GPT-Image-2.5 Flare och Sunburst: OpenAI delar upp sitt bild-API i hastighet och precision

OpenAIs bild-API har nu två flaggskeppsmodeller i stället för en. Den 8 september 2026 introducerade företaget GPT-Image-2.5 Flare och GPT-Image-2.5 Sunburst – syskonmodeller under samma 2.5-uppgradering, uppdelade efter arbetsbelastning snarare än generation. Flare är positionerad som det snabba, förvalda alternativet för vardaglig och högvolymig bildgenerering; Sunburst är den långsammare, precisionsinriktade modellen för arbete där kontroll över en redigering betyder mer än snabbhet. Båda släpptes i Images API samma dag som konsumentutrullningen av ChatGPT Images 2.5, och båda förlänger GPT-Image-2-linjen som OpenAI släppte i april och som communityn hade följt sedan en Codex-läcka dök upp den 3 september.

För en utvecklare är den praktiska förändringen omedelbar: beslutet är inte längre "vilken bildmodell anropar jag?" utan "vilken av två syskon passar för den här arbetsbelastningen?" Svaret har betydelse för kostnad och latens, eftersom de två modellerna inte är utbytbara i hastighet. Allt därunder är ett påstående från OpenAI – siffror för hastighet, kvalitet och säkerhet kommer alla från leverantören och dess tillkännagivna partners, och ingen av 2.5-modellerna har ännu ett oberoende benchmarkresultat per den 9 september 2026.

Två modeller, en uppgradering

OpenAI:s utvecklartillkännagivande ramar in paret utifrån användningsområde. GPT-Image-2.5 Flare — identifieraren är gpt-image-2.5-flare — är standard för de flesta applikationer. OpenAI positionerar den för kreatörs- och socialt innehåll, produktupplevelser, visuell sökning, snabb bildprototypframställning, varumärkestillgångar och alla högvolymspipelines för generering. Företaget säger att Flare producerar bilder av högre kvalitet än GPT-Image-2 med upp till 50 procent lägre latens, och att den i företagets egna utvärderingar genererar ungefär två till fyra gånger snabbare än GPT-Image-2; den annonserade tidiga kunden Manus har separat rapporterat att de sett 2–4× hastighetsökningar med bättre utmatning med genomskinlig bakgrund i sitt eget användande. API-referensen betecknar Flare som den "lilla" modellen i paret.

GPT-Image-2.5 Sunburst — identifierare gpt-image-2.5-sunburst — är premiumhalvan. OpenAI byggde den för arbetsflöden som drar nytta av tätare kontroll över redigeringar: produktionsredo kampanjmaterial, polerade produktbilder, marknadsföringsmaterial och designverktyg där varumärkesnoggrannhet är själva poängen. Den tar längre tid per generering än Flare, och den extra beräkningskraften ger det som OpenAI beskriver som en extra nivå av precision och detaljåtergivning vid redigeringar. API-referensen märker Sunburst som "basmodellen" — den större och mer genomtänkta av de två. Higgsfield AI, ytterligare en tillkännagiven tidig kund, säger att modellen "förstår vad som inte ska ändras", vilket är en användbar sammanfattning av hela 2.5-redigeringskonceptet: behåll de delar av en bild som instruktionen inte bad om att ändra intakta, även i röriga scener.

Adobe säger att de integrerar båda modellerna i Firefly, vilket gör paret till de första OpenAI-bildmodellerna som når den produktlinjen. Manus och Higgsfield AI är de andra namngivna tidiga kunderna.

Vad som faktiskt förbättrades

Release notes samlar kvalitetsarbetet under samma rubrik: skarpare detaljer, starkare stiltrogenhet och mer kontroll över redigeringar. Därunder listar OpenAI specifika ändringar som är värda att läsa noggrant, eftersom de är skillnaden mellan en punktrelease och ett verkligt steg framåt:

• Naturligare belysning och rikare texturer – de aspekter av utdatakvaliteten som recensenter konsekvent beskriver som det synliga klivet förbi Images 2.0.

• Bättre bevarande av motivet från referensfoton — ansiktsdrag och identifierande detaljer förs vidare genom en generering i stället för att återskapas från grunden varje gång.

• Mer tillförlitlig redigering i flera omgångar — tidigare ändringar förblir stabila och varje efterföljande redigering bygger vidare på tidigare arbete utan att försämra orelaterade områden i bilden.

• Upp till 50 procent lägre genereringslatens än Images 2.0 på konsumentsidan, vilket är samma hastighetshistoria som Flare berättar på API-sidan.

• Skarpare text och hantering av transparent bakgrund – de två egenskaper som köpare av bild-API:er oftast utvärderar; Manus notering om transparent bakgrund är den enda oberoende klingande bekräftelsen hittills.

