GPT-Image-2.5: Trang tham chiếu cho Mô hình Hình ảnh Chia tách của OpenAI

Không có model nào tên là gpt-image-2.5. Nếu bạn dán chuỗi đó vào API của nhà cung cấp, bạn sẽ nhận lỗi, vì ID model không tồn tại — và nếu bạn mở tài liệu API tại địa chỉ lẽ ra chứa nó, bạn sẽ nhận 404. Thứ tồn tại là một cặp: GPT-Image-2.5 Sunburst, có định danh là gpt-image-2.5-sunburst và được nhà cung cấp mô tả là "model mạnh nhất của chúng tôi cho việc tạo và chỉnh sửa hình ảnh", cùng với GPT-Image-2.5 Flare, có định danh là gpt-image-2.5-flare và được nhà cung cấp mô tả là "tạo hình ảnh hằng ngày nhanh chóng, chất lượng cao". Cả hai đều thuộc thế hệ kế tiếp của GPT-Image-2, và toàn bộ cách sắp đặt hai model này là điều quan trọng nhất cần hiểu trước khi bạn viết một dòng code nào hướng tới một trong hai. Khoảng trống về tên gọi đó cũng là lý do trang này tồn tại: câu hỏi mà mọi người gõ — "gpt image 2.5" — không có câu trả lời riêng nào ở đây, chỉ có những câu trả lời một phần nằm rải rác trong các bài viết về biến thể và so sánh.

Mọi thứ trong tài liệu tham chiếu này đều được lấy từ chính tài liệu API của nhà cung cấp vào ngày 2026-10-12, cùng với một bản chụp bảng xếp hạng độc lập từ cùng ngày. Ở đâu nhà cung cấp không công bố gì, trang này nói rõ như vậy thay vì lấp khoảng trống. Ở đâu các trang của chính nhà cung cấp mâu thuẫn với nhau, trang này cũng nói rõ điều đó.

GPT-Image-2.5 là gì, và nó nằm ở vị trí nào so với GPT-Image-2

GPT-Image-2.5 là thế hệ thứ ba trong dòng sản phẩm hình ảnh tính theo token của nhà cung cấp và là phiên bản kế nhiệm trực tiếp của GPT-Image-2, với ảnh chụp API duy nhất được ghi ngày gpt-image-2-2026-04-21. Thế hệ 2.5 xuất hiện trên API vào ngày 2026-09-08 — cả hai biến thể đều mang ngày đó trong tên ảnh chụp mặc định, gpt-image-2.5-sunburst-2026-09-08 và gpt-image-2.5-flare-2026-09-08. Đó là ngày ra mắt theo ghi nhận của chính nhà cung cấp, và tính ra là khoảng bốn tháng rưỡi sau GPT-Image-2. Mô hình này không phải mới xuất hiện trong tuần này; phần tiếp theo đây là tài liệu tham chiếu thường trực, không phải thông báo ra mắt.

Sự thay đổi thế hệ không phải là một mô hình đơn lẻ với số phiên bản lớn hơn. Đó là một sự phân nhánh. Mọi thế hệ GPT-Image trước đây đều phát hành một ID mô hình chính — GPT-Image-1, rồi GPT-Image-1.5, rồi gpt-image-2 — và bạn chọn một bậc chất lượng trong chính mô hình đó. Với 2.5, nhà cung cấp phát hành hai mô hình có tên riêng, snapshot riêng và yêu cầu bạn chọn xem khối lượng công việc của mình thuộc về mô hình nào. Không có mô hình bao trùm nào điều phối đến cả hai.

Từ đó, có ba hệ quả thực tiễn, và chúng đáng được nêu rõ ràng vì chúng chính là những gì một độc giả đang tìm kiếm tên mô hình thực sự cần:

• Không có gpt-image-2.5 như một bí danh. Mã được viết dựa trên một tên trần giả định sẽ không chạy; bạn phải chỉ định rõ gpt-image-2.5-sunburst hoặc gpt-image-2.5-flare.

• Hai biến thể dùng chung một bảng giá và một lịch giới hạn tốc độ, nên lựa chọn giữa chúng là quyết định về độ trễ và độ chính xác, không phải quyết định về ngân sách. Cách chính nhà cung cấp mô tả sự phân chia này là phân chia theo khối lượng công việc, không phải một thang bậc chất lượng mà bạn leo lên bằng cách trả nhiều tiền hơn.

