GPT-Image-2.5: A Página de Referência para o Modelo de Imagem Split da OpenAI

Não existe nenhum modelo chamado gpt-image-2.5. Se você colar essa string na API do fornecedor, você recebe um erro, porque o ID do modelo não existe — e se você abrir a documentação da API no endereço que a conteria, você recebe um 404. O que existe é um par: GPT-Image-2.5 Sunburst, cujo identificador é gpt-image-2.5-sunburst e que o fornecedor descreve como "nosso modelo mais capaz para geração e edição de imagens", e GPT-Image-2.5 Flare, cujo identificador é gpt-image-2.5-flare e que o fornecedor descreve como "geração de imagens cotidianas rápida e de alta qualidade". Ambos são a geração sucessora do GPT-Image-2, e todo o arranjo de dois modelos é a coisa mais importante a entender antes de escrever uma linha de código para qualquer um dos dois. Essa lacuna de nomenclatura também é o motivo pelo qual esta página existe: a pergunta que as pessoas digitam — "gpt image 2.5" — não tem uma resposta dedicada aqui, apenas respostas parciais espalhadas por textos de variantes e comparações.

Tudo nesta referência foi extraído da própria documentação da API do fornecedor em 2026-10-12, além de uma captura independente de ranking do mesmo dia. Onde o fornecedor não publica nada, esta página diz isso em vez de preencher a lacuna. Onde as próprias páginas do fornecedor discordam entre si, esta página também diz isso.

O que é o GPT-Image-2.5 e como ele se situa em relação ao GPT-Image-2

GPT-Image-2.5 é a terceira geração da família de imagens com medição por token do fornecedor e a sucessora direta do GPT-Image-2, cujo único snapshot da API é datado de gpt-image-2-2026-04-21. A geração 2.5 chegou à API em 2026-09-08 — ambas as variantes carregam essa data em seus nomes de snapshot padrão, gpt-image-2.5-sunburst-2026-09-08 e gpt-image-2.5-flare-2026-09-08. Essa é a data de lançamento no registro do próprio fornecedor, e é aproximadamente quatro meses e meio depois do GPT-Image-2. O modelo não é novo esta semana; o que se segue é a referência permanente, não um aviso de lançamento.

A mudança geracional não é um único modelo com um número de versão maior. É uma bifurcação. Todas as gerações anteriores do GPT-Image traziam um único ID de modelo principal — GPT-Image-1, depois GPT-Image-1.5, depois gpt-image-2 — e você escolhia um nível de qualidade dentro desse único modelo. Com o 2.5, o fornecedor disponibiliza dois modelos com nomes separados e snapshots separados e pede que você escolha a qual deles sua carga de trabalho pertence. Não há um modelo guarda-chuva que encaminhe para ambos.

Três consequências práticas decorrem daí, e vale a pena afirmá-las com clareza, pois são exatamente o que um leitor que pesquisa o nome do modelo realmente precisa:

• Não existe gpt-image-2.5 alias. O código escrito para um nome simples hipotético não será executado; você deve nomear gpt-image-2.5-sunburst ou gpt-image-2.5-flare explicitamente.

• As duas variantes compartilham uma tabela de preços e um cronograma de limites de taxa, de modo que a sua escolha entre elas é uma decisão de latência e precisão, não uma decisão de orçamento. O enquadramento do próprio fornecedor para essa divisão é uma divisão por carga de trabalho, não uma escada de qualidade que você sobe pagando mais.

• "GPT-Image-2.5" sem sufixo é um nome de geração, não um modelo. Quando você o vê em um changelog, em uma fatura ou em um anúncio de produto, ele se refere à geração, e você ainda precisa saber qual dos dois modelos produziu o trabalho.

