先看 OpenAI 官方 X 账号的发布帖：
OpenAI 于美东时间 9 月 8 日发布新一代图像生成模型 ChatGPT Images 2.5。官方公告的关键词是更锐利的细节、更精准的编辑、更快的生成，单看卖点清单像一次常规迭代，但放进具体数字里，这次更新的分量不轻：图像模型每周承载超过 30 亿张的生成量，延迟较 Images 2.0 最多降低 50%，API 侧一次推出两款定位分明的新模型。
更值得注意的对照是四个月前的 Images 2.0：那一版的里程碑是「首个具备思考能力的图像模型」，可以在思考模式下搜索网络、一次生成多张图像并自我检查；这一版的主题则明显转向工程体验：延迟、保真度、编辑精度、多轮一致性。图像生成的竞争重心，正在从「能生成什么」移向「能不能稳定地产出」。
本文基于官方公告全文整理，重点回答三个问题：模型变了什么、产品功能怎么用、API 怎么选型。
模型层：四项改进指向同一个目标
官方对 Images 2.5 模型能力的描述可以归纳为四点，它们共同指向「生产环境可用性」。
延迟最多降低 50%。 图像生成很少一次出片，真实的创作过程是「生成、看、改、再生成」的循环，延迟决定的是每一轮试错的成本。延迟砍半意味着同样的预算里，迭代次数翻倍，这对概念探索阶段的效率提升是直接的。
参考图保真度增强。 基于上传照片生成或修改时，图中的人物、物体形象更不容易走样，光照与纹理更自然，独特特征更容易延续。对 API 侧的团队，官方特意强调这让「以参考图为导向的工作流」更可靠：批量生成的变体始终锚定在原始素材上，而不是越走越偏。
编辑前：原始照片 
编辑后：主体特征与细节保持一致
多轮编辑一致性。 这是个老痛点：反复修改几张之后，画质和细节逐渐退化，用户被迫「回到最早那版重来」。Images 2.5 让每次新编辑都建立在此前的工作之上，先前的改动保持一致，质量不随轮次衰减。生产工作流里开发者经常需要定点修改而不是重建整个素材，这项改进的直接受益者就是他们。
智能与风格。 模型对复杂视觉指令的理解更连贯，包含现实世界信息的图像内容更准确，支持透明背景等复杂版式，对指定视觉风格的还原也更到位。官方给出的场景是成套品牌素材、保持层级的 UI 概念图、契合固定结构的演示配图：都是「指令越具体越容易翻车」的场合。
复古未来主义 
中世纪现代海报 
印象派城市风光 
婚礼请柬设计
产品功能：从生成工具走向精修工作台
Sketch 把「画」带进对话。 在聊天框输入 @Sketch 会弹出绘图窗口，先手绘草图，再用文字补充风格与细节要求，ChatGPT 依草图生成完整图像。这个交互解决的是「语言描述不清布局」的问题：想让某个元素落在某个位置、维持某种构图关系，画一笔比写一段提示词直接得多。官方的定位也很克制：不需要是专业画手，这只是让最终图像更接近所想的又一种输入方式。
评论式编辑只改想改的地方。 直接在图像特定位置标注留言写下修改意图，模型只改动指定区域，其余保持原样。The Verge 记者 Jay Peters 实测：用鼠标画一只粗糙的猫生成逼真照片，再在眼睛部位留言，绿色眼睛就改成了蓝色。配套工具栏提供 Markup、Comment、Remove BG、Erase、Resize 操作，且每次编辑保存为可独立回滚的版本。定点修改加版本化回滚，这个组合把图像编辑往真正的生产力工具推进了一步。
模板降低起步门槛，提示词分享让创意可复用。 模板库覆盖海报、周边商品等常见创作格式，选模板后补充信息、设计元素与风格即可；分享图像时可选择附带促成该效果的提示词，接收方可以带入自己的图片和细节继续发挥。两个功能都不复杂，但都指向同一个方向：把「会用提示词的人的经验」沉淀成产品能力。
API 选型：Flare 与 Sunburst 怎么选
