GPT-Image-2.5: Strona referencyjna modelu Split OpenAI

Nie istnieje model o nazwie gpt-image-2.5. Jeśli wkleisz ten ciąg do API dostawcy, otrzymasz błąd, ponieważ identyfikator modelu nie istnieje — a jeśli otworzysz dokumentację API pod adresem, który powinien go zawierać, zobaczysz 404. Istnieje natomiast para: GPT-Image-2.5 Sunburst, którego identyfikator to gpt-image-2.5-sunburst i który dostawca opisuje jako „nasz najzdolniejszy model do generowania i edytowania obrazów", oraz GPT-Image-2.5 Flare, którego identyfikator to gpt-image-2.5-flare i który dostawca opisuje jako „szybkie, wysokiej jakości codzienne generowanie obrazów". Oba należą do kolejnej generacji po GPT-Image-2, a cały ten układ dwóch modeli to najważniejsza rzecz do zrozumienia, zanim napiszesz choćby linijkę kodu pod którykolwiek z nich. Ta luka w nazewnictwie jest także powodem, dla którego istnieje ta strona: pytanie, które ludzie wpisują — „gpt image 2.5" — nie ma tu dedykowanej odpowiedzi, tylko częściowe, rozproszone po tekstach o wariantach i porównaniach.

Wszystko w tym materiale referencyjnym pochodzi z dokumentacji API samego dostawcy z 2026-10-12 oraz z jednego niezależnego zrzutu tabeli liderów z tego samego dnia. Tam, gdzie dostawca nic nie publikuje, ta strona mówi o tym, zamiast wypełniać lukę. Tam, gdzie własne strony dostawcy są ze sobą sprzeczne, ta strona również to odnotowuje.

Czym jest GPT-Image-2.5 i jak plasuje się względem GPT-Image-2

GPT-Image-2.5 to trzecia generacja rozliczanej tokenowo rodziny modeli obrazowych tego dostawcy i bezpośredni następca GPT-Image-2, którego jedyny snapshot API nosi datę gpt-image-2-2026-04-21. Generacja 2.5 pojawiła się w API 2026-09-08 — oba warianty noszą tę datę w domyślnych nazwach swoich snapshotów, gpt-image-2.5-sunburst-2026-09-08 oraz gpt-image-2.5-flare-2026-09-08. To data premiery widniejąca we własnych rejestrach dostawcy i przypada mniej więcej cztery i pół miesiąca po GPT-Image-2. Model nie jest nowością z tego tygodnia; poniższy tekst to stałe odniesienie, a nie informacja o premierze.

Zmiana generacyjna nie jest pojedynczym modelem z większym numerem wersji. To rozwidlenie. Każda wcześniejsza generacja GPT-Image dostarczała jeden główny identyfikator modelu — GPT-Image-1, potem GPT-Image-1.5, potem gpt-image-2 — a poziom jakości wybierało się w obrębie tego jednego modelu. W wersji 2.5 dostawca udostępnia dwa osobno nazwane modele z osobnymi snapshotami i prosi o wybranie, do którego z nich należy Twoje obciążenie robocze. Nie ma modelu parasolowego, który kierowałby do obu.

Wynikają z tego trzy praktyczne konsekwencje i warto je przedstawić wprost, ponieważ są tym, czego faktycznie potrzebuje czytelnik szukający nazwy modelu:

• Nie istnieje gpt-image-2.5 jako alias. Kod napisany z myślą o hipotetycznej gołej nazwie nie zadziała; musisz podać nazwę gpt-image-2.5-sunburst lub gpt-image-2.5-flare w sposób jawny.

• Oba warianty mają wspólny cennik i harmonogram limitów szybkości, więc wybór między nimi to decyzja dotycząca opóźnienia i precyzji, a nie decyzja budżetowa. Sposób, w jaki sam dostawca przedstawia ten podział, to podział obciążeń, a nie drabina jakości, po której wspinasz się, płacąc więcej.

• „GPT-Image-2.5” bez przyrostka to nazwa generacji, a nie model. Gdy widzisz ją w dzienniku zmian, na rachunku lub w ogłoszeniu produktowym, oznacza generację, a ty nadal musisz wiedzieć, który z dwóch modeli wykonał tę pracę.