Flare ou Sunburst: como escolher

Esta é a pergunta que o próprio nome do modelo não para de gerar, e o vocabulário das variantes é contraintuitivo o bastante para que muitas pessoas façam essa pergunta nos dois sentidos antes de encontrar uma resposta. Aqui, ela é esclarecida, uma linha por variante, com base no posicionamento publicado do fornecedor, e não em inferência a partir de benchmarks:

• Flare — gpt-image-2.5-flare, snapshot gpt-image-2.5-flare-2026-09-08. Escolha-o quando o throughput e o tempo de resposta forem a restrição: geração de imagens do dia a dia, pipelines de alto volume, protótipos, visuais para redes sociais e produtos, qualquer coisa em que "bom, agora" supere "melhor, eventualmente". É o modelo que o fornecedor rotula como a opção rápida e de alta qualidade para o uso diário, e é aquele que você deve definir como sua escolha padrão.

• Sunburst — gpt-image-2.5-sunburst, snapshot gpt-image-2.5-sunburst-2026-09-08. Escolha-o quando a própria edição for o entregável e a precisão importar mais do que a latência: edições iteradas em que uma alteração feita no segundo turno precisa sobreviver ao terceiro, composições sensíveis ao layout, inpainting com máscara que precisa acertar exatamente onde você mirou. o guia de geração de imagens do fornecedor resume a divisão em uma frase: "Escolha o Sunburst para fluxos de trabalho em que a precisão de edição for o mais importante, e o Flare para a geração de imagens cotidiana, rápida e de alta qualidade."

A ressalva honesta: o fornecedor não publica um número de latência, um custo por imagem ou um benchmark de qualidade que quantifique a diferença entre os dois, então "mais lento" e "mais preciso" são uma caracterização do fornecedor, não uma razão medida. O único ranking independente que inclui os dois modelos de fato os separa, e concorda com a ordenação — veja a seção de evidências abaixo. O que ele não faz é oferecer um confronto direto com o mesmo harness e o mesmo esforço, com um intervalo de confiança que você pudesse colocar em um plano de capacidade. Ninguém publicou isso.

Um padrão viável se você preferir não pensar muito nisso: chame o Flare em todos os lugares e encaminhe para o Sunburst nas solicitações específicas em que uma edição precisa persistir — as que carregam uma máscara, ou um sujeito de referência que você precisa manter estável entre turnos. Essa é exatamente a forma "modelo não comprovado, não aposte o caminho de produção nele", em que rotear um único endpoint entre os dois sai mais barato do que se comprometer com um só.

O que ele aceita e o que ele retorna

Ambas as variantes declaram o mesmo envelope de modalidade nas páginas do modelo do fornecedor. Entrada: texto e imagem. Saída: imagem. Não se produz saída de texto, e as notas de preços do fornecedor confirmam a consequência — a saída de texto não é cobrada, porque o modelo não devolve nenhuma.

A faixa de tamanhos é mais ampla do que as três predefinições sugerem:

• Predefinições recomendadas — 1024×1024 quadrado, 1536×1024 paisagem, 1024×1536 retrato.

• Dimensões personalizadas — ambos os modelos aceitam, de forma arbitrária, LARGURAxALTURA strings, com três restrições declaradas literalmente no guia: largura e altura devem ser múltiplos de 16; a proporção deve estar entre 1:3 e 3:1; e nenhum dos lados pode exceder 3840 pixels.

• Orçamento total de pixels — entre 655.360 e 8.294.400 pixels, que o fornecedor apresenta como 4K no limite máximo.

• Zona experimental — resoluções acima de 2560×1440 são sinalizadas como experimentais pelo fornecedor. Trate tudo que ultrapasse isso como não validado para produção.

O formato de saída é PNG por padrão, com JPEG e WebP disponíveis. A compressão é controlável por meio de um parâmetro output_compression em uma escala de 0 a 100, e o fornecedor observa que o JPEG é mais rápido que o PNG — vale a pena saber se a latência foi o motivo pelo qual você escolheu o Flare. Fundos transparentes exigem background: "transparent" combinado com um formato de saída PNG ou WebP. A API retorna dados de imagem codificados em base64.

