GPT-Image 2.5 对比 GPT-Image 2

做 GPT-Image 2.5 对比 GPT-Image 2 的决策，需要先拆开三件常被混在一起的事：名字背后到底是哪个模型、尺寸与质量档位如何表现、以及一张成品图究竟花多少钱。结论是：在 OmniaKey 上三条路由都是单次 $0.068，2.5 多出来的质量档位在这条链路上并不生效，真正的差异体现在编辑行为上。

OpenAI 把新一代图像模型拆成了两个 ID：gpt-image-2.5-flare 与 gpt-image-2.5-sunburst。OmniaKey 把这两个官方 ID 与 gpt-image-2 并列发布，不再提供单一的 gpt-image-2.5 别名。三条路由的差异会直接影响工作流：质量上限、尺寸处理、编辑行为，以及你看到的单次价格。

GPT-Image 2.5 对比 GPT-Image 2：先给结论

两条路由挂在同一个媒体任务 API 上、价格相同（每次 $0.068），请求形态也完全一致：传明确的 宽x高、保持 n=1、然后轮询任务。

我们实际跑过的三个视觉案例

上面的结论是接口和文档层面的事实。为了看清两条 OmniaKey 路由在真实输出上的差异，我们在 2026 年 9 月 12 日跑了三个以视觉为主的案例。每组都使用相同的提示词或相同的源图、相同的请求尺寸、n=1 和新的媒体任务。以下是各一组 n=1 观察，不是基准测试，也不能代表所有随机种子。

案例 1：同档位的复杂场景

提示词摘要：悬在海崖上的玻璃温室、三盏红灯笼、一架铜色望远镜、一艘远处的白帆船、湿润的玄武岩和蓝调时刻的暴风海面。两条请求都使用 high 与 1536x1024。

GPT-Image 2 / high / 1536x1024

GPT-Image 2.5 / high / 1536x1024

在这次运行里，GPT-Image 2.5 通过了最客观的一项验收：按要求悬挂了恰好 3 盏红灯笼；GPT-Image 2 则画了 4 盏，而且放在立柱上。两者都保留了望远镜和一艘帆船；2.5 的温室层叠结构也更容易读懂，2 的海崖裁切和海浪则更有冲击力。**这个案例的结论：**复杂、面向客户的构图先选 2.5，因为它通过了明确的物体数量约束。这仍只是一组同题结果，不代表 2.5 在所有图片上都更好。

案例 2：产品材质与 2.5 的质量上限

提示词摘要：奢侈香水广告静物，翡翠绿玻璃瓶、拉丝黄铜瓶盖、黑曜石、水面、暖色主光、冷色轮廓光、真实折射和凝结水珠。GPT-Image 2 使用 high；GPT-Image 2.5 刻意使用新增的 max，用来测试 2.5 的质量上限。

GPT-Image 2 / high / 1024x1536

GPT-Image 2.5 / max / 1024x1536

这组里，GPT-Image 2.5 对瓶身切面和高光边界的控制更稳，GPT-Image 2 则把岩石和水面的纹理做得更戏剧化。**产品主视觉的结论：**瓶身几何和反光材质就是交付物时，2.5 max 的额外费用更容易合理；还在探索氛围和纹理时，继续用 GPT-Image 2 high。由于质量档位不同，这是一场“上限测试”，不是同档位评分。

案例 3：精确换色编辑

我们把同一张小尺寸 JPEG 源图传给两条路由，要求只把翡翠绿液体和玻璃改成红宝石红，同时保持瓶身轮廓、黄铜瓶盖、水珠、机位、灯光和黑曜石台面不变。两条请求都使用 high 与 1024x1536。

相同源图

GPT-Image 2 / edit / high

GPT-Image 2.5 / edit / high

这是差异最小的一组：两次编辑都成功，构图没有明显漂移，也都得到了可信的红色玻璃版本。**这次编辑的结论：**在这个单次案例里，OmniaKey 的 2.5 路由没有显示出决定性优势。现在两个官方 ID 都已单独发布，如果编辑保真度是硬指标，请分别用 gpt-image-2.5-flare 和 gpt-image-2.5-sunburst 重跑这个案例，再决定由谁来承接编辑流水线。