• "GPT-Image-2.5" không có hậu tố là tên thế hệ, không phải một mô hình. Khi bạn thấy nó trong nhật ký thay đổi, hóa đơn hoặc thông báo sản phẩm, nó có nghĩa là thế hệ, và bạn vẫn phải biết mô hình nào trong hai mô hình đã tạo ra tác phẩm.

Flare hay Sunburst: cách chọn

Đây là câu hỏi mà chính tên gọi của mô hình cứ liên tục tạo ra, và từ vựng về các biến thể phản trực giác đến mức nhiều người hỏi nó theo cả hai hướng trước khi họ tìm được câu trả lời. Ở đây, vấn đề đã được giải quyết dứt điểm, mỗi biến thể một dòng, dựa trên định vị đã công bố của nhà cung cấp thay vì suy luận từ các benchmark:

• Flare — gpt-image-2.5-flare, snapshot gpt-image-2.5-flare-2026-09-08. Hãy chọn nó khi thông lượng và thời gian quay vòng là ràng buộc: tạo ảnh hằng ngày, các pipeline khối lượng lớn, nguyên mẫu, hình ảnh cho mạng xã hội và sản phẩm, bất cứ thứ gì mà "tốt, ngay bây giờ" đánh bại "tốt hơn, về sau". Đây là mô hình mà nhà cung cấp dán nhãn là lựa chọn hằng ngày nhanh và chất lượng cao, và là mô hình bạn nên đặt làm lựa chọn mặc định.

• Sunburst — gpt-image-2.5-sunburst, ảnh chụp nhanh gpt-image-2.5-sunburst-2026-09-08. Hãy chọn nó khi chính thao tác chỉnh sửa là sản phẩm bàn giao và độ chính xác quan trọng hơn độ trễ: những lần chỉnh sửa lặp đi lặp lại, nơi một thay đổi được thực hiện ở lượt thứ hai phải tồn tại qua lượt thứ ba, những bố cục nhạy cảm với layout, inpainting có mặt nạ phải rơi đúng vào chỗ bạn nhắm tới. hướng dẫn tạo ảnh của nhà cung cấp tóm gọn sự phân chia trong một câu: "Hãy chọn Sunburst cho các quy trình nơi độ chính xác khi chỉnh sửa là quan trọng nhất, và Flare cho việc tạo ảnh thường ngày nhanh chóng, chất lượng cao."

Lời cảnh báo trung thực: nhà cung cấp không công bố một con số độ trễ, chi phí trên mỗi ảnh, hay một phép đo chất lượng định lượng khoảng cách giữa hai mô hình, vì vậy "chậm hơn" và "chính xác hơn" là cách mô tả của nhà cung cấp, không phải một tỷ lệ được đo lường. Bảng xếp hạng độc lập duy nhất có cả hai mô hình thì có phân tách chúng, và nó đồng tình về thứ tự — xem phần bằng chứng bên dưới. Điều nó không làm là cung cấp cho bạn một so sánh đối đầu với cùng giàn thử, cùng mức nỗ lực, kèm khoảng tin cậy mà bạn có thể đưa vào kế hoạch công suất. Chưa ai công bố điều đó.

Một mặc định khả thi nếu bạn không muốn phải suy nghĩ về nó: gọi Flare ở mọi nơi, và định tuyến đến Sunburst cho những yêu cầu cụ thể nơi một chỉnh sửa phải được giữ nguyên — những yêu cầu mang mặt nạ, hoặc một chủ thể tham chiếu mà bạn cần giữ ổn định qua các lượt. Đó chính xác là dạng "mô hình chưa được kiểm chứng, đừng đặt cược đường sản xuất vào nó" mà ở đó việc định tuyến một điểm cuối qua cả hai sẽ rẻ hơn so với việc cam kết chỉ dùng một.

Nó chấp nhận những gì và trả về những gì

Cả hai biến thể đều công bố cùng một phạm vi phương thức trên các trang mô hình của nhà cung cấp. Đầu vào: văn bản và hình ảnh. Đầu ra: hình ảnh. Đầu ra văn bản không được tạo ra, và các ghi chú về giá của nhà cung cấp xác nhận hệ quả này — đầu ra văn bản không bị tính phí, vì mô hình không trả về nội dung văn bản nào.

