GPT-Image-2.5: Referenssidan för OpenAI:s uppdelade bildmodell

Det finns ingen modell som heter gpt-image-2.5. Om du klistrar in den strängen i leverantörens API får du ett fel, eftersom modell-ID:t inte finns – och om du öppnar API-dokumentationen på den adress där den skulle finnas får du en 404. Det som finns är ett par: GPT-Image-2.5 Sunburst, vars identifierare är gpt-image-2.5-sunburst och som leverantören beskriver som "vår mest kapabla modell för bildgenerering och redigering", och GPT-Image-2.5 Flare, vars identifierare är gpt-image-2.5-flare och som leverantören beskriver som "snabb, högkvalitativ bildgenerering för vardagsbruk". Båda är nästa generation efter GPT-Image-2, och hela upplägget med två modeller är det enskilt viktigaste att förstå innan du skriver en rad kod mot någon av dem. Det gapet i namngivningen är också anledningen till att den här sidan finns: frågan folk skriver – "gpt image 2.5" – har inget särskilt svar här, bara partiella svar utspridda i artiklar om varianter och jämförelser.

Allt i den här referensen är hämtat från leverantörens egen API-dokumentation den 12 oktober 2026, plus en oberoende ögonblicksbild av en resultattavla från samma dag. Där leverantören inte publicerar något säger den här sidan det i stället för att fylla luckan. Där leverantörens egna sidor inte stämmer överens med varandra säger den här sidan det också.

Vad GPT-Image-2.5 är, och hur det förhåller sig till GPT-Image-2

GPT-Image-2.5 är den tredje generationen av leverantörens tokenmätta bildfamilj och den direkta efterföljaren till GPT-Image-2, vars enda API-ögonblicksbild är daterad gpt-image-2-2026-04-21. 2.5-generationen anlände till API:et den 2026-09-08 – båda varianterna bär det datumet i sina standardnamn för ögonblicksbilder, gpt-image-2.5-sunburst-2026-09-08 och gpt-image-2.5-flare-2026-09-08. Det är lanseringsdatumet enligt leverantörens egen dokumentation, och det är ungefär fyra och en halv månader efter GPT-Image-2. Modellen är inte ny den här veckan; det som följer är den stående referensen, inte ett lanseringsmeddelande.

Generationsväxlingen är inte en enda modell med ett högre versionsnummer. Det är en fork. Varje tidigare GPT-Image-generation levererade ett primärt modell-ID — GPT-Image-1, sedan GPT-Image-1.5, sedan gpt-image-2 — och du valde en kvalitetsnivå inom den enda modellen. Med 2.5 levererar leverantören två separat namngivna, separat snapshottade modeller och ber dig välja vilken din arbetsbelastning tillhör. Det finns ingen paraplymodell som skickar vidare till båda.

Tre praktiska konsekvenser följer av detta, och de är värda att säga rakt ut eftersom de är precis vad en läsare som söker efter modellens namn faktiskt behöver:

• Det finns inget alias för gpt-image-2.5. Kod skriven mot ett hypotetiskt bart namn kommer inte att köras; du måste ange gpt-image-2.5-sunburst eller gpt-image-2.5-flare uttryckligen.

• De två varianterna delar prislista och schema för hastighetsbegränsningar, så ditt val mellan dem är ett beslut om latens och precision, inte ett budgetbeslut. leverantörens egen beskrivning av uppdelningen är en uppdelning efter arbetsbelastning, inte en kvalitetsstege som du klättrar genom att betala mer.

• "GPT-Image-2.5" utan suffix är ett generationsnamn, inte en modell. När du ser det i en ändringslogg, en faktura eller ett produktmeddelande betyder det generationen, och du måste fortfarande veta vilken av de två modellerna som producerade arbetet.

Flare eller Sunburst: hur man väljer

Det här är frågan som modellens eget namn ständigt genererar, och variantterminologin är så kontraintuitiv att många ställer den åt båda hållen innan de hittar ett svar. Här klargörs den, en rad per variant, utifrån leverantörens publicerade positionering snarare än utifrån slutsatser från benchmarks:

• Flare — gpt-image-2.5-flare, ögonblicksbild gpt-image-2.5-flare-2026-09-08. Välj den när genomströmning och ledtid är begränsningen: vardaglig bildgenerering, pipelines med hög volym, prototyper, sociala medier- och produktbilder, allt där "bra, nu" slår "bättre, så småningom". Det är modellen som leverantören betecknar som det snabba, högkvalitativa vardagsalternativet, och det är den du bör göra till ditt standardval.