这轮视觉测试没有测延迟或稳定性。另有一次独立的 gpt-image-2.5 high 生成在上游超时，因此这些指标会保持未结论，不会被包装成性能宣传。

OpenAI 到底改了 2.5 的什么

首先要纠正的认知是：GPT-Image 2.5 不是一个模型。OpenAI 官方目录里是两个：

• gpt-image-2.5-flare：定位为日常高质量出图最快的一档；
• gpt-image-2.5-sunburst：定位为生成与编辑能力最强的一档，主打“编辑精度最重要”的工作流。

两者默认快照日期都是 2026-09-08，都接受文本和图像输入并输出图像。GPT-Image 2 的默认快照更早，是 gpt-image-2-2026-04-21。

第二处变化是质量上限。GPT-Image 2 最高只到 high；2.5 增加了 xhigh 和 max，所有档位默认 auto。质量越高，消耗的图像输出 token 越多——模型之间、档位之间的成本差异主要就在这里。

两代模型都只提供两个图像端点：v1/images/generations 负责文生图，v1/images/edits 负责编辑和参考图。它们都不是聊天模型。OpenAI 还提示，GPT Image 系列可能要求账号先完成 API Organization Verification，因此在对外承诺上线日期前，先在目标项目里确认权限。

还有一处“回退”要知道：OpenAI 模型页把 Batch 标为 gpt-image-2 支持，而两个 2.5 模型都不支持。如果你的流水线依赖夜间批量折扣出图，旧模型目前才有这个能力。

OmniaKey 如何暴露这两个模型

OmniaKey 并不直接透传 OpenAI Images API 的同步形态。gpt-image-2、gpt-image-2.5-flare 和 gpt-image-2.5-sunburst 都走同一套异步媒体任务生命周期：用 POST /v1/media/tasks 创建任务，用 GET /v1/media/tasks/{id} 轮询，成功后下载签名资产地址。即使 OpenAI 侧是同步出图，网关侧依然是异步。

把 OpenAI 脚本迁过来时有两个直接后果：

• 没有内联 base64 返回。必须轮询到任务 succeeded 或 failed，再取资产。
• 不支持多图 n。OmniaKey 要求 n 必须为 1，十张图就是十个任务。OpenAI 的 Image API 可以在一次请求里返回多张；网关的任务模型也用状态进度替代了流式与部分图。

幂等由 Idempotency-Key 头负责：同键同 body 重放会返回原任务，同键不同 body 会被拒绝，而不是悄悄再创建一个任务。

输出尺寸：精确像素，而非档位 token

最容易被忽略、却最能影响工程的差异是尺寸，因为两个模型接受的 size 取值完全相同。

OpenAI 官方推荐尺寸为 1024x1024、1536x1024、1024x1536，并允许自定义 宽x高：两边都是 16 的倍数、长宽比在 1:3 到 3:1 之间、任一边不超过 3840 像素、总像素在 655,360 到 8,294,400 之间；超过 2560x1440 属于实验性分辨率。

在 OmniaKey 上两代 GPT Image 共用同一套尺寸规则：请求的 宽x高 会原样返回；省略 size 时画布由上游决定。1K、2K、4K 三个档位 token 在当前中转上会被拒绝，因此过去区分两代模型的尺寸差异已经不存在：

在当前中转上，请求的 宽x高 会被精确执行；1K/2K/4K 档位 token 会在出图之前被上游拒绝。

质量档位与它的真实成本

质量不是外观开关，它决定模型花掉多少图像输出 token，而输出 token 才是图像生成里真正计费的部分。

OmniaKey 对 GPT-Image 2 的实测把差距摊开了：同一个提示词在 low、medium、high 下分别返回约 408、1056、6240 个图像输出 token。同一个模型、最贵档与最便宜档之间超过 15 倍。

这些 token 数是按渠道实测值，不是模型常数。具体数字由 OmniaKey 渠道背后的上游决定，同一个模型 ID 在不同时间可能返回不同值，因此对外公布或按质量档定价前必须重新测量。

OpenAI 公布的 GPT-Image 2 单图估算把同一件事换算成了美元：

这些是 OpenAI 自己的估算，不是 OmniaKey 的报价，且不含文本输入 token。对 2.5，OpenAI 明确提醒：相同的 token 单价不等于相同的单图成本，因为不同模型和档位的 token 消耗可以不同；官方 token 计算器只覆盖 GPT-Image 2，并声明不估算 GPT-Image 2.5 的消耗。

