GPT-Image-2.5 Flare 與 Sunburst：OpenAI 將其影像 API 拆分為速度與精確度

OpenAI 的影像 API 現在有兩款旗艦模型，而非一款。2026 年 9 月 8 日，該公司推出了 GPT-Image-2.5 Flare 與 GPT-Image-2.5 Sunburst——兩者是同一 2.5 升級下的姊妹模型，與其說按世代區分，不如說按工作負載劃分。Flare 定位為快速、預設的選擇，適合日常及高量影像生成；Sunburst 則是較慢、以精確度優先的模型，適用於「編輯控制比處理速度更重要」的工作。兩者均在消費者端 ChatGPT Images 2.5 上線的同一天，透過 Images API 提供；同時，兩者都延伸了 OpenAI 於 4 月發布的 GPT-Image-2 血統——該系列自 9 月 3 日 Codex 洩漏浮上檯面以來，一直受到社群密切關注。

對開發者來說，實際變化是立即可見的：決策不再是「我要呼叫哪個影像模型？」而是「這兩款同源模型中，哪一款適合這個工作負載？」答案對成本與延遲至關重要，因為兩款模型在速度上並不能互相替代。除此之外的一切都是 OpenAI 的宣稱——速度、品質與安全數據全部來自廠商及其對外公布的合作夥伴，而截至 2026 年 9 月 9 日，2.5 系列的任何一款模型都還沒有獨立的基準測試分數。

兩款型號，一次升級

OpenAI 的開發者公告依照使用情境來區分這兩個模型。GPT-Image-2.5 Flare —— 其識別碼為 gpt-image-2.5-flare —— 是多數應用程式的預設模型。OpenAI 將其定位用於創作者與社群內容、產品體驗、視覺搜尋、快速影像原型製作、品牌資產，以及任何高產量的生成管線。該公司表示，Flare 生成的影像品質優於 GPT-Image-2，且延遲最多降低 50%；在 OpenAI 自己的評估中，Flare 的生成速度比 GPT-Image-2 快約 2 到 4 倍。已公布的早期客戶 Manus 也另外回報，在其自身使用中觀察到 2–4 倍的速度提升，並獲得更佳的透明背景輸出。API 參考文件將 Flare 標記為這組模型中的「小型」模型。

GPT-Image-2.5 Sunburst — 識別碼 gpt-image-2.5-sunburst — 是高階版本。OpenAI 打造它，是為了受益於編輯之間更嚴格控制的工作流程：可投入生產的活動創意素材、精緻的產品影像、行銷宣傳品，以及以品牌準確性為核心的設計工具。它每次生成所需的時間比 Flare 更長，而這額外的運算換來的，正是 OpenAI 所說在編輯上更高一層的精確度與細節保真度。API 參考文件將 Sunburst 標示為「基礎」模型——兩者中較大、也更為審慎的那一個。另一家已公布的早期客戶 Higgsfield AI 表示，該模型「理解什麼不該改」，這是整個 2.5 編輯訴求的簡潔說法：即使場景紛亂，也要將指令未要求改動的影像部分原封不動地保留下來。

Adobe表示，它正在將這兩款模型整合到Firefly中，這使得這兩款模型成為首批進入該產品線的OpenAI圖像模型。Manus和Higgsfield AI是另外被點名的早期客戶。

實際上改善了什麼

發行說明將這些品質工作歸納於同一個標題之下：更清晰的細節、更嚴格的風格遵循，以及對編輯的更多控制。在此標題之下，OpenAI 列出了具體變更，這些變更值得細讀，因為它們決定了一個小版本更新與真正向前邁進之間的差異：

• 更自然的光線與更豐富的紋理——評論者一致認為這些輸出品質上的表現，是相對 Images 2.0 的明顯躍進。

• 提升參考照片的主體保留度 — 面部特徵與可供識別的細節會在生成過程中延續，而非每次重新產生。

• 更可靠的多輪編輯 — 先前的修改保持穩定，每次後續編輯皆建立在先前成果之上，且不會劣化圖像中不相關的區域。

• 在消費者端，生成延遲比 Images 2.0 低最多 50%，這與 Flare 在 API 端所展現的速度表現一致。

• 更清晰的文字與透明背景處理，是圖像 API 買家最常拿來評測的兩項能力；Manus 關於透明背景的說明，是迄今唯一聽起來像是獨立來源的佐證。

OpenAI也表示，每次生成的輸出都包含C2PA後設資料和一個不可見的浮水印；此機制沿襲自GPT-Image-2的溯源處理方式，並且值得再次強調，因為在部分受監管的工作流程中，這是一項硬性要求。

