GPT Image 2.6 nämns i OpenAI:s specifikation och ingen annanstans.

GPT Image 2.6 finns den här veckan som en sträng i en fältbeskrivning och inget mer. Den 28 oktober 2026 lade en commit till OpenAIs offentliga OpenAPI-repository till en ny bildredigeringsparameter som heter markup och beskrev den med en mening som har betydelse: "Stöder GPT Image 2.5 och 2.6." Allt annat du skulle behöva för att anropa en modell saknas. Det finns ingen gpt-image-2.6-identifierare i specifikationens egen uppräkning, inget pris, ingen changelog-post, ingen leaderboard-rad och inget tillkännagivande. De OpenAI-bildmodeller som samma fil faktiskt listar som anropbara är fortfarande gpt-image-1-mini, gpt-image-1.5, gpt-image-2, GPT Image 2.5 Sunburst och GPT Image 2.5 Flare. Så detta är inte en lanseringsnyhet. Det är en historia om vad en mening i en leverantörs eget maskinläsbara kontrakt säger dig, och vad den medvetet inte säger.

Bevisen, ända ner till commiten

Ändringen är så pass liten att den kan läsas i sin helhet. Commit aa88004, skapad av OpenAI OpenAPI Publisher bot kl. 20:56 UTC den 28 oktober, har titeln "Lägg till egenskapen 'markup' för bildredigeringsslutpunkter" och berör 27 rader i openapi.json och openapi.yaml. Den innehåller en referens till källrevision 1326001 för API-dokumentationen, vilket är hur den genererade referensen vet vilken prosa som ska renderas. Samma fyra meningar visas nu på referenssidan för bildredigering på developers.openai.com.

Här är allt som markup är, enligt OpenAI:s egen spec:

• Det är en transparent PNG som läggs över den första bilden i redigeringsbegäran.

• Det kan anges som ett fil-ID, en HTTPS-URL eller en base64-data-URL.

• Den måste matcha den bildens dimensioner efter orientering, och den måste innehålla transparenta pixlar.

• Det stöder GPT Image 2.5 och 2.6, och det kan inte kombineras med mask.

Det är hela den offentliga beskrivningen. Inget diagram, inget exempel, ingen förklaring av hur overlayen tolkas, inget uttalande om vad 2.6 gör annorlunda än 2.5 och ingen ledtråd om tidpunkten. Specifikationen är maskinläsbar och uttömmande vad gäller fältens utformning, men nästan tyst om semantiken, vilket är normalt för ett kontrakt och frustrerande för alla som försöker planera utifrån det.

Det som saknas är mer informativt än det som är närvarande.

Söker du i den 5 MB stora openapi.json efter någon identifierare som innehåller gpt-image-2.6 får du ingenting. Texten om modeller som stöds på redigeringsslutpunkten räknar upp familjen vid namn och slutar vid de två september-SKU:erna och deras daterade snapshots: 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. En modell som inte kan namnges i ett modellfält är inte en modell som du kan anropa, och det repository som skulle bära det namnet har inte uppdaterats för att bära det.

Det här är mönstret som OpenAI använde före GPT Image 2.5 i början av september: referenser dyker upp i genererad dokumentation och specifikationsfiler innan produktsidan, pristabellen och ändringsloggen hinner ifatt. Det är också mönstret som gav tre aurora-identifierare i OpenAIs modelllista den 17 oktober, vilka dök upp och drogs tillbaka igen inom minuter och som inte har förklarats sedan dess. Ett namn i en specifikation är en ledande indikator. Det är inte ett löfte, och det är inte ett datum.

Markup är indata, inte en modell – och det är den verkliga förändringen

Versionsnumret är rubriken, men parametern är substansen. Idag kan en bildredigering ta emot en mask: ett binärt område som säger "ändra här, lämna resten ifred". Prompten måste bära hela betydelsen, eftersom masken inte bär någon — den är ett hål utan semantik i sig. Markup är ett annat slags objekt. Det är en bild lagd över bilden, och en bild kan bära en pil, en ruta ritad runt en logotyp, en kladd i marginalen, två områden åtskilda av färg eller en handskriven anteckning. Om modellen läser överlägget som instruktion i stället för som pixlar att blanda, upphör redigeringsbegäran att vara "ersätt det här området" och blir "gör det som teckningen säger".

