GPT-Image-2.5：OpenAI 拆分式圖像模型的參考頁面

並沒有名為gpt-image-2.5的模型。如果你把那個字串貼進供應商的 API，只會得到錯誤，因為這個模型根本不存在——而如果你在應該收錄它的位址開啟 API 文件，則會看到 404。真正存在的是成對的兩款模型：GPT-Image-2.5，其識別碼為gpt-image-2.5-sunburst，供應商形容它是「我們最強大的圖像生成與編輯模型」；以及GPT-Image-2.5，其識別碼為gpt-image-2.5-sunburst，供應商形容它是「快速、高品質的日常圖像生成」。兩者都是GPT-Image-2的後繼世代，而在你針對其中任何一款寫下第一行程式碼之前，最該弄懂的一件事就是這整套雙模型配置。這個命名落差也正是本頁存在的原因：人們會輸入的那個問題——「gpt image 2.5」——在這裡並沒有專屬的解答，只有散見於各篇變體與比較文章中的片段答案。

本參考資料中的所有內容，都是從廠商自家的 API 文件（2026-10-12）讀取而來，外加同日一份獨立的排行榜擷取資料。凡是廠商未發布任何內容之處，本頁會如實說明，而不會填補這個缺口。凡是廠商自家頁面彼此不一致之處，本頁也會如實說明。

GPT-Image-2.5 是什麼，以及它如何定位於 GPT-Image-2 之上

GPT-Image-2.5 是該供應商以 token 計費的圖像系列第三代，也是 GPT-Image-2 的直接後繼者，其唯一的 API 快照日期為 gpt-image-2-2026-04-21。2.5 世代於 2026-09-08 登上 API——兩個變體在其預設快照名稱中都帶有該日期，分別是 gpt-image-2.5-sunburst-2026-09-08 與 gpt-image-2.5-flare-2026-09-08。那是該供應商自家紀錄上的發布日期，距離 GPT-Image-2 大約四個半月。這款模型並非本週才推出；以下內容是現行的參考資料，而非發布公告。

這場世代變革不是一個版本號更大的單一模型。它是一道分岔。每一代較早的 GPT-Image 都只推出一個主要模型 ID——GPT-Image-1，接著是 GPT-Image-1.5，再來是 gpt-image-2——而你是在那一個模型內選擇品質層級。到了 2.5，廠商推出兩個各自命名、各自建立快照的模型，並要你選擇你的工作負載屬於哪一個。沒有哪個統括模型會同時分派到兩者。

由此可得出三個實際後果，而這些後果值得明白說出來，因為它們正是搜尋該模型名稱的讀者真正需要的：

• 沒有 gpt-image-2.5 這個別名。針對假設的裸名稱所撰寫的程式碼將無法執行；你必須命名 gpt-image-2.5-sunburst 或 gpt-image-2.5-flare，且必須明確指定。

• 這兩種變體共用一份價格表和速率限制時間表，因此您在它們之間的選擇是延遲與精確度的決定，而非預算決定。供應商自己對這種區分的框架是工作負載的區分，而不是您透過支付更多費用來攀登的品質階梯。

• 「GPT-Image-2.5」不帶後綴時是世代名稱，不是模型。當你在變更日誌、帳單或產品公告中看到它時，它指的是該世代，而你仍然必須知道是哪兩個模型之一產出了這項作品。

Flare 還是 Sunburst：如何選擇

這是模型自己的名稱不斷生成的那個問題，而變體詞彙的反直覺程度之高，讓許多人在找到答案之前會從兩個方向各問一次。以下以每個變體一行、依據廠商已公布的定位而非從基準測試推論，將它定案：

• Flare — gpt-image-2.5-flare，快照 gpt-image-2.5-flare-2026-09-08。當吞吐量與周轉速度是限制條件時，就選它：日常圖像生成、高流量的處理 pipeline、原型製作、社群與產品視覺素材，以及任何「現在夠好」勝過「最終更好」的情境。這是廠商標榜為快速、高品質日常選項的模型，也是你該設為預設呼叫的模型。