• Sunburst — gpt-image-2.5-sunburst, ögonblicksbild gpt-image-2.5-sunburst-2026-09-08. Välj den när själva redigeringen är slutresultatet och precision väger tyngre än svarstid: itererade redigeringar där en ändring som gjorts i tur två måste överleva tur tre, layoutkänsliga kompositioner, maskerad inpainting som måste landa precis där du siktade. Leverantörens guide för bildgenerering sammanfattar uppdelningen i en mening: "Välj Sunburst för arbetsflöden där redigeringsprecision spelar störst roll, och Flare för snabb, högkvalitativ vardaglig bildgenerering."

Det ärliga förbehållet: leverantören publicerar inte någon latenssiffra, någon kostnad per bild eller något kvalitetsbenchmark som kvantifierar skillnaden mellan de två, så "långsammare" och "mer exakt" är leverantörens karaktärisering, inte ett uppmätt förhållande. Den enda oberoende resultattavlan som listar båda modellerna skiljer dem verkligen åt, och den instämmer i rangordningen – se avsnittet med underlag nedan. Vad den inte gör är att ge dig en direkt jämförelse med matchad testrigg och matchad ansträngning, med ett konfidensintervall som du kan lägga in i en kapacitetsplan. Ingen har publicerat det.

En fungerande standard om du hellre slipper tänka på det: anropa Flare överallt, och routa till Sunburst för de specifika förfrågningar där en redigering måste hålla — de som bär en mask, eller ett referenssubjekt som du behöver hålla stabilt över flera turer. Det är precis den där formen av "obeprövad modell, satsa inte produktionsvägen på den" där det är billigare att routa en enda endpoint över båda än att binda sig till en.

Vad den tar emot och vad den returnerar

Båda varianterna anger samma modalitetsomfång på leverantörens modellsidor. Indata: text och bild. Utdata: bild. Textutdata produceras inte, och leverantörens prisanteckningar bekräftar konsekvensen – textutdata faktureras inte, eftersom modellen inte returnerar någon.

Storleksintervallet är bredare än vad de tre förinställningarna antyder:

• Rekommenderade förinställningar — 1024×1024 kvadrat, 1536×1024 liggande, 1024×1536 stående.

• Anpassade mått — båda modellerna accepterar godtyckliga BREDDxHÖJD-strängar, med tre begränsningar som anges ordagrant i guiden: bredd och höjd måste vara multiplar av 16; bildförhållandet måste ligga mellan 1:3 och 3:1; och ingen av sidorna får överstiga 3840 pixlar.

• Total pixelbudget — mellan 655 360 och 8 294 400 pixlar, vilket leverantören kallar 4K vid den övre gränsen.

• Experimentell zon — upplösningar över 2560×1440 flaggas som experimentella av tillverkaren. Betrakta allt däröver som ovaliderat för produktion.

Utdataformatet är som standard PNG, med JPEG och WebP tillgängliga. Komprimering kan styras via en output_compression-parameter på en skala från 0 till 100, och leverantören noterar att JPEG är snabbare än PNG – värt att veta om latens är anledningen till att du valde Flare från början. Transparenta bakgrunder kräver background: "transparent" tillsammans med ett PNG- eller WebP-utdataformat. API:et returnerar base64-kodad bilddata.

Kvalitetsvalet omfattar låg, medel, hög, xhigh, max och auto. De två 2.5-modellerna är de som lägger till xhigh och max; tidigare GPT Image-modeller är begränsade till hög. Båda 2.5-varianterna är som standard auto. Om nivåerna framstår som en andra kvalitetsaxel ovanpå valet Flare/Sunburst, beror det på att de är en och samma: du väljer en variant och sedan en nivå, och de två samverkar på både latens och kostnad.

Hastighetsgränserna är identiska för båda modellerna och anges efter användningsnivå som tokens och bilder per minut: Build 250 000 / 20, Launch 3 000 000 / 150, Grow 8 000 000 / 250. Samma schema anges för gpt-image-2. leverantören noterar också att användning av dessa modeller kan kräva att API Organization Verification slutförs.

Slutpunktsytan, och en dokumentationskonflikt

Det här är avsnittet där det är viktigt att läsa om leverantörens material, eftersom leverantörens egna sidor inte helt stämmer överens.

Modellsidorna för gpt-image-2.5-sunburst och gpt-image-2.5-flare listar exakt tre slutpunkter som stöds: v1/images/generations, v1/images/edits och v1/batch. Allt annat i tabellen är markerat som inte stöds – inklusive v1/responses och v1/chat/completions. Detta är samma yta med tre slutpunkter som GPT-Image-2 tillhandahåller, och det innebär att Chat Completions-formen som du kan ha använt för en tidigare bildmodell inte kommer att kunna återanvändas.

Bildgenereringsguiden beskriver dock en väg via Responses API där du väljer en huvudmodell och namnger bildmodellen i ett verktygsfält, och prissättningssidans anteckningar säger att cachade indatapriser för GPT-Image-2 och 2.5 "gäller endast för Responses API-genereringar." Dessa två påståenden antyder en Responses-yta som modellsidan uttryckligen markerar som ostödd. Guidens egna genomarbetade exempel parar bildverktyget med gpt-6-astra som huvudmodell.

