offrano la maggior parte dei lanci, e meno di quanto offrirebbe un benchmark.