A seleção de qualidade vai de low, medium, high, xhigh, max e auto. Os dois modelos 2.5 são os que adicionam xhigh e max; os modelos GPT Image anteriores têm como limite high. Ambas as variantes 2.5 usam auto por padrão. Se os níveis soam como um segundo eixo de qualidade empilhado sobre a escolha entre Flare/Sunburst, é porque são um só: você escolhe uma variante e depois um nível, e os dois se acumulam tanto na latência quanto no custo.

Os limites de taxa são idênticos para ambos os modelos e são determinados pelo nível de uso em tokens e imagens por minuto: Build 250.000 / 20, Launch 3.000.000 / 150, Grow 8.000.000 / 250. O mesmo cronograma está listado para gpt-image-2. O fornecedor também observa que o uso desses modelos pode exigir a conclusão da Verificação de Organização da API.

A superfície de endpoint, e um conflito de documentação

Esta é a seção em que reler o material do fornecedor é importante, porque as próprias páginas do fornecedor não concordam totalmente.

As páginas do modelo para gpt-image-2.5-sunburst e gpt-image-2.5-flare listam exatamente três endpoints suportados: v1/images/generations, v1/images/edits e v1/batch. Todo o resto na tabela está marcado como sem suporte — incluindo v1/responses e v1/chat/completions. Esta é a mesma superfície de três endpoints que o GPT-Image-2 expõe, e isso significa que o formato do Chat Completions que você pode ter usado para um modelo de imagem anterior não será reaproveitado.

O guia de geração de imagens, no entanto, descreve um caminho da Responses API no qual você seleciona um modelo principal e nomeia o modelo de imagem dentro de um campo de ferramenta, e as notas da página de preços dizem que as taxas de entrada em cache para GPT-Image-2 e 2.5 "aplicam-se apenas a gerações da Responses API." Essas duas afirmações implicam uma superfície Responses que a página do modelo marca explicitamente como não suportada. Os próprios exemplos práticos do guia associam a ferramenta de imagem a gpt-6-astra como o modelo principal.

Estou relatando o conflito em vez de resolvê-lo. A leitura conservadora — e aquela que deve servir de base — é a página do modelo: gerações, edições, batch. Teste o caminho Responses na sua própria conta antes de depender dele, porque a página que o autorizaria atualmente diz não.

Comportamento de renderização e edição de texto

A edição é o foco da geração 2.5, e a documentação é incomumente específica sobre a mecânica e os limites.

O endpoint de edições lida com inpainting — o único recurso de edição listado em qualquer uma das páginas dos modelos. Você envia uma imagem e uma máscara que identifica a região a ser substituída. Duas restrições importam mais do que parecem. Primeiro, o mascaramento com esses modelos é totalmente baseado em prompt: o modelo usa a máscara como orientação e, nas palavras do fornecedor, "pode não seguir sua forma exata com total precisão". Segundo, a imagem e a máscara devem estar no mesmo formato e tamanho e ter menos de 50MB, e a máscara deve conter um canal alfa — uma máscara simples em preto e branco não funcionará até que você adicione um programaticamente. Se você fornecer várias imagens de entrada, a máscara se aplica à primeira.

Em texto, a afirmação honesta vem da própria lista de limitações do fornecedor, não de uma alegação de marketing do fornecedor: "Embora tenha melhorado significativamente, o modelo ainda pode ter dificuldade com posicionamento preciso e clareza do texto." Leia isso literalmente. Esta geração renderiza texto melhor do que suas antecessoras e ainda não é um motor de layout. A mesma lista de limitações acrescenta que prompts complexos podem levar até dois minutos para serem processados, que o modelo pode ter dificuldade em manter personagens recorrentes ou elementos de marca visualmente consistentes, e que pode ter dificuldade em posicionar elementos com precisão em composições estruturadas ou sensíveis a layout. Cada um desses pontos é um argumento direto a favor do Sunburst em trabalho de layout e contra presumir que qualquer uma das variantes manterá um template.