Flare czy Sunburst: jak wybrać

To jest pytanie, które wciąż rodzi sama nazwa modelu, a słownictwo wariantów jest na tyle nieintuicyjne, że wiele osób zadaje je w obu kierunkach, zanim znajdzie odpowiedź. Oto rozstrzygnięcie, po jednej linii na wariant, oparte na opublikowanym stanowisku dostawcy, a nie na wnioskowaniu z benchmarków:

• Flare — gpt-image-2.5-flare, snapshot gpt-image-2.5-flare-2026-09-08. Wybierz go, gdy ograniczeniem są przepustowość i czas realizacji: codzienne generowanie obrazów, potoki o dużym wolumenie, prototypy, wizualizacje społecznościowe i produktowe, wszystko tam, gdzie „dobre, teraz" wygrywa z „lepsze, kiedyś". To model, który dostawca określa jako szybką, wysokiej jakości opcję na co dzień, i to on powinien być Twoim domyślnym wyborem.

• Sunburst — gpt-image-2.5-sunburst, snapshot gpt-image-2.5-sunburst-2026-09-08. Wybierz go, gdy sam efekt edycji jest produktem końcowym, a precyzja liczy się bardziej niż opóźnienie: edycje iteracyjne, w których zmiana wprowadzona w drugiej turze musi przetrwać trzecią, kompozycje wrażliwe na układ, maskowany inpainting, który musi trafić dokładnie tam, gdzie zostało wycelowane. przewodnik dostawcy po generowaniu obrazów ujmuje ten podział w jednym zdaniu: „Wybierz Sunburst do przepływów pracy, w których najważniejsza jest precyzja edycji, a Flare do szybkiego, wysokiej jakości codziennego generowania obrazów”.

Szczere zastrzeżenie: dostawca nie publikuje wartości opóźnienia, kosztu na obraz ani benchmarku jakości, który kwantyfikuje różnicę między nimi, więc „wolniejszy” i „dokładniejszy” to charakterystyka dostawcy, a nie zmierzony stosunek. Jedyny niezależny ranking, który obejmuje oba modele, rzeczywiście je rozdziela i zgadza się co do kolejności — patrz sekcja z dowodami poniżej. Nie daje jednak bezpośredniego porównania przy użyciu tego samego zestawu testowego i takiego samego nakładu pracy, z przedziałem ufności, który można by wpisać do planu przepustowości. Nikt tego nie opublikował.

Wykonalny domyślny wybór, jeśli wolisz o tym nie myśleć: wszędzie wywołuj Flare, a do Sunburst kieruj konkretne żądania, w których edycja musi się utrzymać — te przenoszące maskę albo obiekt referencyjny, który musisz utrzymać stabilny w kolejnych turach. To dokładnie ten schemat „niesprawdzony model, nie opieraj na nim ścieżki produkcyjnej”, w którym rozdzielenie pojedynczego punktu końcowego między oba jest tańsze niż zobowiązanie się do jednego.

Co przyjmuje i co zwraca

Oba warianty deklarują ten sam zakres modalności na stronach modeli dostawcy. Wejście: tekst i obraz. Wyjście: obraz. Wyjście tekstowe nie jest generowane, a notatki cenowe dostawcy potwierdzają konsekwencję — wyjście tekstowe nie jest rozliczane, ponieważ model nie zwraca żadnego.

Zakres rozmiarów jest szerszy, niż sugerują trzy ustawienia wstępne:

• Zalecane presety — kwadratowy 1024×1024, poziomy 1536×1024, pionowy 1024×1536.

• Wymiary niestandardowe — oba modele przyjmują dowolneWIDTHxHEIGHT ciągi, z trzema ograniczeniami podanymi dosłownie w przewodniku: szerokość i wysokość muszą być wielokrotnościami 16; proporcje muszą mieścić się w przedziale od 1:3 do 3:1; a żadna krawędź nie może przekraczać 3840 pikseli.

• Całkowity budżet pikseli — od 655 360 do 8 294 400 pikseli, co producent określa jako 4K przy górnej granicy.

• Strefa eksperymentalna — rozdzielczości powyżej 2560×1440 są oznaczane przez producenta jako eksperymentalne. Wszystko, co wykracza poza ten zakres, traktuj jako niezweryfikowane do użytku produkcyjnego.

Domyślnym formatem wyjściowym jest PNG, dostępne są też JPEG i WebP. Kompresję można kontrolować za pomocą output_compression — parametru w skali 0–100, a dostawca zauważa, że JPEG jest szybszy niż PNG — warto o tym wiedzieć, jeśli opóźnienie było powodem, dla którego w ogóle wybrałeś Flare. Przezroczyste tła wymagają background: "transparent" w połączeniu z formatem wyjściowym PNG lub WebP. API zwraca dane obrazu zakodowane w base64.