开发者侧同步推出两款模型，定位区分得很清楚：
| 维度 | GPT-Image-2.5 Flare | GPT-Image-2.5 Sunburst |
|---|---|---|
| 定位 | 多数应用的默认选择 | 高端视觉工作流 |
| 速度 | 较 GPT-Image-2 低 50% 延迟 | 生成时间更长 |
| 编辑控制 | 标准精度 | 多轮编辑间更严格的控制 |
| 典型场景 | 创作者与社交内容、产品体验、视觉搜索、快速原型、大批量生成 | 成品级营销素材、精修商品图 |
定价两款一致，按每百万 token 计：文本输入 5（缓存1.25），图片输入 8（缓存2），图片输出 $30。分辨率支持 1024×1024、2048×2048、3840×2160（4K 横向）等，单边最长 3840 像素，完整定价见官方页面。
Simon Willison 注意到一个细节：文档建议「编辑精度优先选 Sunburst，快速日常生成选 Flare」，措辞暗示 Sunburst 是更强的选项。他随即给自己维护的 openai_image.py 命令行工具加上了参考图支持，用 Sunburst 给一张图表图片「添加一只若有所思研究图表的浣熊科学家」。
第三方验证：Arena 数据与早期客户
Arena 社区评测给这次升级提供了量化的外部视角。在文生图、单图编辑、多图编辑三个竞技场中，两款新模型相对 GPT-Image-2 的分数提升如下（Sunburst | Flare）：
- 文生图：+40 | +18 分
- 单图像编辑：+59 | +30 分
- 多图像编辑：+81 | +47 分
排名上，Sunburst 在 3D 成像与建模、艺术等全部类别中位列第一，Flare 在三个竞技场中都保持第二。一个以 50% 更低延迟运行的模型还能拿到全面的分数提升，这是 Flare 最有说服力的地方；而多图编辑 +81 分的涨幅，则说明编辑精度才是这代模型真正的边际改进。
早期客户的反馈集中在两点。一是「知道什么不该改」：Higgsfield AI 产品负责人称可以在有意义的编辑中不丢失原图的质感、构图与视觉识别度，这对影视、UGC 和广告的实际工作方式极其重要。二是速度与质量可以兼得：Manus 评测团队测得 Flare 以 GPT-Image-2 两到四倍的速度输出高质量图像，加上改进的透明背景生成，适合从品牌素材到网站配图的创意工作；Adobe 已将两款模型接入 Firefly，看重的是分辨率一致性让图像在每轮细化中保持锐利与写实；Runway 首席创意官的评价是低延迟与出色质量让「从想法到成品」的路径前所未有地顺畅。
安全与溯源
Images 2.5 延续既有防护：对提示词和生成图像实施检查以防止有害输出，所有输出嵌入 C2PA 元数据与隐形水印便于识别来源。评估与方法论细节公开在系统卡中。
谁应该现在行动
ChatGPT 用户无需等待：Images 2.5 面向 ChatGPT、ChatGPT Work 与 Codex 全部档位推送，覆盖桌面、移动与网页端，值得花十分钟试试 Sketch 和评论式编辑，尤其是有反复改图需求的场景。
API 开发者的决策也不复杂：默认场景从 GPT-Image-2 迁到 Flare 基本无需犹豫，同样的价格、更低的延迟、更高的分数；需要精修控制的工作流再走 Sunburst，用生成时间换编辑精度。需要留意的只有成本结构：图片输出 30/百万token的单价下，大批量场景把缓存（图片输入2）用起来会明显省钱。
从 2.0 到 2.5，四个多月里 OpenAI 把图像模型的叙事从「会思考」推进到「可依赖」。当每周 30 亿张的生成基盘开始强调延迟与一致性，图像生成正在越过炫技阶段，进入基础设施阶段。