• Sunburst — gpt-image-2.5-sunburst，快照版本 gpt-image-2.5-sunburst-2026-09-08。當編輯本身就是交付成果、且精準度比延遲更重要的時候，就選它：需要反覆迭代的編輯，例如第二回合所做的變更必須在第三回合依然保留；對版面配置敏感的構圖；以及必須精準落在你所瞄準位置的遮罩修補。廠商的圖像生成指南用一句話說明了當中的分野：「若工作流程最重視編輯精準度，請選擇 Sunburst；若要快速、高品質的日常圖像生成，請選擇 Flare。」

坦白說，必須先講清楚：供應商並未公布延遲數據、每張圖片的成本，或能量化兩者差距的品質基準，因此「較慢」和「較精確」是供應商的描述，而不是實測比例。唯一同時收錄這兩個模型的獨立排行榜確實會將它們分開排名，而且排名順序一致——請見下方的證據章節。它沒有提供的是：在相同測試環境、相同投入下的正面對決，並附上可放進容量規劃的信賴區間。沒有人發表過那樣的東西。

如果你不想多想，一個可行的預設做法是：全面呼叫 Flare，並在編輯必須維持住的特定請求上路由到 Sunburst——也就是那些帶有遮罩，或帶有你需要跨回合保持穩定的參考主體的請求。這正是「未經證實的模型，別把正式生產路徑押在它身上」的典型情況：把單一端點同時路由到兩者，比只押注其中一個更划算。

它接受什麼以及它回傳什麼

兩種變體在供應商的模型頁面上宣告相同的模態範圍。輸入：文字與圖像。輸出：圖像。不會產生文字輸出，而供應商的計價說明也印證了這項結果——文字輸出不計費，因為模型不會回傳任何文字。

尺寸範圍比這三個預設值所暗示的還要廣：

• 建議預設值 — 1024×1024 正方形、1536×1024 橫向、1024×1536 直向。

• 自訂尺寸 — 兩種模型皆接受任意的 WIDTHxHEIGHT字串，並在指南中逐字列出三項限制：寬度與高度必須是 16 的倍數；長寬比必須介於 1:3 與 3:1 之間；且任一邊都不得超過 3840 像素。

• 總像素預算 — 介於 655,360 與 8,294,400 像素之間，而廠商將上限美化為 4K。

• 實驗性區域 — 高於 2560×1440 的解析度會被廠商標示為實驗性。任何超過此規格者，均應視為未經生產驗證。

輸出格式預設為 PNG，並提供 JPEG 與 WebP。壓縮可透過 output_compression 參數控制，範圍為 0–100，而且供應商指出 JPEG 比 PNG 更快——如果你當初選擇 Flare 正是因為延遲考量，這點就值得留意。透明背景需要 background: "transparent" 搭配 PNG 或 WebP 輸出格式。API 會回傳 base64 編碼的影像資料。

品質選擇分為 low、medium、high、xhigh、max與 auto。兩款 2.5 模型正是額外加入 xhigh和 max的模型；較早期的 GPT Image 模型上限為 high。兩款 2.5 變體都預設為 auto。如果這些層級讀起來像是疊在 Flare/Sunburst 選擇之上的第二個品質軸，那是因為它們確實就是同一個軸：你先挑選變體，再挑選層級，而兩者會在延遲與成本上相互疊加。

兩個模型的速率限制完全相同，並依使用層級以每分鐘的 token 數與圖片數計算：Build 250,000 / 20、Launch 3,000,000 / 150、Grow 8,000,000 / 250。gpt-image-2。廠商也指出，使用這些模型可能需要完成 API 組織驗證。

端點介面，以及文件衝突

這一節之所以重要，在於必須重新細讀廠商的資料，因為廠商自己的頁面彼此並不完全一致。

的模型頁面gpt-image-2.5-sunburst 與 gpt-image-2.5-flare 列出了恰好三個支援的端點：v1/images/generations、v1/images/edits，以及 v1/batch。表格中其他所有項目都標示為不支援——包括 v1/responses 和 v1/chat/completions。這與 GPT-Image-2 所暴露的三端點介面相同，這意味著你先前可能用於較早期圖像模型的 Chat Completions 格式將無法沿用。

然而，圖像生成指南描述了一種 Responses API 路徑，在該路徑中，您需選擇一個主線模型，並在工具欄位中指定圖像模型；而定價頁面的備註則指出，GPT-Image-2 與 2.5 的快取輸入費率「僅適用於 Responses API 生成」。這兩項陳述暗示了一個模型頁面明確標示為不支援的 Responses 介面。指南本身的實作範例會將圖像工具與gpt-6-astra配對，作為主線模型。