Wybór jakości obejmuje niski, średni, wysoki, xhigh, max i auto. To właśnie dwa modele 2.5 dodają xhigh i max; wcześniejsze modele GPT Image kończą się na poziomie wysoki. Oba warianty 2.5 domyślnie ustawione są na auto. Jeśli te poziomy brzmią jak druga oś jakości nałożona na wybór Flare/Sunburst, to dlatego, że nią są: wybierasz wariant, a potem poziom, a oba kumulują się zarówno w opóźnieniu, jak i koszcie.

Limity szybkości są identyczne dla obu modeli i zależą od poziomu wykorzystania, określanego jako tokeny i obrazy na minutę: Build 250 000 / 20, Launch 3 000 000 / 150, Grow 8 000 000 / 250. Ten sam harmonogram podano dla gpt-image-2. dostawca zauważa również, że korzystanie z tych modeli może wymagać ukończenia API Organization Verification.

Powierzchnia punktów końcowych i konflikt w dokumentacji

To jest sekcja, w której kluczowe jest ponowne przeczytanie materiałów dostawcy, ponieważ jego własne strony nie są w pełni zgodne.

Strony modeli gpt-image-2.5-sunburst i gpt-image-2.5-flare wymieniają dokładnie trzy obsługiwane punkty końcowe: v1/images/generations, v1/images/edits i v1/batch. Wszystko inne w tabeli jest oznaczone jako nieobsługiwane — w tym v1/responses i v1/chat/completions. To ten sam zestaw trzech punktów końcowych udostępniany przez GPT-Image-2, co oznacza, że format Chat Completions, którego być może użyłeś dla wcześniejszego modelu obrazu, nie będzie miał zastosowania.

Przewodnik po generowaniu obrazów opisuje jednak ścieżkę Responses API, w której wybierasz model główny i podajesz nazwę modelu obrazowego w polu narzędzia, a notatki na stronie z cennikiem mówią, że stawki za wejście z pamięci podręcznej dla GPT-Image-2 i 2.5 „mają zastosowanie wyłącznie do generowań przez Responses API”. Te dwa stwierdzenia sugerują powierzchnię Responses, którą strona modelu wyraźnie oznacza jako nieobsługiwaną. Przykłady w samym przewodniku łączą narzędzie obrazowe z gpt-6-astra jako modelem głównym.

Zgłaszam konflikt, zamiast go rozwiązywać. Konserwatywna interpretacja — i ta, względem której należy budować — to strona modelu: generacje, edycje, batch. Przetestuj ścieżkę Responses na własnym koncie, zanim zaczniesz na niej polegać, ponieważ strona, która miałaby ją autoryzować, obecnie mówi nie.

Renderowanie i edycja tekstu

Generacja 2.5 jest ukierunkowana na edycję, a dokumentacja jest wyjątkowo szczegółowa, jeśli chodzi o mechanikę i ograniczenia.

Endpoint edits obsługuje inpainting — jedyna funkcja edycji wymieniona na którejkolwiek ze stron tych modeli. Przesyłasz obraz oraz maskę wskazującą region do zastąpienia. Dwa ograniczenia mają większe znaczenie, niż się wydaje. Po pierwsze, maskowanie w tych modelach opiera się w całości na promptach: model wykorzystuje maskę jako wskazówkę i — jak ujmuje to dostawca — „może nie podążać za jej dokładnym kształtem z pełną precyzją”. Po drugie, obraz i maska muszą mieć ten sam format i rozmiar oraz mieć poniżej 50 MB, a maska musi zawierać kanał alfa — zwykła czarno-biała maska nie zadziała, dopóki nie dodasz go programowo. Jeśli podasz wiele obrazów wejściowych, maska zostanie zastosowana do pierwszego.

Jeśli chodzi o tekst, szczera uwaga pochodzi z listy ograniczeń samego dostawcy, a nie z marketingowego twierdzenia dostawcy: „Choć model znacznie ulepszono, nadal może mieć trudności z precyzyjnym umieszczaniem tekstu i jego czytelnością”. Potraktuj to dosłownie. Ta generacja renderuje tekst lepiej niż jej poprzedniczki, ale wciąż nie jest silnikiem układu. Ta sama lista ograniczeń dodaje, że przetwarzanie złożonych poleceń może zająć do dwóch minut, że model może mieć trudności z utrzymaniem spójności wizualnej powtarzających się postaci lub elementów marki oraz że może mieć trudności z precyzyjnym umieszczaniem elementów w ustrukturyzowanych kompozycjach lub kompozycjach wrażliwych na układ. Każdy z tych punktów to bezpośredni argument za użyciem Sunburst do pracy nad układem i przeciw zakładaniu, że którykolwiek z wariantów utrzyma szablon.

