GPT Image 2.6 só é citado na especificação da OpenAI e em nenhum outro lugar

GPT Image 2.6 existe esta semana como uma string dentro da descrição de um campo e nada mais. Em 28 de outubro de 2026, um commit no repositório OpenAPI público da OpenAI adicionou um novo parâmetro de edição de imagem chamado markup e o descreveu com uma frase que importa: "Oferece suporte a GPT Image 2.5 e 2.6." Todo o resto de que você precisaria para chamar um modelo está ausente. Não há identificador gpt-image-2.6 na enumeração da própria especificação, nem preço, nem entrada no changelog, nem linha em ranking e nem anúncio. Os modelos de imagem da OpenAI que o mesmo arquivo de fato lista como chamáveis ainda são gpt-image-1-mini, gpt-image-1.5, gpt-image-2, GPT Image 2.5 Sunburst e GPT Image 2.5 Flare. Portanto, esta não é uma história de lançamento. É uma história sobre o que uma frase no próprio contrato legível por máquina de um fornecedor lhe diz, e sobre o que ele deliberadamente não diz.

A evidência, até o commit

A mudança é pequena o suficiente para ser lida na íntegra. O commit aa88004, de autoria do bot OpenAI OpenAPI Publisher, às 20:56 UTC de 28 de outubro, tem o título "Add 'markup' property to image editing endpoints" e altera 27 linhas em openapi.json e openapi.yaml. Ele contém uma referência à revisão 1326001 do código-fonte da documentação da API, que é como a referência gerada sabe qual texto deve renderizar. As mesmas quatro frases agora aparecem na página de referência de edição de imagem em developers.openai.com.

Aqui está tudo o que markup é, segundo a especificação do próprio OpenAI:

• É um PNG transparente sobreposto à primeira imagem na solicitação de edição.

• Pode ser fornecido como um ID de arquivo, uma URL HTTPS ou uma URL de dados base64.

• Deve corresponder às dimensões dessa imagem após a orientação e deve conter pixels transparentes.

• Ele é compatível com GPT Image 2.5 e 2.6 e não pode ser combinado com máscara.

Essa é toda a descrição pública. Não há diagrama, nem exemplo, nem explicação de como a sobreposição é interpretada, nem declaração sobre o que a 2.6 faz de diferente da 2.5, e nenhuma pista sobre o timing. A especificação é legível por máquina e exaustiva quanto ao formato dos campos, mas quase silenciosa quanto à semântica, o que é normal para um contrato e frustrante para quem tenta se planejar com base nela.

O que falta é mais informativo do que o que está presente.

Pesquise no openapi.json de 5 MB por qualquer identificador que contenha gpt-image-2.6 e você não encontra nada. O texto descritivo dos modelos suportados no endpoint de edição enumera a família por nome e para nos dois SKUs de setembro e em seus snapshots datados: gpt-image-2.5-sunburst, gpt-image-2.5-sunburst-2026-09-08, gpt-image-2.5-flare, gpt-image-2.5-flare-2026-09-08. Um modelo que não pode ser nomeado em um campo de modelo não é um modelo que se possa chamar, e o repositório que carregaria esse nome não foi atualizado para carregá-lo.

Este é o padrão que a OpenAI usou antes do GPT Image 2.5 no início de setembro: referências surgem em documentação gerada e em arquivos de especificação antes de a página do produto, a tabela de preços e o changelog acompanharem. É também o padrão que produziu três identificadores aurora- na listagem de modelos da OpenAI em 17 de outubro, os quais apareceram e foram removidos novamente em questão de minutos e não foram explicados desde então. Um nome em uma especificação é um indicador antecedente. Não é uma promessa, e não é uma data.

A marcação é uma entrada, não um modelo — e essa é a verdadeira mudança.

O número da versão é a manchete, mas o parâmetro é a substância. Hoje, uma edição de imagem pode receber uma máscara: uma região binária que diz "mude aqui, deixe o resto como está". O prompt precisa carregar todo o significado, porque a máscara não carrega nenhum — é um buraco sem semântica dentro. Anotação é um tipo diferente de objeto. É uma imagem sobreposta à imagem, e uma imagem pode conter uma seta, uma caixa desenhada ao redor de um logotipo, um rabisco na margem, duas regiões diferenciadas por cor ou uma nota manuscrita. Se o modelo ler essa sobreposição como instrução em vez de pixels a serem mesclados, a solicitação de edição deixa de ser "substitua esta região" e passa a ser "faça o que o desenho diz".