API 現在公開了什麼

新模型進駐開發者已在使用的那組 Images API 端點——生成與編輯呼叫——但參數面已經擴大。2.5 模型的 API 參考文件顯示，quality 參數比起 GPT-Image-2 有更大的伸展空間：auto（預設）、low、medium、high，以及 high 之上的兩個新等級 xhigh 與 max。它也記載了尺寸選項，超越 GPT-Image-2 推出時所附的 2048×2048 上限，最高可達橫向 3840×2160 與直向 2160×3840。所列出的限制條件為：邊長不超過 3840 像素、尺寸為 16 的倍數、長寬比不寬於 3:1，且總像素介於 655,360 與 8,294,400 之間——因此最大輸出略高於 800 萬像素，落在 4K 等級的範圍內。background 參數接受 auto、opaque 或 transparent，這正是要求透明 PNG 輸出的方式。

有兩項但書讓這段話站得住腳。首先，這些是 OpenAI 參考文件中針對 2.5 識別碼記載的設定；至於每個等級與尺寸是否在兩款模型上皆可使用，以及各品質等級會消耗多少 token，在推出當時並未完整記載。其次，gpt-image-2 仍列於 API 中——2.5 版本是增量式發布，既有整合不會中斷。新模型每張圖片的價格取決於每次生成實際消耗的 token 數；也就是說，在真實使用數據累積之前，過去習慣以「每張 1024×1024 圖片多少美元」估算的預算方式，仍是值得關注的數字。

價格沒有變動。

OpenAI 維持了與 GPT-Image-2 相同的 token 費率：圖像輸入 token 每百萬個 8.00 美元，圖像輸出 token 每百萬個 30.00 美元，而且不包含提示詞通常會產生的一般文字 token 費用。若想了解這些費率在前一款模型上的實際成本，Artificial Analysis 的數據顯示 GPT-Image-2（高）每 1,000 張圖像約 211 美元——也就是一張高品質 1024×1024 輸出的成本約 0.21 美元——而OrcaRouter 上的 openai/gpt-image-2 頁面也顯示相同的 $8.00/$30.00 token 計價結構。由於 2.5 系列模型沿用相同費率，成本問題就純粹取決於每張圖像消耗多少 token，而這正是發表時沒有公布的關鍵數據。

這就是對任何已經透過 OrcaRouter 呼叫 gpt-image-2 的人而言，至關重要的定價計算。OpenAI 影像模型是OrcaRouter API 背後的 200 多個模型之一，而 OrcaRouter 以 0% 加成直接傳遞供應商列表價格——openai/gpt-image-2 模型頁面上的 $8.00/$30.00 價格是 OpenAI 自己的數字，不是轉售商的。當上游供應商新增 gpt-image-2.5-flare 或 gpt-image-2.5-sunburst 識別碼的那一天，同一個 API 金鑰就能呼叫它們；任一模型的供應商價格變動，都會在出現當天同步反映在你這端。

Flare 或 Sunburst：哪一個適合你？

對大多數團隊來說，誠實的答案是「先從 Flare 開始，只有當某次編輯必須經得起檢視時，才升級到 Sunburst。」這些模型是依據工作負載清楚切分，而非依據原始品質；OpenAI 自身的定位也表明 Flare 是預設選項。逐維度解讀如下：

• 速度 — Flare 是較快的那一款：OpenAI 宣稱其延遲比 GPT-Image-2 低最多 50%，且在自家評測與 Manus 的使用中，吞吐量為 2–4 倍。Sunburst 則刻意以速度換取精確度，因此每次生成耗時更長。

• 最佳工作負載 — Flare 適用於創作者/社群內容、產品體驗、視覺搜尋、快速原型製作與大量品牌素材。Sunburst 適用於正式廣告活動創意、精緻產品攝影，以及需要經得起細看的設計工作。

• 編輯行為 — Sunburst 是更嚴謹的編輯器；Higgsfield 收到的「理解什麼不該改」之回饋適用於整個 2.5 世代，但 Sunburst 才是專為在連續編輯中提供最大控制力而打造的模型。

