GPT-Image-2.5: De referentiepagina voor het gesplitste afbeeldingsmodel van OpenAI

Er is geen model met de naam gpt-image-2.5. Als je die string in de API van de leverancier plakt, krijg je een foutmelding, omdat de model-ID niet bestaat — en als je de API-documentatie opent op het adres waar die zou staan, krijg je een 404. Wat bestaat, is een paar: GPT-Image-2.5 Sunburst, waarvan de identifier gpt-image-2.5-sunburst is en die de leverancier beschrijft als "ons meest capabele model voor het genereren en bewerken van afbeeldingen," en GPT-Image-2.5 Flare, waarvan de identifier gpt-image-2.5-flare is en die de leverancier beschrijft als "snelle, hoogwaardige alledaagse beeldgeneratie." Beide zijn de opvolgende generatie van GPT-Image-2, en de hele opzet met twee modellen is het allerbelangrijkste om te begrijpen voordat je ook maar één regel code tegen een van beide schrijft. Dat gat in de naamgeving is ook waarom deze pagina bestaat: de vraag die mensen typen — "gpt image 2.5" — heeft hier geen specifiek antwoord, alleen gedeeltelijke antwoorden verspreid over variant- en vergelijkingsartikelen.

Alles in deze referentie is overgenomen uit de eigen API-documentatie van de leverancier op 2026-10-12, plus één onafhankelijke leaderboard-opname van dezelfde dag. Waar de leverancier niets publiceert, vermeldt deze pagina dat in plaats van het gat op te vullen. Waar de eigen pagina's van de leverancier met elkaar in tegenspraak zijn, vermeldt deze pagina dat ook.

Wat GPT-Image-2.5 is, en hoe het zich verhoudt tot GPT-Image-2

GPT-Image-2.5 is de derde generatie van de token-gemeten image-familie van de leverancier en de directe opvolger van GPT-Image-2, waarvan de enige API-snapshot is gedateerd gpt-image-2-2026-04-21. De 2.5-generatie arriveerde in de API op 2026-09-08 — beide varianten dragen die datum in hun standaard-snapshotnamen, gpt-image-2.5-sunburst-2026-09-08 en gpt-image-2.5-flare-2026-09-08. Dat is de lanceringsdatum volgens de eigen gegevens van de leverancier, en het is ongeveer vier en een halve maand na GPT-Image-2. Het model is deze week niet nieuw; wat volgt is de vaste referentie, geen lanceringsbericht.

De generatiewissel is geen enkel model met een hoger versienummer. Het is een splitsing. Elke eerdere GPT-Image-generatie leverde één primair model-ID — GPT-Image-1, dan GPT-Image-1.5, dan gpt-image-2 — en je koos een kwaliteitsniveau binnen dat ene model. Met 2.5 levert de leverancier twee afzonderlijk benoemde modellen met afzonderlijke snapshots en vraagt je te kiezen bij welke jouw workload hoort. Er is geen overkoepelend model dat naar beide doorschakelt.

Daaruit volgen drie praktische consequenties, en het is de moeite waard ze ronduit te benoemen, want ze zijn precies wat een lezer die de naam van het model zoekt, daadwerkelijk nodig heeft:

• Er is geen gpt-image-2.5 alias. Code die tegen een hypothetische kale naam is geschreven, werkt niet; je moet gpt-image-2.5-sunburst of gpt-image-2.5-flare expliciet noemen.

• De twee varianten delen een prijslijst en een schema voor snelheidslimieten, dus je keuze tussen beide is een beslissing over latentie en precisie, niet over budget. De manier waarop de leverancier de splitsing zelf kadert, is een opsplitsing naar workload, niet een kwaliteitsladder die je beklimt door meer te betalen.

• "GPT-Image-2.5" zonder suffix is een generatienaam, geen model. Wanneer je het ziet in een changelog, een factuur of een productaankondiging, verwijst het naar de generatie, en je moet nog steeds weten welk van de twee modellen het werk heeft geproduceerd.