Essa última frase é inferência, não documentação. A OpenAI publicou exatamente quatro frases sobre marcação, e nenhuma delas descreve interpretação. O que a especificação diz de forma inequívoca é a exclusividade: marcação não pode ser combinada com máscara. Portanto, isto não é uma entrada adicional acoplada ao fluxo de edição existente. É uma segunda rota pelo endpoint, e cada requisição usa uma ou a outra. As chamadas existentes com máscara e prompt não são afetadas porque o campo é opcional, mas um produto que queira edição orientada por anotações estará escolhendo um formato de chamada diferente, em vez de estender o atual.

Há um eco do lado do consumidor que vale a pena notar. O ChatGPT Images 2.5 foi lançado com uma ferramenta Sketch em 8 de setembro — desenhe sobre uma imagem, peça uma alteração. O Markup soa como a expressão, do lado da API, da mesma ideia: o desenho se torna a instrução, e o prompt se torna uma legenda para ele. Não está confirmado se é isso que a OpenAI pretende, mas as restrições do campo — mesmas dimensões, pixels transparentes, mutuamente exclusivo com mask — encaixam nessa leitura e em pouca coisa além disso.

A outra metade do vazamento é um codinome da Arena

O sinal que deu origem a este artigo combina o avistamento na documentação com testes cegos na Arena: gpt-image-2.5-sunburst à esquerda, um shooting-star-green-alpha anônimo à direita, com dois checkpoints testados e uma segunda saída publicada nas respostas. Um texto em coreano publicado em 28 de outubro descreve a mesma família de codinomes aparecendo no ranking de imagens da Arena — sua manchete nomeia tanto um Green Alpha quanto um Red Alpha — relata que ele parecia apenas marginalmente diferente do GPT Image 2.5, com um pouco menos de granulação, e alerta que várias gerações foram necessárias antes que uma saísse bem.

Nada comprova que shooting-star-green-alpha seja o GPT Image 2.6. A ligação é circumstancial: o codinome surgiu na mesma semana que a frase de especificação, está a ser comparado com o atual melhor modelo de edição, e o sufixo -alpha corresponde aos identificadores aurora-*-alpha de 17 de outubro. Os codinomes da Arena já foram atribuídos incorretamente antes, e duas variantes de cores diferentes não são prova de duas versões distintas do modelo — podem muito bem ser dois checkpoints de amostragem do mesmo modelo. Trate a parte relativa à arena como um avistamento por testadores, não como um resultado de benchmark, e trate "marginalmente melhor que 2.5" como o desfecho mais provável até que alguém publique uma comparação pontuada.

O que o 2.6 teria de superar

O ranking relevante é o de edição de imagens, porque a marcação é um recurso de edição. Como exibido no Artificial Analysis em 29 de outubro, o topo desse ranking é assim:

• GPT Image 2.5 Sunburst (max) — OpenAI, Elo 1.199, primeiro.

• MAI-Image-2.7-Preview — Microsoft AI, Elo 1.193, segundo lugar.

• GPT Image 2.5 Flare (max) — OpenAI, Elo 1,182, terceiro.

• MAI-Image-2.6 — Microsoft AI, Elo 1.151, quarto lugar, empatado com Krea 3 (Ultra) e Nano Banana 2.1.

• GPT Image 2 (alta) — OpenAI, Elo 1.136, oitavo.

Não há nenhuma entrada do GPT Image 2.6 nesse quadro, que é a confirmação mais clara disponível de que nada foi lançado. Também não há espaço no topo: a diferença entre o primeiro e o segundo é de seis pontos, e a diferença entre o Sunburst e a sua própria variante Flare é de dezessete. Ambos apresentam intervalos de 95% que se sobrepõem — 1.188 a 1.210 para o Sunburst, 1.171 a 1.193 para o Flare. Um 2.6 que apenas reduzisse a granulação, como descrevem os testadores da Arena, cairia dentro desse ruído, e não acima dele. A questão interessante não é se o 2.6 supera o 2.5 no Elo. É se o caminho de markup muda o que uma solicitação de edição pode expressar, porque esse é o tipo de capacidade que um ranking de comparações pareadas mede mal.