• API 模型標籤 — Flare 是 OpenAI 參考中的「小型」模型；Sunburst 是「基礎」模型，代表兩者中較大且較慢的一個。

• 價格 — 相同的 token 費率（輸入 $8.00 / 輸出 $30.00 每百萬個），因此成本差異僅在於 Sunburst 較長生成所消耗的額外 token。

• 獨立評分 — 截至2026年9月9日，兩個模型皆尚無評分；在排行榜條目或可重現的第三方測試出爐前，所有品質與速度宣稱均應視為廠商回報數據。

對於已經上線生產的團隊而言，合理的模式是將大多數流量路由到 Flare——它既是較低延遲的預設選項，在相同 token 價格下也是更划算的選擇——而僅將編輯密集、品質關鍵的那部分流量指向 Sunburst。由於這兩個模型共用 Images API 的格式與相同的 token 費率，這樣的拆分只是組態變更，而非遷移。自動容錯（failover）讓你在實際投入之前可以安全嘗試：將一部分真實流量導向新模型，並在錯誤或逾時時回退到 gpt-image-2；由你自己的提示詞——而非發布頁面——來決定哪一個同門模型值得接管流量。

2.5 的推出在影像模型競賽中落在什麼位置

GPT-Image-2 在此次發布之前就已是在獨立評比中擊敗對手的型號。在 Artificial Analysis 的「文字轉影像」排行榜上，它以 Elo 1178 佔據第一名 — 領先 MAI-Image-2.6（1149）、Nano Banana 2（1121）與 Muse Image（1116）— 而在影像編輯排行榜上，GPT-Image-2 (high) 以 Elo 1117 位居第二，落後 Microsoft 的 MAI-Image-2.6（1122）。GPT-Image-2.5 的發布論述是：OpenAI 已將那項領先地位拆分成「速度級別」與「精確度級別」，這既是一項品質宣稱，也是一種產品策略：與其守護單一旗艦分數，不如同時捍衛兩個性能價格比的定位。

誠實的提醒是，目前這些都還沒有針對新模型進行測量。截至9月9日，gpt-image-2.5-flare和gpt-image-2.5-sunburst都未出現在Artificial Analysis的排行榜上，也沒有任何獨立重現OpenAI速度宣稱的研究發表。上述確有獨立數據支持的數字——GPT-Image-2的Elo評分與每張圖片的定價——描述的是前代模型，而非這些新模型。在安全方面，OpenAI報告其在內部評估中，Flare的不安全生成率為1.41%，Sunburst為1.09%，而基準線為1.64%；這些是供應商提供的數據，發布是為了顯示這兩款模型比它們所擴展的模型更安全，因此應將其視為方向性參考，而非定論。規模背景同樣來自OpenAI：該公司表示，用戶每週在其平台上創造超過三十億張圖片。

接下來要看什麼

有三件事能告訴你，這次拆分是否比它所延伸出的單一旗艦模型更好。第一是 Flare 獨立的延遲與吞吐量數據——OpenAI 宣稱的 2–4 倍，屬於合作夥伴花一個下午就能驗證的數字，而 Manus 的佐證只是開端，並非證明。第二是兩個模型在每張影像上的 token 消耗量，這能將原封不動的 $8/$30 token 費率換算成實際的單張影像價格；這項數據在發表時並未公布。第三是 Sunburst 在影像編輯排行榜上的落點，因為那就是該模型存在的全部理由：倘若它相對於 GPT-Image-2 的精準度領先屬實，那麼幾週內，它與 MAI-Image-2.6 及編輯類前十名其餘模型的較量中就會顯現出來。

就目前而言，這次發布對影像 API 的買家來說，確實是一個真正的分岔路口。{{1}}GPT-Image-2.5 Flare 是從 GPT-Image-2 遷移的合理預設路徑——相同 API、相同 token 價格，帳面上速度更快。{{/1}}{{2}}如果你的工作內容是會被嚴格檢視的編輯，GPT-Image-2.5 Sunburst 就是那個值得等待的選擇。{{/2}}{{3}}此外，如果你已經透過 OrcaRouter 呼叫 gpt-image-2，切換到這兩個兄弟模型中的任一個，都只是在同一把 API 金鑰上變更路由；供應商的牌價以 0% 加價直接轉嫁，而在你決定哪個模型真正配得上你的流量之前，也有容錯移轉可用。{{/3}}