Jag rapporterar konflikten i stället för att lösa den. Den konservativa tolkningen – och den man bör bygga mot – är modellsidan: generationer, redigeringar, batch. Testa Responses-vägen mot ditt eget konto innan du gör dig beroende av den, eftersom sidan som skulle auktorisera den för närvarande säger nej.

Textrendering och redigeringsbeteende

Redigeringen är vad 2,5-generationen riktar in sig på, och dokumentationen är ovanligt specifik vad gäller mekaniken och begränsningarna.

Edits-slutpunkten hanterar inpainting – den enda redigeringsfunktionen som listas på någon av modellsidorna. Du laddar upp en bild plus en mask som identifierar området som ska ersättas. Två begränsningar är viktigare än de verkar. För det första är maskning med dessa modeller helt och hållet promptbaserad: modellen använder masken som vägledning och, med leverantörens ordalydelse, ”kanske inte följer dess exakta form med fullständig precision.” För det andra måste bilden och masken ha samma format och storlek och vara under 50 MB, och masken måste ha en alfakanal – en vanlig svartvit mask fungerar inte förrän du programmatiskt lägger till en. Om du skickar in flera indatabilder tillämpas masken på den första.

När det gäller text kommer den ärliga formuleringen från leverantörens egen lista över begränsningar, inte från ett marknadsföringspåstående från leverantören: "Även om den är betydligt förbättrad kan modellen fortfarande ha svårt med exakt textplacering och tydlighet." Läs det bokstavligt. Den här generationen renderar text bättre än sina föregångare och är fortfarande ingen layoutmotor. Samma lista över begränsningar tillägger att komplexa prompter kan ta upp till två minuter att bearbeta, att modellen kan ha svårt att hålla återkommande figurer eller varumärkeselement visuellt konsekventa, och att den kan ha svårigheter att placera element exakt i strukturerade eller layoutkänsliga kompositioner. Vart och ett av dessa är ett direkt argument för Sunburst vid layoutarbete och mot att anta att någon av varianterna kommer att hålla en mall.

Moderering gäller båda: leverantören uppger att alla prompter och genererade bilder filtreras mot dess innehållspolicy, med en moderation-parameter som erbjuder auto (standard) eller low, och blockerade förfrågningar returnerar en felkod på moderation_blocked med valfri detalj.

Licens- och användningsvillkor i publicerad form

Leverantörens publicerade dokumentation om modeller och bildgenerering innehåller inte klausulerna om äganderätt till output och kommersiell användning; de finns i dess separata villkor, som inte återges i utvecklardokumentationen. Vad utvecklardokumentationen däremot anger, i sin guide för datahantering, är att API-data inte används för träning om du inte samtycker, och guidens tabell listar "används för träning: Nej" för /v1/images/generations och /v1/images/edits slutpunkter. Bildgenerering beskrivs också där som kompatibel med Zero Data Retention för de specifika modellnamn som listas på den sidan.

Ingenting i API-dokumentationen beviljar eller beskriver en gratisnivå, gratiskrediter, en provperiod eller ett undantag från hastighetsbegränsning för någon av 2.5-modellerna. Det finns ingen publicerad gratis kvot att hänvisa till. Det som är publicerat är ett pris, och det är samma pris som GPT-Image-2 redan hade — se nästa avsnitt.

Prissättningen, och det faktum att den inte rörde sig

Leverantören publicerar inget pris per bild för någon av 2.5-varianterna. Prissättningen mäts i tokens per miljon, och satserna är identiska för de två modellerna och identiska med GPT-Image-2:

• Standard, textinmatning — 5,00 $ per 1 mn tokens; cachad textinmatning 1,25 $.

• Standard, bildinmatning — 8,00 USD per 1 miljon tokens; cachad bildinmatning 2,00 USD.

• Standard, bildutdata — 30,00 USD per 1M tokens.

• Batch, textinmatning — $2,50; bildinmatning $4,00; bildutmatning $15,00, med cachade priser halverade i motsvarande grad.

Två saker i den tabellen är värda mer än siffrorna i sig själva. För det första höjde inte 2.5-generationen priset: gpt-image-2 listar 8 dollar in och 30 dollar ut på bildsidan och 5 dollar för text, precis som 2.5 gör. Som kontrast ligger GPT-Image-1.5 på 8 dollar in och 32 dollar ut med en textutpris på 10 dollar, och GPT-Image-1 på 10 dollar in och 40 dollar ut. Uppgraderingen till 2.5 är en förändring av kapacitet och latens med en oförändrad prislista. För det andra noterar leverantören att deras befintliga kostnadskalkylator för bildgenerering inte uppskattar användning av 2.5, så du bör inte beräkna utgifter för dessa modeller utifrån verktyg byggda för den äldre generationen. Leverantören publicerar ingen siffra per bild, så alla siffror per bild som du ser anges för dessa modeller är någon annans omvandling, inte leverantörens.