但在 OmniaKey 上这两个档位并不存在：我们 2026-09-17 的实测显示，xhigh 和 max 会按 medium 渲染，图像输出 token 完全相同，所以只发 low、medium、high 即可。目录按次固定收费，high 的上游成本仍约为 low 的 15 倍——固定价格正是可以放心试的原因。

价格：固定按次与按 token 计费

这是买家视角下两者差距最大的一点。

OpenAI 的标准 token 单价对 gpt-image-2、gpt-image-2.5-flare、gpt-image-2.5-sunburst 完全一致：文本输入每百万 token $5、图像输入 $8、图像输出 $30，缓存输入分别为 $1.25 与 $2。只有 GPT-Image 2 出现在 Batch 折扣表里。

OmniaKey 不透传这些 token 单价，而是在实时目录里给出固定按次价格：

按 $0.068 计算，一百张成功出图在 OmniaKey 上约为 $6.80（不含重试）。按 OpenAI 估算，一百张 1024x1024 高质量图约为 $21.10（单张 $0.211），一百张低质量图约为 $0.60。也就是说，固定网关价在高质量时最有吸引力、在低质量时相对最不划算——恰好与按 token 计费的曲线相反。

这也是为什么数字应以实时目录为准，而不是以本文为准：媒体价格取决于已接入的渠道、开放的质量档位，以及运营最近一次调价。预算前请查模型页；同时确认失败任务会退款而不是计费，并在你的账户上核实这一行为。

预算前请先核对 GPT-Image 2 模型页、GPT-Image 2.5 模型页 与 实时价格表。

编辑：参考图与 1 MiB 上限

两个模型都支持 generate 与 edit。在 OmniaKey 上，编辑是带输入图的 edit 操作，参考图通过 input.image 或 input.images 传入。

两个限制决定了你能构建什么：

• 只接受内联 base64。 输入图必须是 data URL，或带 data 与 mime_type 的对象。整条请求（含该负载）上限为 1 MiB，因此更适合小图、遮罩或缩略图，而不是全分辨率相机原片。
• 编辑会消耗输入 token。 OmniaKey 的验收任务返回了 194 个输入图像 token，说明原图确实进入了模型推理，而非被忽略。OpenAI 也说明 gpt-image-2 始终以高保真处理图像输入，且不允许修改 input_fidelity 参数，这会让参考图较多的编辑抬高输入 token 成本。

就编辑精度而言，官方的定位值得注意：OpenAI 明确把 gpt-image-2.5-sunburst 定位为“编辑精度最重要”的工作流。如果你的需求是“只改这一块，同时保持机位、光照和产品几何不变”，那应该是第一个测试的模型；三条路由价格相同，不必再靠价格来权衡。

应该选哪个模型

• 用 GPT-Image 2： 提示词探索、分镜、社交草稿、缩略图，以及任何“被淘汰的图重出一次很便宜”的高频循环。
• 用 GPT-Image 2.5： 最终或对客户交付的成品、文字与版式准确性，以及必须保留改动区以外一切的编辑。
• 需要批量和高频循环时用 GPT-Image 2。 三条路由都是单次 $0.068，旧模型不再更便宜；它的优势是 OpenAI Batch 和更长的使用历史。
• 做编辑时用 GPT-Image 2.5 Flare 或 Sunburst。 两者都接受参考图、都面向编辑精度；尺寸处理与旧模型完全一致，不要为了“不同的画布”而切换。
• 需要 OpenAI Batch 折扣时按 GPT-Image 2 规划，因为 2.5 两个模型都没有 Batch 支持。
• 需要一次请求出多张时，两者都不满足：OmniaKey 要求 n=1，并行发生在任务层。

一个实用的默认流程是：先用 GPT-Image 2 在 medium 档批量出图并筛选，再只把入选的图放到 GPT-Image 2.5 上用 high 或更高档重出。这样昂贵模型的 token 只花在你已经决定要交付的图上。