O preço que herdaria, e o que você pode chamar hoje

O GPT Image 2.5 foi lançado em 8 de setembro com dois SKUs de API — Flare como padrão, com latência 50% menor que o GPT Image 2, e Sunburst como variante de edição de precisão — e manteve exatamente a tabela de preços do GPT Image 2:

• Entrada de imagem — US$ 8,00 por 1 milhão de tokens, entrada de imagem em cache US$ 2,00 por 1 milhão, saída de imagem US$ 30,00 por 1 milhão.

• Entrada de texto — $5.00 por 1M de tokens, em cache $1.25 por 1M.

• Batch — metade do preço: $4.00 de entrada de imagem, $1.00 em cache, $15.00 de saída de imagem, $2.50 de entrada de texto.

A OpenAI não publicou nenhum preço para o GPT Image 2.6, e não há absolutamente nenhum preço de tabela por imagem na própria página de preços dela — a cobrança é por token, então o custo por imagem gerada varia conforme o tamanho, a qualidade e a quantidade de imagens de referência enviadas. Para dar uma ideia da escala, o ranking do Artificial Analysis traz uma estimativa independente de US$ 210,70 por 1.000 imagens de qualidade máxima, cerca de 21 centavos cada; use um valor como esse para planejar o orçamento, não um palpite por imagem que alguém postou. Se o 2.6 for lançado, a suposição padrão útil é a tabela de preços atual, já que o 2.5 não mudou nada em relação ao 2.0; mas isso é um ponto de dados, não uma política, e uma mudança de preço seria o evento com maior valor noticioso.

Os dois SKUs 2.5 já podem ser chamados via OrcaRouter hoje, a $8.00 de entrada e $30.00 de saída por 1M tokens — o preço de tabela do provedor repassado com 0% de markup, na mesma chave do restante do catálogo. O GPT Image 2.6 não está no catálogo, e nada neste vazamento sugere uma data em que estará. O que a camada de roteamento realmente lhe proporciona é a parte barata da transição: quando um novo modelo de imagem surgir, a DSL de roteamento permite enviar uma fração do tráfego para ele enquanto o restante permanece no SKU em que você confia, e o failover automático cobre erros do provedor. Ela não pode inventar um segundo upstream para um modelo atendido por apenas um provedor, então um checkpoint recém-lançado continua sendo um ponto único de falha até ser amplamente replicado.

Quatro sinais que transformariam um nome em um modelo

Se você quer saber quando isso deixa de ser um vazamento, observe a especificação em vez do cronograma:

• Um identificador gpt-image-2.6 aparecendo na enumeração de modelos da especificação, ou na lista de modelos de imagem GPT suportados do endpoint de edição. É o momento em que uma chamada se torna possível.

• O changelog ou um post de produto da OpenAI. A empresa nunca lançou uma geração do GPT Image sem um deles, incluindo o lançamento 2.5 que foi disponibilizado no ChatGPT, ChatGPT Work e Codex no mesmo dia.

• Uma entrada avaliada no Artificial Analysis, idealmente com um Elo de edição e um número de amostras. Capturas de tela de arena curadas pelo fornecedor não são isso.

• O campo de marcação entrando em produção na própria API, em vez de ficar em uma revisão de especificação — um parâmetro que você realmente pode passar, com um erro de validação quando as dimensões da sobreposição estiverem erradas.

Também há um falseador. Se a próxima revisão da especificação abandonar discretamente a cláusula "e 2.6", a leitura provável é que um SKU planejado foi renomeado ou adiado, exatamente como os identificadores aurora- desapareceram em outubro. As prévias de documentação são removidas; é isso que as torna prévias.

Por enquanto, a resposta prática é pouco glamorosa. Se você edita imagens com qualidade de produção hoje, o GPT Image 2.5 Sunburst é o modelo com a melhor pontuação independente e um preço publicado, e está disponível agora; o Flare é a escolha para volume com as mesmas tarifas. Não reescreva um pipeline de edição em torno de um parâmetro que tem quatro frases de documentação e nenhum modelo chamável por trás dele. O nome é real. O modelo, até 29 de outubro de 2026, não é.