Eftersom priset förs vidare till leverantörens listpris utan något påslag från vår sida, är dessa priser vad du betalar på OrcaRouter, och en ändring av leverantörens pris slår igenom samma dag. Båda modellerna finns i vår livkatalog idag. Jag kontrollerade det, eftersom ett tillgänglighetspåstående från en äldre sida är precis den typ av sak som blir inaktuell: gpt-image-2.5-sunburst och gpt-image-2.5-flare är båda dirigerbara via samma OpenAI-kompatibla endpoint som allt annat, till bildpriserna ovan på 8 $ in / 30 $ ut. Om du utvärderar paret i stället för att satsa på en av dem, spelar det roll av en praktisk anledning – en enda nyckel och en dirigeringsregel låter dig skicka en klass av förfrågningar till Sunburst och allt annat till Flare, och ändra fördelningen utan ett andra avtal eller en kodändring.

Vad oberoende testning säger, och vad ingen har mätt

Tillverkaren publicerar inga benchmarkpoäng för någon av varianterna på sina modellsidor. Den oberoende bevisningen är tunnare än vad lanseringsbevakningen antydde, och det är värt att vara precis om vad den visar och inte visar.

Artificial Analysis underhåller resultattavlor för text-till-bild som täcker både en kvalitets-Elo-rankning och ett representativt API-pris per 1 000 genererade bilder. I den ögonblicksbild som togs 2026-10-12 finns både GPT Image 2.5 Sunburst (max) och GPT Image 2.5 Flare (max) som högt placerade poster, där Sunburst är placerad ovanför Flare, och båda placerade ovanför GPT Image 2 (high). Jag skriver medvetet inte ut Elo-värden från den ögonblicksbilden: resultattavlan återger sina siffror per modell grafiskt och de enskilda etiketterna kunde inte extraheras tydligt från sidan så som den fångades, så ett tal som citeras här skulle vara en avläsning av ett diagram snarare än av datan bakom det. Om du behöver siffran, gå till resultattavlan.

Den prisaxeln är också den enda platsen där en per-bild-ekvivalent siffra för dessa modeller för närvarande finns — Artificial Analysis härleder en representativ kostnad per 1 000 bilder från tokenbaserad prissättning. Det är en oberoende uppskattning som tagits fram med en tredje parts metodik, inte en leverantörstaxa, och leverantören själv publicerar ingen per-bild-siffra alls. Använd den för att jämföra kostnadsprofiler mellan modeller; citera den inte som leverantörens pris.

Vad som följer av dessa bevis, ärligt sagt: ordningen mellan de två varianterna styrks oberoende, vilket är den del som spelar roll för beslutet Flare eller Sunburst. Det som inte är fastställt är någon jämförelse mellan en 2.5-variant och en konkurrerande bildmodell mätt vid matchad ansträngning och på en matchad testrigg. Tavlans poster är nivåindelade – "Sunburst (max)" och "Flare (max)" anger kvalitetsinställningen, och andra modeller på samma tavla listas vid sina egna nivåer, inte vid en gemensam. En rangordning mellan nivåetiketter är inte en rangordning vid lika inställningar, och att behandla den som en sådan skulle överdriva vad som faktiskt har testats.

Var detta lämnar dig

Om du har hamnat här med bara modellens namn och inget annat, är följande de avgörande fakta. Be om gpt-image-2.5-sunburst eller gpt-image-2.5-flare; det finns inget tredje alternativ och inget bart alias. Båda tar emot text och bilder och returnerar en bild, upp till en kant på 3840 pixlar och totalt 8 294 400 pixlar, från en av tre slutpunkter. Flare är valet för genomströmning, Sunburst valet för precision, och leverantörens egen dokumentation medger att masken är vägledning snarare än en hård gräns, så ingen av dem ger dig en perfekt deterministisk redigering. Prislistan är oförändrad jämfört med GPT-Image-2 med 8 $ per miljon bildinmatningstoken och 30 $ per miljon bildutmatningstoken, med batch till halva priset, och det finns inget pris per bild eller någon gratis kvot på leverantörens sida att jämföra med.

Det som fortfarande verkligen är öppet är det som en kapacitetsplan helst vill ha: en uppmätt latensskillnad och en kvalitetsjämförelse med matchad testrigg mellan de två varianterna. Tills någon publicerar dem är valet mellan Flare och Sunburst ett designbeslut baserat på leverantörens uttalade positionering plus en topplistas rangordning — vilket är mer än vad de flesta lanseringar ger dig, och mindre än vad ett benchmark skulle ge.