Den sista meningen är en slutledning, inte dokumentation. OpenAI har publicerat exakt fyra meningar om markup, och ingen av dem beskriver tolkning. Vad specifikationen däremot otvetydigt säger är exklusiviteten: markup kan inte kombineras med mask. Det här är alltså inte ytterligare en indata som påmonterats det befintliga redigeringsflödet. Det är en andra väg genom slutpunkten, och varje begäran använder det ena eller det andra. Befintliga mask- och prompt-anrop påverkas inte eftersom fältet är valfritt, men en produkt som vill ha annoteringsdriven redigering kommer att välja en annan anropsform i stället för att utöka den nuvarande.

Det finns en genklang på konsumentsidan som är värd att notera. ChatGPT Images 2.5 lanserades med ett Sketch-verktyg den 8 september – rita på en bild och begär en ändring. Markup framstår som API-sidans uttryck för samma idé: teckningen blir instruktionen och prompten blir en bildtext till den. Huruvida det är vad OpenAI avser är obekräftat, men fältets begränsningar – samma dimensioner, transparenta pixlar, ömsesidigt uteslutande med mask – passar den tolkningen och passar knappast något annat.

Den andra halvan av läckan är ett Arena-kodnamn

Signalen som startade den här artikeln kombinerar dokumentationsobservationen med blind Arena-testning: gpt-image-2.5-sunburst till vänster, en anonym shooting-star-green-alpha till höger, där två checkpoints testades och en andra utdata publicerades i svaren. En koreanskspråkig artikel publicerad den 28 oktober beskriver samma kodnamnsfamilj som dyker upp på Arenas bildtopplista – rubriken namnger både en Green Alpha och en Red Alpha – rapporterar att den såg bara marginellt olika ut jämfört med GPT Image 2.5 med något mindre kornighet och varnar för att flera generationer krävdes innan en blev bra.

Inget verifierar att shooting-star-green-alpha är GPT Image 2.6. Kopplingen bygger på indirekta indicier: kodnamnet dök upp samma vecka som specifikationsmeningen, det jämförs med den nuvarande främsta redigeringsmodellen, och suffixet -alpha matchar aurora-*-alpha-identifierarna från 17 oktober. Arena-kodnamn har tidigare felattribuerats, och två varianter i olika färger är inte bevis för två olika modellversioner — de kan lika gärna vara två samplingscheckpunkter för samma modell. Betrakta arena-delen som en observation av testare, inte som ett benchmarkresultat, och betrakta "marginellt bättre än 2.5" som det mest sannolika utfallet tills någon publicerar en poängsatt jämförelse.

Vad 2.6 skulle behöva slå

Den relevanta resultattavlan är bildredigering, eftersom markup är en redigeringsfunktion. Som visat på Artificial Analysis den 29 oktober ser toppen av den resultattavlan ut så här:

• GPT Image 2.5 Sunburst (max) — OpenAI, Elo 1 199, etta.

• MAI-Image-2.7-Preview — Microsoft AI, Elo 1 193, andra plats.

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

• MAI-Image-2.6 — Microsoft AI, Elo 1 151, på fjärde plats, i nivå med Krea 3 (Ultra) och Nano Banana 2.1.

• GPT Image 2 (high) — OpenAI, Elo 1 136, åttonde.

Det finns ingen GPT Image 2.6-post på den leaderboarden, vilket är den tydligaste tillgängliga bekräftelsen på att inget har släppts. Det finns inte heller något utrymme i toppen: gapet mellan ettan och tvåan är sex poäng, och gapet mellan Sunburst och dess egen Flare-syskon är sjutton. Båda har 95-procentiga intervall som överlappar – 1 188 till 1 210 för Sunburst, 1 171 till 1 193 för Flare. En 2.6 som bara minskar kornigheten, så som Arena-testarna beskriver den, skulle hamna inom den där brusnivån snarare än ovanför den. Den intressanta frågan är inte huruvida 2.6 slår 2.5 på Elo. Det är huruvida markup-vägen förändrar vad en redigeringsbegäran kan uttrycka, för det är den typen av förmåga som en leaderboard med parade jämförelser är dålig på att mäta.