Flare of Sunburst: hoe te kiezen

Dit is de vraag die de eigen naam van het model steeds blijft genereren, en de variantwoordenschat is tegenintuïtief genoeg dat veel mensen hem in beide richtingen stellen voordat ze een antwoord vinden. Hier wordt hij beslecht, één regel per variant, op basis van de gepubliceerde positionering van de leverancier in plaats van op inferentie uit benchmarks:

• Flare — gpt-image-2.5-flare, snapshot gpt-image-2.5-flare-2026-09-08. Kies het wanneer doorvoer en doorlooptijd de beperkende factor zijn: alledaagse beeldgeneratie, pijplijnen met hoog volume, prototypes, social- en productvisuals, alles waarbij "goed, nu" het wint van "beter, uiteindelijk". Het is het model dat de leverancier bestempelt als de snelle, hoogwaardige alledaagse optie, en het is het model dat je standaard moet kiezen.

• Sunburst — gpt-image-2.5-sunburst, snapshot gpt-image-2.5-sunburst-2026-09-08. Kies hem wanneer de bewerking zelf het eindproduct is en precisie belangrijker is dan latentie: iteratieve bewerkingen waarbij een wijziging uit ronde twee ronde drie moet overleven, lay-outgevoelige composities, gemaskeerde inpainting die precies moet landen waar je hem op richtte. de beeldgeneratiegids van de leverancier vat het onderscheid in één zin samen: "Kies Sunburst voor workflows waarin de precisie van het bewerken het belangrijkst is, en Flare voor snelle, hoogwaardige alledaagse beeldgeneratie."

De eerlijke kanttekening: de leverancier publiceert geen latentiecijfer, geen kosten per afbeelding en geen kwaliteitsbenchmark die het verschil tussen de twee kwantificeert, dus "langzamer" en "nauwkeuriger" zijn de typering van de leverancier, geen gemeten verhouding. De enige onafhankelijke ranglijst die beide modellen bevat, maakt wel onderscheid tussen de twee, en is het eens over de rangorde — zie de bewijssectie hieronder. Wat die niet doet, is je een rechtstreekse vergelijking met gelijke testopstelling en gelijke inspanning geven, met een betrouwbaarheidsinterval dat je in een capaciteitsplan kunt opnemen. Niemand heeft dat gepubliceerd.

Een werkbare standaard als je liever niet nadenkt over de keuze: roep overal Flare aan, en routeer naar Sunburst voor de specifieke verzoeken waarbij een bewerking stand moet houden — de verzoeken met een masker, of een referentieonderwerp dat je stabiel wilt houden across turns. Dat is precies de vorm van "onbewezen model, zet het productiepad er niet op in" waarbij het routeren van één endpoint over beide goedkoper is dan je vastleggen op één.

Wat het accepteert en wat het retourneert

Beide varianten declareren dezelfde modaliteitsenvelop op de modelpagina's van de leverancier. Invoer: tekst en afbeelding. Uitvoer: afbeelding. Tekstuitvoer wordt niet geproduceerd, en de prijsnotities van de leverancier bevestigen het gevolg — tekstuitvoer wordt niet gefactureerd, omdat het model er geen retourneert.

Het maatbereik is ruimer dan de drie presets suggereren:

• Aanbevolen presets — 1024×1024 vierkant, 1536×1024 liggend, 1024×1536 staand.

• Aangepaste afmetingen — beide modellen accepteren willekeurige WIDTHxHEIGHT-tekenreeksen, met drie beperkingen die letterlijk in de handleiding staan vermeld: breedte en hoogte moeten veelvouden van 16 zijn; de beeldverhouding moet tussen 1:3 en 3:1 liggen; en geen van beide zijden mag groter zijn dan 3840 pixels.

• Totaal pixelbudget — tussen 655.360 en 8.294.400 pixels, wat de leverancier op het hoogste niveau als 4K bestempelt.

• Experimentele zone — resoluties boven 2560×1440 worden door de leverancier als experimenteel aangemerkt. Beschouw alles daarboven als niet-gevalideerd voor productie.

Het uitvoerformaat is standaard PNG, met JPEG en WebP beschikbaar. De compressie is regelbaar via een output_compression parameter op een schaal van 0–100, en de leverancier merkt op dat JPEG sneller is dan PNG — nuttig om te weten als latentie de reden was dat je in de eerste plaats voor Flare koos. Transparante achtergronden vereisen background: "transparent" in combinatie met een PNG- of WebP-uitvoerformaat. De API retourneert base64-gecodeerde afbeeldingsgegevens.