Phạm vi kích thước rộng hơn so với gợi ý của ba cài đặt sẵn:

• Các preset được đề xuất — 1024×1024 vuông, 1536×1024 ngang, 1024×1536 dọc.

• Cả hai mô hình đều chấp nhận các chuỗi WIDTHxHEIGHT tùy ý, với ba ràng buộc được nêu nguyên văn trong hướng dẫn: chiều rộng và chiều cao phải là bội số của 16; tỷ lệ khung hình phải nằm trong khoảng từ 1:3 đến 3:1; và không cạnh nào được vượt quá 3840 pixel.

• Tổng ngân sách điểm ảnh — từ 655.360 đến 8.294.400 pixel, mà nhà cung cấp gọi là 4K ở mức trần.

• Vùng thử nghiệm — các độ phân giải trên 2560×1440 được nhà cung cấp gắn cờ là thử nghiệm. Hãy coi mọi thứ vượt quá ngưỡng đó là chưa được kiểm chứng cho môi trường sản xuất.

Định dạng đầu ra mặc định là PNG, với JPEG và WebP cũng có sẵn. Có thể điều khiển mức nén thông qua một output_compressiontham số trên thang điểm 0–100, và nhà cung cấp lưu ý rằng JPEG nhanh hơn PNG — điều này đáng biết nếu độ trễ chính là lý do bạn chọn Flare ngay từ đầu. Nền trong suốt yêu cầu background: "transparent"đi kèm với định dạng đầu ra PNG hoặc WebP. API trả về dữ liệu hình ảnh được mã hóa base64.

Lựa chọn chất lượng gồm low, medium, high, xhigh, max, và auto. Hai mô hình 2.5 là những mô hình bổ sung thêm xhigh và max; các mô hình GPT Image trước đó chỉ đạt tối đa mức high. Cả hai biến thể 2.5 đều mặc định ở auto. Nếu các bậc này có vẻ như là một trục chất lượng thứ hai xếp chồng lên lựa chọn Flare/Sunburst, thì đó là bởi vì chúng vốn là một: bạn chọn một biến thể rồi chọn một bậc, và cả hai cộng dồn vào cả độ trễ lẫn chi phí.

Giới hạn tốc độ là giống hệt nhau đối với cả hai mô hình và được quy định theo hạng mức sử dụng dưới dạng token và hình ảnh mỗi phút: Build 250.000 / 20, Launch 3.000.000 / 150, Grow 8.000.000 / 250. Cùng một lịch trình như vậy cũng được liệt kê cho gpt-image-2. nhà cung cấp cũng lưu ý rằng việc sử dụng các mô hình này có thể yêu cầu phải hoàn thành Xác minh Tổ chức API.

Bề mặt endpoint, và một xung đột tài liệu

Đây là phần mà việc đọc lại tài liệu của nhà cung cấp rất quan trọng, bởi vì các trang của chính nhà cung cấp không hoàn toàn thống nhất với nhau.

Các trang mô hình cho gpt-image-2.5-sunburst và gpt-image-2.5-flare liệt kê chính xác ba endpoint được hỗ trợ: v1/images/generations, v1/images/edits, và v1/batch. Mọi thứ khác trong bảng đều được đánh dấu là không được hỗ trợ — bao gồm v1/responses và v1/chat/completions. Đây là cùng một bề mặt ba endpoint mà GPT-Image-2 cung cấp, và điều đó có nghĩa là cấu trúc Chat Completions mà bạn có thể đã dùng cho một mô hình hình ảnh trước đó sẽ không còn dùng được nữa.

Tuy nhiên, hướng dẫn tạo hình ảnh mô tả một đường dẫn Responses API trong đó bạn chọn một mô hình chính và đặt tên mô hình hình ảnh bên trong trường công cụ, và ghi chú trên trang định giá nói rằng mức giá đầu vào được lưu trong bộ nhớ đệm cho GPT-Image-2 và 2.5 "chỉ áp dụng cho các lần tạo từ Responses API." Hai tuyên bố đó ngụ ý một bề mặt Responses mà trang mô hình đánh dấu rõ ràng là không được hỗ trợ. Các ví dụ đã giải trong chính hướng dẫn ghép công cụ hình ảnh với gpt-6-astra làm mô hình chính.