通过 OmniaKey 调用两个模型

两个模型的请求体结构相同，只有 model 值不同。

curl --fail-with-body https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer your-omniakey-api-key" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: hero-image-001" \
  -d '{
    "model": "gpt-image-2.5-flare",
    "type": "image",
    "operation": "generate",
    "input": {"prompt": "a paper boat on a quiet lake at sunset"},
    "parameters": {"size": "1536x1024", "quality": "high"}
  }'

返回是 202 Accepted。轮询返回的任务 id 直到状态为 succeeded，再在签名 URL 过期前下载。图片本身保留 24 小时，签名链接约 1 小时，需要时重新轮询即可刷新链接。

编辑时保留 operation，把输入换成内联图片：

BASE64=$(base64 -i source.png | tr -d '\n')

curl --fail-with-body https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer your-omniakey-api-key" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: hero-image-edit-001" \
  -d '{
    "model": "gpt-image-2.5-flare",
    "type": "image",
    "operation": "edit",
    "input": {
      "prompt": "replace the background with a clean studio wall",
      "image": {"data": "'"$BASE64"'", "mime_type": "image/png"}
    },
    "parameters": {"size": "1024x1024"}
  }'

完整参数、输出格式选项和错误表见 图像生成文档。请从完成的任务里读取真实尺寸与 MIME 类型，不要默认就是 PNG。

常见问题

GPT-Image 2.5 比 GPT-Image 2 更好吗？

在 OpenAI 的文档里它增加了 xhigh 和 max，Sunburst 也定位为编辑精度最高；但在 OmniaKey 上这两个档位按 medium 渲染，尺寸处理与旧模型相同，因此 2.5 相对于 GPT-Image 2 的实际差别是编辑定位而不是可用档位。本文没有做独立质量基准。

GPT-Image 2.5 Flare 和 Sunburst 是什么？

它们是 OpenAI 官方 2.5 这一代的两个模型 ID：Flare 定位为日常出图最快，Sunburst 定位为生成与编辑能力最强。OmniaKey 两个都已单独发布，参数与价格相同，但输出具有随机性，不应预期逐字节相同。

为什么必须传明确的像素尺寸？

因为上游拒绝档位 token。在当前中转上，1K、2K、4K 并不是它认识的尺寸值——用它们发请求会收到 HTTP 400，任务以 provider_submit_rejected 结束，既不出图也不产生上游费用。请发送 1024x1024、1536x1024 或其它明确的 宽x高，并从下载文件而非请求参数里读取真实宽高。

GPT-Image 2.5 更贵吗？

在 OmniaKey 上已经不是：实时目录对 gpt-image-2.5-flare、gpt-image-2.5-sunburst 和 gpt-image-2 都标 $0.068 每次。在 OpenAI 直连 token 单价上，两代价格相同，但 token 消耗随模型和档位变化，因此单图结果仍可能不同。

一次请求能生成多张图吗？

在 OmniaKey 上不行。媒体任务 API 要求 n 为 1，每张图都是独立任务。OpenAI 的 Image API 支持 n，GPT-Image 2 还支持 Batch，但这两项能力目前都不在 OmniaKey 媒体路由里。

应该把所有任务都切到 GPT-Image 2.5 吗？

不应该。三条路由价格相同，所以没有理由整体迁移：把编辑和成品交给 2.5，把批量和草稿留给 GPT-Image 2，唯一真正的约束是 OpenAI Batch 只在旧模型上可用。

主要来源

• OpenAI：GPT-Image 2 模型页
• OpenAI：GPT-Image 2.5 Flare 模型页
• OpenAI：GPT-Image 2.5 Sunburst 模型页
• OpenAI：图像生成指南
• OpenAI：API 价格
• OmniaKey：图像生成文档
• OmniaKey：实时图像目录

证据说明：官方模型 ID、质量档位、端点、token 单价与单图估算于 2026 年 9 月 12 日读取自 OpenAI 文档；两个 2.5 ID 的尺寸档位、质量行为和按次价格于 2026 年 9 月 17 日重新实测。尺寸行为、token 观测和文件大小来自 OmniaKey 的验收记录与本文展示的三组付费视觉案例。视觉案例都是单次样本，不是独立质量基准、延迟测试或成本与质量研究。模型可用性、别名与价格会变化，预算前请以实时目录为准。