Kwaliteitsselectie kent de volgende niveaus: laag, gemiddeld, hoog, xhigh, max en auto. De twee 2.5-modellen zijn de modellen die het volgende toevoegen: xhigh en max; eerdere GPT Image-modellen gaan niet verder dan hoog. Beide 2.5-varianten staan standaard op auto. Als de niveaus aanvoelen als een tweede kwaliteitsas bovenop de keuze tussen Flare en Sunburst, komt dat doordat ze één geheel vormen: je kiest een variant en dan een niveau, en die twee versterken elkaar op zowel latentie als kosten.

De limieten zijn identiek voor beide modellen en worden per gebruiksniveau weergegeven als tokens en afbeeldingen per minuut: Build 250.000 / 20, Launch 3.000.000 / 150, Grow 8.000.000 / 250. Hetzelfde schema wordt vermeld voor gpt-image-2. De leverancier merkt ook op dat voor het gebruik van deze modellen mogelijk eerst API Organization Verification moet worden voltooid.

Het endpoint-oppervlak, en een documentatieconflict

Dit is de sectie waarin het herlezen van het materiaal van de leverancier belangrijk is, omdat de eigen pagina's van de leverancier niet volledig met elkaar overeenkomen.

De modelpagina's voor gpt-image-2.5-sunburst en gpt-image-2.5-flare vermelden exact drie ondersteunde endpoints: v1/images/generations, v1/images/edits, en v1/batch. Alles verder in de tabel is gemarkeerd als niet ondersteund — waaronder v1/responses en v1/chat/completions. Dit is hetzelfde oppervlak met drie endpoints dat GPT-Image-2 biedt, en het betekent dat de Chat Completions-vorm die je voor een eerder afbeeldingsmodel hebt gebruikt, niet overdraagbaar is.

De handleiding voor beeldgeneratie beschrijft echter een Responses API-pad waarbij je een hoofdlijnmodel selecteert en het beeldmodel in een toolveld benoemt, en de notities op de prijzenpagina zeggen dat de gecachte invoertarieven voor GPT-Image-2 en 2.5 "alleen van toepassing zijn op generaties via de Responses API." Die twee uitspraken impliceren een Responses-oppervlak dat de modelpagina expliciet als niet-ondersteund markeert. De eigen uitgewerkte voorbeelden in de handleiding koppelen de afbeeldingstool aan gpt-6-astra als het hoofdlijnmodel.

Ik rapporteer het conflict in plaats van het op te lossen. De conservatieve lezing — en degene waartegen je moet bouwen — is de modelpagina: generations, edits, batch. Test het Responses-pad met je eigen account voordat je ervan afhankelijk bent, want de pagina die het zou autoriseren zegt op dit moment nee.

Tekstweergave- en bewerkingsgedrag

Bewerken is waar de 2.5-generatie op is gericht, en de documentatie is ongewoon specifiek over de mechanica en de beperkingen.

Het edits-endpoint regelt inpainting — de enige bewerkingsfunctie die op beide modelpagina's wordt vermeld. Je uploadt een afbeelding plus een masker dat het te vervangen gebied aangeeft. Twee beperkingen zijn belangrijker dan ze lijken. Ten eerste is het maskeren met deze modellen volledig promptgebaseerd: het model gebruikt het masker als richtlijn en, in de woorden van de leverancier, "volgt mogelijk niet de exacte vorm ervan met volledige precisie." Ten tweede moeten de afbeelding en het masker hetzelfde formaat en dezelfde grootte hebben en kleiner zijn dan 50MB, en moet het masker een alfakanaal hebben — een gewoon zwart-witmasker werkt niet totdat je er programmatisch een toevoegt. Als je meerdere invoerafbeeldingen opgeeft, wordt het masker toegepast op de eerste afbeelding.

Op het gebied van tekst komt de eerlijke regel uit de eigen beperkingenlijst van de leverancier, niet uit een marketingclaim van een leverancier: "Hoewel aanzienlijk verbeterd, kan het model nog steeds moeite hebben met precieze tekstplaatsing en helderheid." Lees dat letterlijk. Deze generatie rendert tekst beter dan zijn voorgangers en is nog steeds geen layout-engine. Dezelfde beperkingenlijst voegt eraan toe dat complexe prompts tot twee minuten kunnen duren om te verwerken, dat het model moeite kan hebben om terugkerende personages of merkelementen visueel consistent te houden, en dat het moeilijk kan zijn om elementen nauwkeurig te plaatsen in gestructureerde of lay-outgevoelige composities. Elk van deze punten is een direct argument voor Sunburst bij lay-outwerk en tegen de veronderstelling dat een van beide varianten een template zal vasthouden.