Tôi đang báo cáo xung đột thay vì giải quyết nó. Cách hiểu thận trọng — và là cách nên dựa vào để xây dựng — là trang model: generations, edits, batch. Hãy kiểm thử đường dẫn Responses với chính tài khoản của bạn trước khi dựa vào nó, vì trang lẽ ra sẽ cấp quyền cho nó hiện đang báo không.

Hành vi hiển thị và chỉnh sửa văn bản

Chỉnh sửa chính là mục tiêu mà thế hệ 2.5 nhắm tới, và tài liệu mô tả đặc biệt cụ thể về cơ chế cũng như những giới hạn.

Endpoint chỉnh sửa xử lý inpainting — tính năng chỉnh sửa duy nhất được liệt kê trên cả hai trang mô hình. Bạn tải lên một hình ảnh cùng với một mặt nạ xác định vùng cần thay thế. Hai ràng buộc quan trọng hơn vẻ bề ngoài của chúng. Thứ nhất, việc tạo mặt nạ với các mô hình này hoàn toàn dựa trên prompt: mô hình sử dụng mặt nạ làm hướng dẫn và, theo cách diễn đạt của nhà cung cấp, "có thể không tuân theo hình dạng chính xác của nó với độ chính xác hoàn toàn." Thứ hai, hình ảnh và mặt nạ phải có cùng định dạng và kích thước và dưới 50MB, và mặt nạ phải có kênh alpha — mặt nạ đen trắng thông thường sẽ không hoạt động cho đến khi bạn thêm kênh alpha bằng lập trình. Nếu bạn cung cấp nhiều hình ảnh đầu vào, mặt nạ sẽ áp dụng cho hình ảnh đầu tiên.

Về văn bản, câu trung thực đến từ danh sách hạn chế của chính nhà cung cấp, chứ không phải từ một tuyên bố tiếp thị của nhà cung cấp: “Mặc dù đã được cải thiện đáng kể, mô hình vẫn có thể gặp khó khăn với việc đặt văn bản chính xác và độ rõ ràng.” Hãy đọc câu đó theo đúng nghĩa đen. Thế hệ này kết xuất văn bản tốt hơn các thế hệ tiền nhiệm và vẫn chưa phải là một công cụ dàn trang. Danh sách hạn chế đó cũng nói thêm rằng các câu lệnh phức tạp có thể mất tới hai phút để xử lý, rằng mô hình có thể gặp khó khăn trong việc giữ cho các nhân vật xuất hiện lặp lại hoặc các yếu tố thương hiệu nhất quán về mặt hình ảnh, và rằng nó có thể gặp khó khăn khi đặt các thành phần một cách chính xác trong các bố cục có cấu trúc hoặc nhạy cảm với dàn trang. Mỗi điều trong số đó là một lập luận trực tiếp ủng hộ Sunburst trong công việc dàn trang và chống lại việc cho rằng một trong hai biến thể sẽ giữ được một mẫu.

Kiểm duyệt áp dụng cho cả hai: nhà cung cấp tuyên bố rằng mọi prompt và hình ảnh được tạo đều được lọc theo chính sách nội dung của họ, với tham số moderation cho phép auto (mặc định) hoặc low, và các yêu cầu bị chặn sẽ trả về mã lỗi moderation_blocked kèm thông tin chi tiết tùy chọn.

Điều khoản cấp phép và sử dụng như đã công bố

tài liệu về mô hình và tạo hình ảnh do nhà cung cấp công bố không có các điều khoản về quyền sở hữu đầu ra và sử dụng thương mại; những điều khoản đó nằm trong các điều khoản riêng của họ, vốn không được tái bản trong tài liệu dành cho nhà phát triển. Điều mà tài liệu dành cho nhà phát triển thực sự nêu rõ, trong hướng dẫn xử lý dữ liệu của mình, là dữ liệu API không được dùng để huấn luyện trừ khi bạn chọn tham gia, và bảng trong hướng dẫn đó ghi "dùng để huấn luyện: Không" đối với các endpoint /v1/images/generations và /v1/images/edits. Việc tạo hình ảnh cũng được mô tả ở đó là tương thích với Zero Data Retention đối với các tên mô hình cụ thể được liệt kê trên trang đó.