Moderacja dotyczy obu: dostawca twierdzi, że wszystkie prompty i wygenerowane obrazy są filtrowane zgodnie z jego polityką treści, z parametrem moderation oferującym auto (domyślnie) lub low, a zablokowane żądania zwracają kod błędu moderation_blocked z opcjonalnym szczegółem.

Warunki licencji i użytkowania zgodnie z opublikowaną wersją

Opublikowana przez dostawcę dokumentacja dotycząca modelu i generowania obrazów nie zawiera klauzul dotyczących własności wyników i użycia komercyjnego; znajdują się one w jego odrębnych warunkach, które nie są przytoczone w dokumentacji dla programistów. Dokumentacja dla programistów stwierdza natomiast w swoim przewodniku dotyczącym przetwarzania danych, że dane API nie są wykorzystywane do trenowania, chyba że wyrazisz na to zgodę, a tabela w przewodniku wskazuje „wykorzystywane do trenowania: Nie” dla /v1/images/generations i /v1/images/edits punktów końcowych. Generowanie obrazów jest tam również opisane jako zgodne z Zero Data Retention dla konkretnych nazw modeli wymienionych na tej stronie.

Nic w dokumentacji API nie przyznaje ani nie opisuje darmowego planu, darmowych kredytów, przydziału na okres próbny ani zwolnienia z limitu liczby żądań w przypadku któregokolwiek z modeli 2.5. Nie ma opublikowanego darmowego przydziału, na który można by wskazać. Opublikowano cenę i jest to ta sama cena, która już obowiązywała dla GPT-Image-2 — zobacz następną sekcję.

Ceny i fakt, że się nie zmieniły

Dostawca nie publikuje ceny za obraz dla żadnego z dwóch wariantów 2.5. Rozliczanie odbywa się w tokenach, za milion, a stawki są identyczne dla obu modeli i identyczne jak w GPT-Image-2:

• Standardowe, wprowadzanie tekstu — 5,00 USD za 1 mln tokenów; buforowane wprowadzanie tekstu 1,25 USD.

• Standardowe, wejście obrazu — 8,00 USD za 1 mln tokenów; buforowane wejście obrazu 2,00 USD.

• Standard, wyjście obrazu — 30,00 USD za 1 mln tokenów.

• Wsadowe, wejście tekstowe — 2,50 USD; wejście obrazowe 4,00 USD; wyjście obrazowe 15,00 USD, przy czym stawki dla pamięci podręcznej są odpowiednio o połowę niższe.

Dwie rzeczy na tej tabeli są warte więcej niż same liczby. Po pierwsze, generacja 2.5 nie podniosła ceny: gpt-image-2wymienia 8 USD za wejście i 30 USD za wyjście po stronie obrazów oraz 5 USD za tekst, dokładnie tak jak 2.5. Dla kontrastu GPT-Image-1.5 ma 8 USD za wejście i 32 USD za wyjście przy stawce 10 USD za wyjście tekstowe, a GPT-Image-1 — 10 USD za wejście i 40 USD za wyjście. Aktualizacja 2.5 to zmiana możliwości i opóźnień przy niezmienionej tabeli stawek. Po drugie, dostawca zauważa, że jego istniejący kalkulator kosztów generowania obrazów nie szacuje użycia 2.5, więc nie należy prognozować wydatków na te modele za pomocą narzędzi zbudowanych dla starszej generacji. Dostawca nie publikuje żadnej kwoty za obraz, więc każda liczba za obraz, którą widzisz podawaną dla tych modeli, jest przeliczeniem kogoś innego, a nie dostawcy.

Ponieważ cena jest przekazywana po cenniku dostawcy, bez doliczania marży po naszej stronie, te stawki to dokładnie to, co płacisz w OrcaRouter, a zmiana ceny przez dostawcę wchodzi w życie tego samego dnia. Oba modele są dziś w naszym aktywnym katalogu. Sprawdziłem to, bo twierdzenie o dostępności z starszej strony to dokładnie ten rodzaj informacji, który się dezaktualizuje: gpt-image-2.5-sunburst i gpt-image-2.5-flaresą dostępne w routingu przez ten sam endpoint zgodny z OpenAI co wszystko inne, w powyższych stawkach za obrazy: 8 USD za wejście / 30 USD za wyjście. Jeśli oceniasz tę parę, zamiast wybierać jeden model, ma to znaczenie z praktycznego powodu — jeden klucz i jedna reguła routingu pozwalają kierować klasę żądań do Sunburst, a wszystko inne do Flare, i zmieniać ten podział bez drugiej umowy czy zmian w kodzie.