我是在回報這個衝突，而不是解決它。保守的解讀——也是應該作為開發依據的那一個——是模型頁面：生成、編輯、批次。在你依賴它之前，先用你自己的帳號測試 Responses 路徑，因為那個會授權它的頁面目前說不。

文字算繪與編輯行為

編輯正是第 2.5 代所瞄準的用途，而說明文件對其運作機制與限制異常具體。

編輯端點負責內補（inpainting）——這是兩個模型頁面上唯一列出的編輯功能。你上傳一張圖片，以及一個標示要取代區域的遮罩。有兩項限制比表面上看起來更重要。首先，在這些模型中使用遮罩完全是基於提示詞：模型會把遮罩當作指引，且用供應商的說法是「可能無法完全精確地遵循其確切形狀」。其次，圖片和遮罩的格式與尺寸必須相同，且大小低於 50MB，而遮罩必須帶有 alpha 通道——純黑白的遮罩無法運作，除非你以程式方式加上一個。如果你提供多張輸入圖片，遮罩會套用於第一張。

在文字方面，最誠實的說法來自供應商自己的限制清單，而不是供應商的行銷宣稱：「雖然已大幅改善，該模型在精確的文字放置與清晰度方面仍可能吃力。」請照字面解讀。這一代在文字算繪上比前代更好，但仍然不是排版引擎。同一份限制清單還指出，複雜提示可能需要最多兩分鐘來處理，模型可能難以讓反覆出現的角色或品牌元素在視覺上保持一致，而且在結構化或對版面敏感的構圖中，可能難以精確放置元素。這每一點都直接支持在版面工作上採用 Sunburst，也直接反對假設任一種變體都能撐住範本。

兩者都會受到內容審核：供應商表示，所有提示詞與生成的圖像都會依其內容政策進行篩選，並提供 moderation 參數，可設定為 auto（預設）或 low，而遭封鎖的請求會傳回錯誤碼 moderation_blocked，並可附上選填的詳細資料。

依公布之授權與使用條款

供應商已發布的模型與圖像生成文件並未載明輸出所有權與商業使用條款；這些內容存在於其另行訂定的條款中，而這些條款並未收錄於開發者文件中。開發者文件在其資料處理指南中確實指出，除非你選擇加入，否則 API 資料不會用於訓練，且該指南的表格針對 /v1/images/generations與/v1/images/edits 端點列出「用於訓練：否」。針對該頁所列的特定模型名稱，該處也將圖像生成描述為與 Zero Data Retention 相容。

API 文件中沒有任何內容授予或描述免費方案、免費額度、試用額度，或針對任一 2.5 模型的速率限制豁免。沒有已公布的免費額度可供援引。已公布的是價格，而且與 GPT-Image-2 早已採用的價格相同——請見下一節。

定價，以及它沒有變動的事實

供應商並未公布兩種 2.5 版本的每張圖片價格。計價方式以 token 計量、按每百萬個為單位，而兩個模型的費率完全相同，也與 GPT-Image-2 完全相同：

• 標準、文字輸入 — 每 1M 個 token $5.00；快取文字輸入 $1.25。

• 標準、圖片輸入 — 每 100 萬個 token $8.00；快取圖片輸入 $2.00。

• 標準、圖像輸出 — 每 100 萬個 token 30.00 美元。

• 批次，文字輸入 — $2.50；圖像輸入 $4.00；圖像輸出 $15.00，快取費率相應減半。

關於那份表格，有兩件事比數字本身更值得注意。首先，2.5 代並沒有調漲價格：gpt-image-2在圖像方面標示為輸入 $8、輸出 $30，文字方面則為 $5，與 2.5 完全相同。相較之下，GPT-Image-1.5 的價格為輸入 $8、輸出 $32，文字輸出費率為 $10，而 GPT-Image-1 則是輸入 $10、輸出 $40。2.5 的升級是在費率表不變的情況下，提升了能力並改變了延遲。其次，供應商指出其現有的圖像生成成本計算器並不會估算 2.5 的使用量，因此你不應透過為舊世代所打造的工具來推算這些模型的支出。供應商並未公布每張圖像的數字，所以你在這些模型上看到的任何每張圖像數字，都是別人的換算，而非供應商提供的。