Không có nội dung nào trong tài liệu API cấp hoặc mô tả gói miễn phí, tín dụng miễn phí, hạn mức dùng thử hay miễn trừ giới hạn tốc độ cho cả hai mô hình 2.5. Không có hạn mức miễn phí nào được công bố để chỉ vào. Điều được công bố là một mức giá, và đó chính là mức giá mà GPT-Image-2 đã áp dụng — xem phần tiếp theo.

Giá cả, và việc nó không hề thay đổi

nhà cung cấp không công bố giá trên mỗi hình ảnh cho cả hai biến thể 2.5. Giá được tính theo token, trên mỗi triệu, và mức giá giống hệt nhau ở cả hai mô hình và giống hệt với GPT-Image-2:

• Đầu vào văn bản tiêu chuẩn — 5,00 đô la Mỹ cho mỗi 1 triệu token; đầu vào văn bản được lưu trong bộ nhớ đệm 1,25 đô la Mỹ.

• Tiêu chuẩn, đầu vào hình ảnh — $8.00 cho mỗi 1 triệu token; đầu vào hình ảnh được lưu trong bộ nhớ đệm $2.00.

• Tiêu chuẩn, đầu ra hình ảnh — $30.00 mỗi 1 triệu token.

• Batch, đầu vào văn bản — $2,50; đầu vào hình ảnh $4,00; đầu ra hình ảnh $15,00, với mức giá cache giảm một nửa tương ứng.

Hai điều về bảng đó đáng giá hơn chính những con số. Thứ nhất, thế hệ 2.5 đã không tăng giá: gpt-image-2 niêm yết $8 đầu vào và $30 đầu ra ở mảng hình ảnh, cùng $5 cho văn bản, đúng như 2.5. Để so sánh, GPT-Image-1.5 ở mức $8 đầu vào và $32 đầu ra với mức $10 cho đầu ra văn bản, còn GPT-Image-1 ở mức $10 đầu vào và $40 đầu ra. Bản nâng cấp 2.5 là thay đổi về năng lực và độ trễ với bảng giá không đổi. Thứ hai, nhà cung cấp lưu ý rằng công cụ tính chi phí tạo hình ảnh hiện có của họ không ước tính việc sử dụng 2.5, vì vậy bạn không nên dự phóng chi tiêu cho các mô hình này từ công cụ được xây dựng cho thế hệ cũ hơn. Nhà cung cấp không công bố con số trên mỗi hình ảnh, nên bất kỳ con số trên mỗi hình ảnh nào bạn thấy được trích dẫn cho các mô hình này đều là quy đổi của người khác, không phải của nhà cung cấp.

Vì giá được chuyển nguyên theo giá niêm yết của nhà cung cấp và phía chúng tôi không cộng thêm markup, mức giá đó chính là mức bạn trả trên OrcaRouter, và thay đổi giá từ nhà cung cấp sẽ được áp dụng ngay trong cùng ngày. Cả hai mô hình đều có trong danh mục trực tuyến của chúng tôi hôm nay. Tôi đã kiểm tra, vì tuyên bố về tính khả dụng từ một trang cũ đúng là kiểu thông tin dễ bị lỗi thời: gpt-image-2.5-sunburst và gpt-image-2.5-flare đều có thể định tuyến qua cùng endpoint tương thích OpenAI như mọi thứ khác, với mức giá ảnh $8 vào / $30 ra ở trên. Nếu bạn đang cân nhắc cả cặp thay vì chọn một, điều đó quan trọng vì một lý do thực tế — một khóa duy nhất và một quy tắc định tuyến cho phép bạn gửi một nhóm yêu cầu đến Sunburst và mọi thứ khác đến Flare, rồi thay đổi tỷ lệ phân chia mà không cần hợp đồng thứ hai hay thay đổi mã.

Những gì kiểm nghiệm độc lập cho thấy, và những gì chưa ai đo lường được

Nhà cung cấp không công bố điểm chuẩn nào cho cả hai biến thể trên các trang model của mình. Bằng chứng độc lập còn mỏng hơn so với hàm ý từ các bài đưa tin ra mắt, và cần phải chính xác về những gì nó cho thấy và không cho thấy.