Co mówią niezależne testy i czego nikt nie zmierzył

producent nie publikuje wyników benchmarków dla żadnego z wariantów na stronach swoich modeli. Niezależne dowody są uboższe, niż sugerowały relacje z premiery, i warto być precyzyjnym co do tego, co pokazują, a czego nie pokazują.

Artificial Analysis prowadzi zestawienia text-to-image obejmujące zarówno ranking jakości (Elo), jak i reprezentatywną cenę API za 1000 wygenerowanych obrazów. W zrzucie wykonanym 2026-10-12 zarówno GPT Image 2.5 Sunburst (max) jak i GPT Image 2.5 Flare (max)figurują jako wysoko plasowane pozycje, przy czym Sunburst uszeregowano wyżej niż Flare, a oba uplasowały się wyżej niż GPT Image 2 (high). Celowo nie podaję wartości Elo z tego zrzutu: plansza przedstawia wartości dla poszczególnych modeli graficznie, a pojedynczych etykiet nie dało się czysto wyodrębnić ze strony w uchwyconej postaci, więc liczba przytoczona tutaj byłaby odczytem z wykresu, a nie z danych, które za nim stoją. Jeśli potrzebujesz tej liczby, przejdź do planszy.

Ta oś cen jest również jedynym miejscem, w którym obecnie istnieje wartość odpowiadająca kosztowi za obraz dla tych modeli — Artificial Analysis wylicza reprezentatywny koszt na 1000 obrazów na podstawie cen rozliczanych w tokenach. To niezależne oszacowanie uzyskane metodologią strony trzeciej, a nie stawka dostawcy, a sam dostawca nie publikuje żadnej wartości na obraz. Użyj jej do porównania kształtu kosztów między modelami; nie podawaj jej jako ceny dostawcy.

Co z tych dowodów wynika, mówiąc uczciwie: kolejność tych dwóch wariantów została niezależnie potwierdzona, i to jest element, który ma znaczenie dla decyzji Flare-or-Sunburst. Nie ustalono natomiast żadnego porównania między wariantem 2.5 a konkurencyjnym modelem obrazu mierzonym przy dopasowanym nakładzie i na dopasowanym zestawie testowym. Wpisy na tablicy są podzielone na poziomy — „Sunburst (max)” i „Flare (max)” określają ustawienie jakości, a inne modele na tej samej tablicy są wymienione na własnych poziomach, a nie na wspólnym. Ranking obejmujący różne etykiety poziomów nie jest rankingiem przy równych ustawieniach, a traktowanie go jako takiego zawyżałoby to, co faktycznie zostało przetestowane.

Gdzie cię to stawia

Jeśli trafiłeś tutaj znając tylko nazwę modelu i nic więcej, najważniejsze fakty są następujące. Poproś o gpt-image-2.5-sunburst lub gpt-image-2.5-flare; nie ma trzeciej opcji ani samego aliasu. Oba przyjmują tekst i obrazy oraz zwracają obraz, do 3840 pikseli długości krawędzi i 8 294 400 pikseli łącznie, z jednego z trzech punktów końcowych. Flare to wybór pod kątem przepustowości, Sunburst — pod kątem precyzji, a dokumentacja samego dostawcy przyznaje, że maska jest wskazówką, a nie sztywną granicą, więc żaden z nich nie zapewni ci w pełni deterministycznej edycji. Cennik pozostaje bez zmian względem GPT-Image-2: 8 USD za milion tokenów wejściowych obrazu i 30 USD za milion tokenów wyjściowych obrazu, a tryb wsadowy jest o połowę tańszy; na stronie dostawcy nie ma ceny za pojedynczy obraz ani darmowego limitu, z którym można by porównać.

To, co wciąż pozostaje naprawdę otwarte, jest tym, czego plan pojemnościowy pragnie najbardziej: zmierzona różnica opóźnień i porównanie jakości w dopasowanym środowisku testowym między oboma wariantami. Dopóki ktoś ich nie opublikuje, podział między Flare a Sunburst jest decyzją projektową opartą na deklarowanym pozycjonowaniu dostawcy oraz na kolejności z jednego rankingu — co daje więcej niż większość premier, a mniej niż dałby benchmark.