OpenAI säger också att varje utdata bär C2PA-metadata och en osynlig vattenstämpel, vilket är oförändrat från GPT-Image-2:s proveniensstrategi och värt att upprepa eftersom det är ett hårt krav i vissa reglerade arbetsflöden.

Vad API:et nu exponerar

De nya modellerna hamnar i samma Images API-slutpunkter som utvecklare redan använder – genererings- och redigeringsanrop – men parameterytan har vuxit. API-referensen för 2.5-modellerna visar en kvalitetsparameter med mer utrymme än GPT-Image-2 erbjöd: auto (standard), low, medium, high och två nya nivåer över high, xhigh och max. Den dokumenterar också storleksalternativ som går bortom den 2048×2048-tak som GPT-Image-2 levererades med, upp till 3840×2160 i liggande format och 2160×3840 i stående format. De angivna begränsningarna är en kantlängd på högst 3840 pixlar, dimensioner i multiplar av 16, ett bildförhållande på högst 3:1 och totalt mellan 655 360 och 8 294 400 pixlar – så de största utdata hamnar strax över 8 megapixlar, i 4K-klass. En bakgrundsparameter accepterar auto, opaque eller transparent, vilket är hur transparent PNG-utdata begärs.

Två förbehåll håller det stycket ärligt. För det första är detta de inställningar som dokumenterats för 2.5-identifierarna i OpenAIs referens; huruvida varje nivå och storlek finns tillgänglig för båda modellerna, och vad varje kvalitetsnivå kostar i tokens, var inte fullt dokumenterat vid lanseringen. För det andra finns gpt-image-2 fortfarande listad i API:et — 2.5-utgåvan är additiv, och befintliga integrationer går inte sönder. Priset per bild för de nya modellerna kommer att bero på hur många tokens varje generering faktiskt förbrukar, vilket innebär att den gamla vanan att budgetera i ”dollar per 1024×1024-bild” är siffran att hålla koll på tills verklig användningsdata har samlats in.

Prissättningen har inte rört sig.

OpenAI behöll samma tokenpriser som GPT-Image-2: 8,00 USD per miljon tokens för bildindata och 30,00 USD per miljon tokens för bildutdata, utöver de vanliga text-tokens för prompten. Som kontext för vad dessa priser innebar på den tidigare modellen anger Artificial Analysis priset för GPT-Image-2 (high) till cirka 211 USD per 1 000 bilder — ungefär 0,21 USD för en högkvalitativ 1024×1024-bild — och sidan för openai/gpt-image-2 på OrcaRouter visar samma tokenfördelning på 8,00/30,00 USD. Eftersom 2.5-modellerna har samma priser handlar kostnadsfrågan uteslutande om tokenförbrukning per bild, vilket är exakt vad som inte publicerades vid lanseringen.

Det är den prissättningsmatematik som spelar roll för alla som redan anropar gpt-image-2 via OrcaRouter. OpenAIs bildmodeller är bland de över 200 modellerna via OrcaRouter API, och OrcaRouter skickar vidare leverantörens listpris direkt med 0 % påslag — de angivna priserna $8.00/$30.00 på modellsidan för openai/gpt-image-2 är OpenAIs egna siffror, inte en återförsäljares. Den dag en uppströmsleverantör lägger till identifierarna gpt-image-2.5-flare eller gpt-image-2.5-sunburst, anropar samma API-nyckel dem, och en leverantörsprisändring på någon av modellerna är live hos dig samma dag som den dyker upp.

Flare eller Sunburst: vilken passar dig?

För de flesta team är det ärliga svaret "börja med Flare och eskalera till Sunburst endast när en redigering måste klara granskning." Modellerna delas tydligt efter arbetsbelastning snarare än efter rå kvalitet, och OpenAIs egen positionering säger att Flare är standard. Läsningen dimension för dimension:

• Hastighet — Flare är den snabba: OpenAI hävdar upp till 50 procent lägre latens än GPT-Image-2, och 2–4× genomströmning i sina utvärderingar och i Manus användning. Sunburst byter medvetet hastighet mot precision och tar längre tid per generering.

• Bästa arbetsbelastning — Flare för creator-/socialt innehåll, produktupplevelser, visuell sökning, snabb prototypframställning och varumärkesmaterial i hög volym. Sunburst för produktionsnära kampanjkreativitet, polerad produktfotografering och designarbete där redigeringen måste hålla måttet.

• Redigeringsbeteende — Sunburst är den stramare editorn; feedbacken ”förstår vad som inte ska ändras” från Higgsfield gäller för 2.5-generationen som helhet, men Sunburst är modellen byggd för mest kontroll över successiva redigeringar.