Moderatie geldt voor beide: de leverancier verklaart dat alle prompts en gegenereerde afbeeldingen worden gefilterd op basis van zijn contentbeleid, met een moderation-parameter met de opties auto (de standaard) of low, en geblokkeerde verzoeken retourneren een foutcode van moderation_blocked met optionele details.

Licentie- en gebruiksvoorwaarden zoals gepubliceerd

de door de leverancier gepubliceerde model- en beeldgeneratiedocumentatie bevat niet de clausules over eigendom van de output en commercieel gebruik; die staan in de afzonderlijke voorwaarden, die niet in de ontwikkelaarsdocumentatie zijn opgenomen. Wat de ontwikkelaarsdocumentatie wel vermeldt, in de gids voor gegevensverwerking, is dat API-gegevens niet voor training worden gebruikt tenzij u zich hiervoor aanmeldt, en de tabel in de gids vermeldt "gebruikt voor training: Nee" voor de /v1/images/generations en /v1/images/edits eindpunten. Beeldgeneratie wordt daar ook beschreven als Zero Data Retention-compatibel voor de specifieke modelnamen die op die pagina worden vermeld.

Niets in de API-documentatie verleent of beschrijft een gratis niveau, gratis credits, een proefquotum of een vrijstelling van de rate limit voor een van beide 2.5-modellen. Er is geen gepubliceerd gratis tegoed om naar te wijzen. Wat wel is gepubliceerd, is een prijs, en het is dezelfde die GPT-Image-2 al hanteerde — zie de volgende sectie.

Prijsstelling, en het feit dat het niet bewoog

De leverancier publiceert voor geen van beide 2.5-varianten een prijs per afbeelding. De prijsstelling wordt afgerekend in tokens, per miljoen, en de tarieven zijn identiek voor de twee modellen en identiek aan GPT-Image-2:

• Standaard, tekstinvoer — $5,00 per 1 mln. tokens; gecachte tekstinvoer $1,25.

• Standaard, afbeeldingsinvoer — $8,00 per 1M tokens; gecachte afbeeldingsinvoer $2,00.

• Standaard, afbeeldingsuitvoer — $ 30,00 per 1 mln. tokens.

• Batch, tekstinvoer — $2,50; afbeeldingsinvoer $4,00; afbeeldingsuitvoer $15,00, waarbij de gecachte tarieven dienovereenkomstig worden gehalveerd.

Twee dingen op dat overzicht zijn meer waard dan de cijfers zelf. Ten eerste heeft de 2.5-generatie de prijs niet verhoogd: gpt-image-2 vermeldt $8 in en $30 uit aan de beeldkant en $5 voor tekst, precies zoals 2.5 doet. Ter vergelijking: GPT-Image-1.5 zit op $8 in en $32 uit met een tarief van $10 voor tekstoutput, en GPT-Image-1 op $10 in en $40 uit. De 2.5-upgrade is een verandering in capaciteiten en latentie bij een ongewijzigde tariefkaart. Ten tweede merkt de leverancier op dat zijn bestaande kostencalculator voor beeldgeneratie het gebruik van 2.5 niet schat, dus je moet de uitgaven voor deze modellen niet projecteren op basis van hulpmiddelen die voor de oudere generatie zijn gebouwd. De leverancier publiceert geen bedrag per afbeelding, dus elk bedrag per afbeelding dat je voor deze modellen ziet vermeld, is een omrekening van iemand anders, niet die van de leverancier.

Omdat de prijs tegen de providerlijst wordt doorgegeven zonder dat wij er markup aan toevoegen, zijn die tarieven wat je op OrcaRouter betaalt, en een tariefwijziging van een leverancier gaat dezelfde dag in. Beide modellen staan vandaag in onze livecatalogus. Ik heb het gecontroleerd, want een beschikbaarheidsclaim van een oudere pagina is precies het soort ding dat verouderd raakt:gpt-image-2.5-sunburst en gpt-image-2.5-flare zijn beide routeerbaar via hetzelfde OpenAI-compatibele endpoint als al het andere, tegen de hierboven genoemde beeldtarieven van $8 in / $30 uit. Als je het tweetal aan het evalueren bent in plaats van je op één ervan vast te leggen, is dat om een praktische reden van belang — met één sleutel en één routeringsregel kun je een klasse van verzoeken naar Sunburst sturen en al het andere naar Flare, en de verdeling wijzigen zonder een tweede contract of een codewijziging.