Priset det skulle ärva, och vad du kan kalla i dag

GPT Image 2.5 lanserades den 8 september med två API-SKU:er – Flare som standardalternativ, marknadsförd med 50 % lägre latens än GPT Image 2, och Sunburst som precisionsredigeringsvariant – och den behöll GPT Image 2:s prislista exakt:

• Bildinmatning — 8,00 USD per 1 miljon token, cachad bildinmatning 2,00 USD per 1 miljon, bildutmatning 30,00 USD per 1 miljon.

• Textinmatning — 5,00 USD per 1 miljon tokens, cachade 1,25 USD per 1 miljon.

• Batch — halva priset: 4,00 $ bildinmatning, 1,00 $ cachad, 15,00 $ bildutdata, 2,50 $ textinmatning.

OpenAI har inte publicerat något pris för GPT Image 2.6, och det finns överhuvudtaget inget listpris per bild på deras egen prissättningssida – faktureringen sker per token, så kostnaden per genererad bild varierar med storlek, kvalitet och hur mycket referensbilder du skickar. För att ge en uppfattning: Artificial Analysys topplista innehåller en oberoende uppskattning på $210,70 per 1 000 bilder av högsta kvalitet, cirka 21 cent styck; använd en sådan siffra för budgetering, inte en gissning per bild som någon har publicerat. Om 2.6 faktiskt lanseras är det användbara standardantagandet den nuvarande prislistan, eftersom 2.5 inte ändrade något jämfört med 2.0; men det är en enda datapunkt, inte en policy, och en prisändring skulle vara den mer nyhetsvärda händelsen.

Båda 2.5-SKU:erna går redan att anropa via OrcaRouter idag, till $8.00 för indata och $30.00 för utdata per 1M tokens – leverantörens listpris som vidarebefordras med 0 % påslag, på samma nyckel som resten av katalogen. GPT Image 2.6 finns inte i katalogen, och inget i den här läckan pekar på ett datum då den kommer att finnas där. Det routningslagret faktiskt ger dig är den billiga delen av övergången: när en ny bildmodell dyker upp låter routnings-DSL:en dig skicka en del av trafiken till den medan resten ligger kvar på den SKU du har förtroende för, och automatisk failover fångar upp leverantörsfel. Det kan inte skapa en andra upstream för en modell som bara en leverantör levererar, så en helt ny checkpoint är fortfarande en enda felpunkt tills den är brett speglad.

Fyra signaler som skulle förvandla ett namn till en modell

Om du vill veta när detta upphör att vara en läcka, följ specifikationen snarare än tidslinjen:

• En gpt-image-2.6-identifierare som förekommer i specifikationens modelluppräkning, eller i redigeringsslutpunktens lista över GPT-bildmodeller som stöds. Det är i det ögonblicket ett anrop blir möjligt.

• Ändringsloggen eller ett produktinlägg från OpenAI. Företaget har aldrig lanserat en GPT Image-generation utan en sådan, inklusive 2.5-versionen som samma dag släpptes i ChatGPT, ChatGPT Work och Codex.

• En poängsatt post på Artificial Analysis, helst med ett redigerings-Elo och ett antal prover. Leverantörskurerade arenaskärmbilder är inte det.

• Markup-fältet som lanseras direkt i API:et i stället för att ligga i en spec-revision – en parameter som du faktiskt kan skicka, med ett valideringsfel när overlayens dimensioner är fel.

Det finns också en falsifierare. Om nästa revidering av specifikationen i tysthet låter klausulen "and 2.6" utgå, är den troliga tolkningen att en planerad SKU har bytt namn eller fördröjts, precis som aurora-identifierarna försvann i oktober. Förhandsvisningar av dokumentation dras tillbaka; det är just det som gör dem till förhandsvisningar.

För närvarande är det praktiska svaret oglamoröst. Om du redigerar bilder i produktionskvalitet i dag är GPT Image 2.5 Sunburst modellen med det bästa oberoende resultatet och ett publicerat pris, och den är tillgänglig nu; Flare är volymvalet till samma priser. Skriv inte om en redigeringspipeline kring en parameter som har fyra meningar dokumentation och ingen anropbar modell bakom sig. Namnet är verkligt. Modellen är det inte, per den 29 oktober 2026.