A moderação se aplica a ambos: o fornecedor afirma que todos os prompts e imagens geradas são filtrados de acordo com sua política de conteúdo, com um parâmetro de moderação que oferece auto (o padrão) ou low, e requisições bloqueadas retornando um código de erro moderation_blocked com detalhe opcional.

Termos de licença e utilização conforme publicados

a documentação publicada do fornecedor sobre modelos e geração de imagens não traz as cláusulas de propriedade dos resultados e de uso comercial; elas ficam nos seus termos separados, que não são reproduzidos na documentação para desenvolvedores. O que a documentação para desenvolvedores afirma, em seu guia de tratamento de dados, é que os dados da API não são usados para treinamento, a menos que você opte por isso, e a tabela do guia lista "usados para treinamento: Não" para os /v1/images/generations e /v1/images/edits endpoints. A geração de imagens também é descrita ali como compatível com Zero Data Retention para os nomes de modelos específicos listados naquela página.

Nada na documentação da API concede ou descreve um nível gratuito, créditos gratuitos, uma cota de teste ou uma isenção de limite de taxa para qualquer um dos modelos 2.5. Não há nenhuma cota gratuita publicada a que se possa apontar. O que está publicado é um preço, e é o mesmo que o GPT-Image-2 já tinha — consulte a próxima seção.

Preço, e o fato de que não se moveu

O fornecedor não publica preço por imagem para nenhuma das variantes 2.5. A cobrança é medida em tokens, por milhão, e as tarifas são idênticas entre os dois modelos e idênticas às do GPT-Image-2:

• Padrão, entrada de texto — US$ 5,00 por 1M de tokens; entrada de texto em cache US$ 1,25.

• Padrão, entrada de imagem — US$ 8,00 por 1M tokens; entrada de imagem em cache US$ 2,00.

• Padrão, saída de imagem — $30,00 por 1M de tokens.

• Lote, entrada de texto — $2,50; entrada de imagem $4,00; saída de imagem $15,00, com as tarifas de cache correspondentemente reduzidas pela metade.

Duas coisas nessa planilha valem mais do que os próprios números. Primeiro, a geração 2.5 não aumentou o preço: gpt-image-2 lista $8 de entrada e $30 de saída no lado de imagem e $5 no de texto, exatamente como o 2.5 faz. Em contraste, o GPT-Image-1.5 fica em $8 de entrada e $32 de saída com uma taxa de $10 para saída de texto, e o GPT-Image-1 em $10 de entrada e $40 de saída. A atualização para 2.5 é uma mudança de capacidade e latência com uma tabela de preços inalterada. Segundo, o fornecedor observa que sua calculadora de custos de geração de imagem existente não estima o uso do 2.5, então você não deve projetar gastos para esses modelos a partir de ferramentas criadas para a geração anterior. O fornecedor não publica nenhum valor por imagem, então qualquer número por imagem que você veja cotado para esses modelos é conversão de outra pessoa, não do fornecedor.

Como o preço é repassado na tabela do provedor sem margem adicionada do nosso lado, essas tarifas são o que você paga na OrcaRouter, e uma mudança de tarifa do fornecedor entra no mesmo dia. Ambos os modelos estão no nosso catálogo ativo hoje. Eu verifiquei, já que uma afirmação de disponibilidade de uma página mais antiga é exatamente o tipo de coisa que fica desatualizada: gpt-image-2.5-sunburst e gpt-image-2.5-flare são ambos roteáveis pelo mesmo endpoint compatível com OpenAI que todo o resto, com as tarifas de imagem de US$ 8 de entrada / US$ 30 de saída acima. Se você está avaliando o par em vez de se comprometer com um, isso importa por um motivo prático — uma única chave e uma regra de roteamento permitem enviar uma classe de solicitações para o Sunburst e todo o resto para o Flare, e mudar a divisão sem um segundo contrato ou alteração de código.