Wat onafhankelijke tests zeggen, en wat niemand heeft gemeten

De leverancier publiceert op zijn modelpagina's geen benchmarkscores voor beide varianten. Het onafhankelijke bewijs is dunner dan de berichtgeving rond de lancering deed vermoeden, en het loont om precies te zijn over wat het wel en niet laat zien.

Artificial Analysis onderhoudt ranglijsten voor tekst-naar-afbeelding met zowel een kwaliteits-Elo-rangschikking als een representatieve API-prijs per 1.000 gegenereerde afbeeldingen. Op de vastlegging van 2026-10-12 komen zowel GPT Image 2.5 Sunburst (max) als GPT Image 2.5 Flare (max) voor als hooggeplaatste vermeldingen, waarbij Sunburst boven Flare is gerangschikt en beide boven GPT Image 2 (high). Ik geef met opzet geen Elo-waarden uit die vastlegging weer: de ranglijst geeft de cijfers per model grafisch weer en de afzonderlijke labels waren niet schoon te extraheren uit de pagina zoals vastgelegd, dus een hier genoemd getal zou een aflezing van een grafiek zijn, niet van de onderliggende data. Als je het cijfer nodig hebt, ga naar de ranglijst.

Die prijsas is ook de enige plek waar momenteel een equivalent cijfer per afbeelding voor deze modellen bestaat — Artificial Analysis leidt een representatieve kostprijs per 1.000 afbeeldingen af uit prijsstelling op basis van tokens. Het is een onafhankelijke schatting die volgens de methodologie van een derde partij is gemaakt, niet een leverancierstarief, en de leverancier zelf publiceert helemaal geen cijfer per afbeelding. Gebruik het om kostenpatronen tussen modellen te vergelijken; citeer het niet als de prijs van de leverancier.

Wat daar eerlijk gezegd uit volgt: de ordening van de twee varianten wordt onafhankelijk bevestigd, en dat is het deel dat ertoe doet voor de beslissing Flare-of-Sunburst. Wat niet is vastgesteld, is enige vergelijking tussen een 2.5-variant en een concurrerend beeldmodel dat bij gelijke inspanning en op een gelijk meetopstelling is gemeten. De vermeldingen op het scorebord zijn in niveaus ingedeeld — "Sunburst (max)" en "Flare (max)" geven de kwaliteitsinstelling aan, en andere modellen op hetzelfde scorebord staan bij hun eigen niveaus vermeld, niet bij een gemeenschappelijk niveau. Een rangschikking over niveaulabels heen is geen rangschikking bij gelijke instellingen, en die als zodanig behandelen zou overdrijven wat daadwerkelijk is getest.

Wat dit voor jou betekent

Als je hier alleen met de naam van het model bent aangekomen en niets anders, zijn dit de belangrijkste feiten. Vraag om gpt-image-2.5-sunburst of gpt-image-2.5-flare; er is geen derde optie en geen kale alias. Beide accepteren tekst en afbeeldingen en retourneren een afbeelding, tot een rand van 3840 pixels en 8.294.400 totale pixels, via een van drie endpoints. Flare is de doorvoerkeuze, Sunburst de precisiekeuze, en de eigen documentatie van de leverancier geeft toe dat het masker een richtlijn is, geen harde grens, dus geen van beide geeft je een volledig deterministische bewerking. De tariefkaart is ongewijzigd ten opzichte van GPT-Image-2: $8 per miljoen invoertokens voor afbeeldingen en $30 per miljoen uitvoertokens voor afbeeldingen, met batch tegen half tarief, en er staat geen prijs per afbeelding of gratis tegoed op de pagina van de leverancier om tegen af te zetten.

Wat nog echt openligt, is precies wat een capaciteitsplan het liefst wil: een gemeten latentieverschil en een kwaliteitsvergelijking tussen de twee varianten met een identieke testopstelling. Zolang niemand die publiceert, blijft de splitsing tussen Flare en Sunburst een ontwerpbeslissing op basis van de door de leverancier opgegeven positionering plus de rangschikking van één leaderboard — wat meer is dan de meeste lanceringen je bieden, en minder dan een benchmark zou bieden.