由於價格是以供應商定價原樣傳遞，我們這邊不額外加價，因此那些費率就是你在 OrcaRouter 上實際支付的價格，而供應商一旦調價，當天就會同步生效。這兩款模型目前都已在我們的上線目錄中。我特地查證過，畢竟舊頁面上的可用性說法，正是最容易過時的那種資訊：gpt-image-2.5-sunburst 與 gpt-image-2.5-flare都能透過與其他所有項目相同的 OpenAI 相容端點進行路由，並適用上述每張圖片 $8 輸入 / $30 輸出的費率。如果你是在評估這對組合，而不是直接選定其中一款，這點有個實務上的重要意義——單一金鑰加上一條路由規則，就能讓你把某一類請求導向 Sunburst、其餘全數導向 Flare，而且無須第二份合約或修改程式碼，就能調整這個分配比例。

獨立測試怎麼說，以及沒有人測量過的事

該廠商在其型號頁面上並未公布這兩種版本中任一者的基準測試成績。獨立證據比上市報導所暗示的更為薄弱，而值得精確說明它顯示了什麼、又沒有顯示什麼。

Artificial Analysis 維護文字轉圖像排行榜，同時涵蓋品質 Elo 排名，以及每生成 1,000 張圖像的代表性 API 價格。在 2026-10-12 取得的擷取畫面中，GPT Image 2.5 Sunburst (max)與GPT Image 2.5 Flare (max)皆名列前段，其中 Sunburst 排在 Flare 之前，且兩者都排在GPT Image 2 (high)之上。我刻意不列出該次擷取畫面中的 Elo 數值：該排行榜以圖形方式呈現各模型的數據，而個別標籤在擷取到的頁面中無法乾淨地擷取出來，因此在此引用的數字會是對圖表的判讀，而非其背後資料的讀數。若你需要該數值，請前往該排行榜。

那個價格軸也是這些模型目前唯一能找到每張圖片等效數字的地方——Artificial Analysis 根據以 token 計價的定價，推導出每 1,000 張圖片的代表性成本。這是由第三方方法論產生的獨立估計，不是廠商費率，而且廠商本身完全沒有公布任何每張圖片數字。用它來比較各模型之間的成本形態；不要把它當成廠商的價格來引用。

以下所述，據實而言：這兩個變體的排序已獲獨立佐證，而這正是 Flare 或 Sunburst 決策的關鍵所在。尚未確立的是，任何將 2.5 變體與競爭圖像模型在同等投入與同等測試框架下測量所得出的比較。該排行榜的項目是分級的——「Sunburst (max)」與「Flare (max)」標明的是品質設定，而同一排行榜上的其他模型則依各自級別列出，並非列於共同級別。跨越級別標籤的排名並非在相同設定下的排名，若將其視為相同設定下的排名，便會誇大實際已受測試的內容。

這對你意味著什麼

如果你只帶著模型名稱來到這裡，其他什麼都沒有，那麼關鍵事實如下。請指定 gpt-image-2.5-sunburst 或 gpt-image-2.5-flare；沒有第三個選項，也沒有單純的別名。兩者都接受文字與圖片並回傳一張圖片，最高可達 3840 像素邊長與總計 8,294,400 像素，並可透過三個端點之一使用。Flare 是講求吞吐量的選擇，Sunburst 則是精準度的選擇，而供應商自家文件也承認遮罩是指引而非硬性邊界，因此兩者都無法給你完全確定性的編輯結果。價目表與 GPT-Image-2 相同，每百萬圖片輸入 token 為 $8，每百萬圖片輸出 token 為 $30，批次處理為半價，且供應商頁面上沒有可相比較的每張圖片價格或免費額度。

仍然真正懸而未決的，正是容量規劃最想要的東西：兩個變體之間經實測的延遲差異，以及在相同測試框架下所做的品質比較。在有人發表這些數據之前，Flare 與 Sunburst 之間的取捨，只是依據廠商自述定位加上某個排行榜排序所做的設計決策——這比大多數產品發佈所能提供的多，卻比一份基準測試所能提供的少。