Artificial Analysis duy trì các bảng xếp hạng text-to-image bao gồm cả bảng xếp hạng chất lượng theo Elo và mức giá API đại diện trên mỗi 1.000 hình ảnh được tạo. Trong bản chụp được thực hiện vào ngày 2026-10-12, cả GPT Image 2.5 Sunburst (max) và GPT Image 2.5 Flare (max) đều xuất hiện với vị trí cao, trong đó Sunburst được xếp trên Flare, và cả hai đều được xếp trên GPT Image 2 (high). Tôi cố ý không in các giá trị Elo từ bản chụp đó: bảng xếp hạng hiển thị các số liệu theo từng mô hình dưới dạng đồ họa và các nhãn riêng lẻ không thể được trích xuất một cách rõ ràng từ trang như khi được chụp, vì vậy một con số được dẫn ở đây sẽ là việc đọc một biểu đồ thay vì đọc dữ liệu đằng sau nó. Nếu bạn cần con số đó, hãy truy cập bảng xếp hạng.

Trục giá đó cũng là nơi duy nhất hiện có con số tương đương trên mỗi ảnh cho các mô hình này — Artificial Analysis suy ra chi phí đại diện cho 1.000 ảnh từ mức giá tính theo token. Đây là một ước tính độc lập được tạo ra theo phương pháp của bên thứ ba, không phải mức giá của nhà cung cấp, và bản thân nhà cung cấp hoàn toàn không công bố con số nào trên mỗi ảnh. Hãy dùng nó để so sánh hình dạng chi phí giữa các mô hình; đừng trích dẫn nó như giá của nhà cung cấp.

Điều suy ra từ bằng chứng đó, nói một cách trung thực: thứ tự của hai biến thể được chứng thực một cách độc lập, và đó là phần quan trọng đối với quyết định chọn Flare hay Sunburst. Điều chưa được thiết lập là bất kỳ so sánh nào giữa một biến thể 2.5 và một mô hình hình ảnh cạnh tranh được đo ở cùng mức nỗ lực và trên cùng một giàn đánh giá. Các mục trên bảng được phân theo bậc — "Sunburst (max)" và "Flare (max)" là tên của cài đặt chất lượng, còn các mô hình khác trên cùng bảng được liệt kê ở bậc riêng của chúng, không phải ở một bậc chung. Xếp hạng xuyên qua các nhãn bậc không phải là xếp hạng ở các cài đặt bằng nhau, và coi nó như vậy sẽ phóng đại những gì thực sự đã được kiểm thử.

Điều này đưa bạn đến đâu

Nếu bạn đến đây chỉ với tên của mô hình và không có gì khác, thì những sự thật cốt yếu là thế này. Hãy yêu cầu gpt-image-2.5-sunburst hoặc gpt-image-2.5-flare; không có lựa chọn thứ ba và cũng không có bí danh trần. Cả hai đều nhận văn bản và hình ảnh rồi trả về một hình ảnh, với cạnh tối đa 3840 pixel và tổng cộng 8.294.400 pixel, từ một trong ba endpoint. Flare là lựa chọn thiên về thông lượng, Sunburst là lựa chọn thiên về độ chính xác, và tài liệu của chính nhà cung cấp thừa nhận rằng mặt nạ chỉ mang tính hướng dẫn chứ không phải ranh giới cứng, nên cả hai đều sẽ không cho bạn một bản chỉnh sửa hoàn toàn xác định. Bảng giá không thay đổi so với GPT-Image-2 ở mức 8 đô-la cho mỗi triệu token đầu vào hình ảnh và 30 đô-la cho mỗi triệu token đầu ra hình ảnh, với gói batch chỉ bằng một nửa, và không có mức giá theo từng hình ảnh hay hạn mức miễn phí nào tồn tại trên trang của nhà cung cấp để so sánh.

Điều vẫn thực sự bỏ ngỏ chính là thứ mà một kế hoạch dung lượng mong muốn nhất: một khác biệt độ trễ được đo đạc và một so sánh chất lượng bằng cùng một harness giữa hai biến thể. Cho đến khi ai đó công bố những điều đó, việc chọn giữa Flare và Sunburst là một quyết định thiết kế dựa trên định vị do nhà cung cấp công bố cộng với thứ hạng trên một bảng xếp hạng — điều đó thì hơn những gì hầu hết các đợt ra mắt mang lại, nhưng vẫn ít hơn những gì một benchmark sẽ mang lại.