O que os testes independentes dizem, e o que ninguém mediu

O fornecedor não publica pontuações de benchmark para nenhuma das variantes em suas páginas de modelo. A evidência independente é mais tênue do que a cobertura do lançamento sugeria, e vale a pena ser preciso sobre o que ela mostra e o que não mostra.

A Artificial Analysis mantém painéis de texto para imagem que abrangem tanto um ranking de qualidade-Elo quanto um preço de API representativo por 1.000 imagens geradas. Na captura feita em 2026-10-12, tanto GPT Image 2.5 Sunburst (max) quanto GPT Image 2.5 Flare (max) aparecem como entradas bem colocadas, com Sunburst ordenado acima de Flare, e ambos colocados acima de GPT Image 2 (high). Deliberadamente não estou imprimindo valores de Elo dessa captura: o painel renderiza suas figuras por modelo graficamente e os rótulos individuais não puderam ser extraídos de forma limpa da página conforme capturada, então um número citado aqui seria uma leitura de um gráfico e não dos dados por trás dele. Se você precisar do valor, vá até o painel.

Esse eixo de preço é também o único lugar onde atualmente existe um valor equivalente por imagem para esses modelos — a Artificial Analysis deriva um custo representativo por 1.000 imagens a partir de preços medidos por tokens. Trata-se de uma estimativa independente produzida pela metodologia de um terceiro, não de uma tarifa do fornecedor, e o próprio fornecedor não publica nenhum valor por imagem. Use-o para comparar os perfis de custo entre modelos; não o cite como o preço do fornecedor.

O que se segue dessa evidência, dito com honestidade: a ordenação das duas variantes é corroborada de forma independente, que é a parte que importa para a decisão Flare-ou-Sunburst. O que não está estabelecido é qualquer comparação entre uma variante 2.5 e um modelo de imagem concorrente, medida com esforço equivalente e em um harness equivalente. As entradas do placar são organizadas em níveis — “Sunburst (max)” e “Flare (max)” nomeiam a configuração de qualidade, e outros modelos no mesmo placar são listados em seus próprios níveis, não em um nível comum. Um ranking entre rótulos de nível não é um ranking com configurações iguais, e tratá-lo como se fosse exageraria o que realmente foi testado.

Onde isso te deixa

Se você chegou até aqui apenas com o nome do modelo e nada mais, os fatos que importam são estes. Peça gpt-image-2.5-sunburst ou gpt-image-2.5-flare; não há uma terceira opção nem um alias simples. Ambos aceitam texto e imagens e retornam uma imagem, com até 3840 pixels de aresta e 8.294.400 pixels no total, a partir de um de três endpoints. O Flare é a escolha de throughput, o Sunburst a de precisão, e a própria documentação do fornecedor admite que a máscara é uma orientação, e não um limite rígido, de modo que nenhum dos dois oferecerá uma edição perfeitamente determinística. A tabela de preços permanece inalterada em relação ao GPT-Image-2, a US$ 8 por milhão de tokens de entrada de imagem e US$ 30 por milhão de tokens de saída de imagem, com o lote pela metade, e não existe preço por imagem nem franquia gratuita na página do fornecedor para servir de comparação.

O que ainda está genuinamente em aberto é justamente aquilo que um plano de capacidade mais deseja: uma diferença de latência medida e uma comparação de qualidade com ambiente de teste equivalente entre as duas variantes. Até que alguém publique esses dados, a divisão entre Flare e Sunburst é uma decisão de design baseada no posicionamento declarado pelo fornecedor somado à ordenação de um único ranking — o que é mais do que a maioria dos lançamentos oferece, e menos do que um benchmark daria.