• API-modelltagg — Flare är den "lilla" modellen i OpenAIs referens; Sunburst är "bas"-modellen, vilket innebär den större och långsammare av de två.

• Pris — identiska tokenpriser ($8.00 input / $30.00 output per miljon), så kostnadsskillnaden beror på hur många extra tokens Sunbursts längre genereringar förbrukar.

• Oberoende poäng — ingen ännu för någon av modellerna per den 9 september 2026; behandla alla kvalitets- och hastighetspåståenden som leverantörsrapporterade tills en leaderboard-post eller ett reproducerbart tredjepartstest publiceras.

Ett rimligt mönster för ett team som redan är i produktion är att dirigera merparten av trafiken till Flare – det är standardvalet med lägre latens och det billigare alternativet till samma tokenpris – och att endast peka den redigeringsintensiva, kvalitetskritiska delen mot Sunburst. Eftersom båda modellerna delar Images API:s form och samma tokenpriser, är den uppdelningen en konfigurationsändring, inte en migrering. Automatisk failover gör det säkert att prova innan du förbinder dig: skicka en del av den verkliga trafiken till den nya modellen och fall tillbaka till gpt-image-2 vid fel eller timeout, och dina egna prompts – inte en lanseringssida – avgör vilket syskon som får trafiken.

Var 2.5-lanseringen hamnar i bildmodellracet

GPT-Image-2 var redan modellen att slå på de oberoende topplistorna före denna release. På Artificial Analysis text-till-bild-ledartavla innehar den förstaplatsen med Elo 1178 – före MAI-Image-2.6 på 1149, Nano Banana 2 på 1121 och Muse Image på 1116 – och på bildredigeringslistan ligger GPT-Image-2 (high) på andra plats med Elo 1117, bakom Microsofts MAI-Image-2.6 på 1122. Lanseringsberättelsen för GPT-Image-2.5 är att OpenAI har tagit den ledande positionen och delat upp den i en hastighetsnivå och en precisionsnivå, vilket är en produktstrategi lika mycket som ett kvalitetspåstående: i stället för att försvara ett enda flaggskeppsresultat försvarar man två pris-prestanda-positioner samtidigt.

Den ärliga reservationen är att inget av detta ännu är mätt för de nya modellerna. Per den 9 september finns varken gpt-image-2.5-flare eller gpt-image-2.5-sunburst på Artificial Analysis ledartavlor, och ingen oberoende reproduktion av OpenAIs hastighetspåståenden har publicerats. Siffrorna ovan som faktiskt har oberoende stöd – GPT-Image-2:s Elo-poäng och pris per bild – beskriver föregångaren, inte de nya modellerna. När det gäller säkerhet rapporterar OpenAI osäkra genereringsfrekvenser på 1,41 procent för Flare och 1,09 procent för Sunburst, mot en baslinje på 1,64 procent i sina interna utvärderingar; det är leverantörssiffror som släppts för att visa att paret är säkrare än modellen de bygger vidare på, och de bör betraktas som vägledande snarare än definitiva. Sammanhanget kring skala kommer också från OpenAI: företaget uppger att användare skapar fler än tre miljarder bilder i veckan över dess plattform.

Vad du ska titta på härnäst

Tre saker talar om för dig huruvida uppdelningen fungerar bättre än det enda flaggskepp den bygger vidare på. Den första är oberoende siffror för latens och genomströmning för Flare — OpenAIs påstående om 2–4× är den typ av siffra som en partner kan verifiera på en eftermiddag, och Manus bekräftelse är en början, inte ett bevis. Den andra är tokenförbrukningen per bild på båda modellerna, vilket omvandlar de oförändrade tokenpriserna på $8/$30 till ett faktiskt pris per bild; de uppgifterna hade inte publicerats vid lanseringen. Den tredje är var Sunburst hamnar på bildredigeringslistorna, eftersom det är modellens enda existensberättigande: om dess precisionsförsprång gentemot GPT-Image-2 är verkligt, borde det visa sig mot MAI-Image-2.6 och övriga i topp tio för bildredigering inom några veckor.

För tillfället är lanseringen ett verkligt vägskäl för köpare av bild-API. GPT-Image-2.5 Flare är den förnuftiga standardmigreringsvägen från GPT-Image-2 — samma API, samma tokenpris, bättre hastighet på pappret. GPT-Image-2.5 Sunburst är den man bör vänta på om ditt arbete är redigeringar under granskning. Och om du redan anropar gpt-image-2 via OrcaRouter är bytet till endera syskonmodellen en routingändring på samma nyckel, där leverantörens listpris skickas vidare med 0 % påslag och failover finns tillgänglig medan du bestämmer vilken modell som faktiskt förtjänar din trafik.