ChatGPT的视觉模型：ChatGPT Images 2.5：快与准拆成两个模型

ChatGPT Images 2.5：快与准拆成两个模型

关键词：ChatGPT Images 2.5、GPT-Image-2.5 Flare、Sunburst、图像编辑、API 定价、Adobe Firefly

[一、9月8日：30 亿张之后改了什么](#一、9月8日：30 亿张之后改了什么)
二、真正的升级点：从「生成」转向「编辑」
[三、Flare 和 Sunburst 该怎么选？](#三、Flare 和 Sunburst 该怎么选？)
[四、按 token 计费，一张图到底多少钱？](#四、按 token 计费，一张图到底多少钱？)
[五、Adobe 首日接入：战场从模型转向工作流入口](#五、Adobe 首日接入：战场从模型转向工作流入口)
六、竞技场榜首还在吗？
七、还有三个没答案的问题
八、对不同人的落点

一、9月8日：30 亿张之后改了什么

OpenAI 这次发布的是 ChatGPT Images 2.5，同时在 API 侧推出 GPT-Image-2.5 Flare 与 GPT-Image-2.5 Sunburst 两个图像模型。官方给出的三个关键词是更锐利的细节、更精准的编辑、更快的生成。

先看两个背景数字，它们决定了这次升级的分量：

每周有超过 30 亿张图片通过 ChatGPT Images 和 API 里的 GPT-Image 模型生成；
相比 Images 2.0，这次图像生成延迟最多降低 50%。

可用范围是 ChatGPT、ChatGPT Work 和 Codex 的全部套餐层级 ，覆盖桌面端、移动端和网页端。C 端还多了四个交互功能：@Sketch 手绘起稿、Poster / Merch 等常用格式模板、在图上直接圈选评论、以及连提示词一起分享给别人复用。

我的判断是：这次真正值得注意的不是"画质又好了"，而是 OpenAI 第一次把"快"和"准"拆成了两个 SKU 来卖。 画质提升是渐进的，但"一个快、一个准，且两者同价"这个产品结构，说明图像生成已经过了"大家比谁画得好"的阶段，进入了按工作流分层的阶段。后面几节展开。

把这次的变化分个类会更清楚，也更容易判断它对你的重要性：画质提升属于渐进项 ------每代都会有，而且已经越来越难用肉眼分辨；编辑可控性和多轮一致性属于结构项 ------它决定这条流水线能不能真的替代人工改图；双 SKU 和 Adobe 的接入则属于商业与生态层。后两类才是这次真正的信息量所在，下面按这个顺序展开。

二、真正的升级点：从「生成」转向「编辑」

画质部分官方的表述是更自然的光照、更丰富的纹理，以及在把参考照片里的主体换到新场景、新风格时保留得更好。这些是实打实的进步，但对生产流程来说，它们属于"更好一点"，不是"可用与不可用的分水岭"。

真正的分水岭在编辑。两件事：

第一，只改你要求改的部分。 官方的说法是，即使主体和背景更复杂，模型也更能做到只更新你指定的元素，同时保留主体、构图和品牌处理。对开发者来说，这意味着可以单独更新产品、背景或一段文案，而不动其他部分。

Higgsfield AI 产品负责人 Axultan Alimkulov 的评价点得很准------让他印象最深的是模型"很清楚什么不该改"。这句听着朴素，但做过图片编辑的人都知道它的分量：以前让模型换个背景，产品的颜色跟着变了；现在不会。

第二，多轮编辑不再越改越崩。 官方明确说，在更长的对话里，跨多次编辑会更可靠地遵循指令，早期的改动更可能保持一致，而且不会随时间推移降低图像质量。这一条比"画质更锐利"重要得多------真实的设计流程就是一轮一轮改出来的，改三次就糊掉的模型没法进生产。

放进行业背景看会更清楚：2026 年这个领域的共识是，最引人注目的能力已经不是"生成"，而是"编辑"------"把左边那个人去掉""让这个产品的光匹配那张图""保留她的脸，换掉衣服"。多图参考、对话式迭代、锁定主体身份，这些才是各家的主战场。Nano Banana Pro 能混合最多 14 张参考图锁定身份，这次 Images 2.5 在 API 侧也支持最多 16 张参考图。

还有一个偏工程、但很实用的进步：透明背景与复杂布局的处理。商品图如果能直接返回真实的 alpha 通道，产品图就能直接落进模板，省掉一整道抠图工序；带坐标轴、引线、多栏小字的图表和信息图能保持整页自洽，意味着这类图不再只能靠人工排版救场。这两项单看都不起眼，但对电商和编辑类流水线来说，省掉的是一道工序，不是几秒钟。

换句话说，一张"能改对"的图，比一张"生成得好看"的图值钱得多。

三、Flare 和 Sunburst 该怎么选？

API 侧这次是两个模型，不是一��。

维度	GPT-Image-2.5 Flare	GPT-Image-2.5 Sunburst
定位	大多数应用的默认选择	高端精细视觉工作流
相对 GPT-Image-2	画质更高，延迟低 50%	---
生成时间	快	更长
编辑特点	只改要求的部分，主体构图背景不动	多轮修订下控制最紧
典型场景	社媒内容、产品体验、视觉搜索、快速原型、大批量生成	可投放的广告创意、产品精修图

Manus 评测团队的结论是，Flare 以 GPT-Image-2 的 2 到 4 倍速度产出高质量图像，并且透明背景生成有改善。

图一：Flare 与 Sunburst 分工

（图一：两者 token 费率完全一致，选择只关乎细节与时间）

这里有个信息量很大的细节：Flare 和 Sunburst 的 token 费率完全相同。 这一点被独立核实过------多个第三方接入方的定价页都写明两者同价。

所以选型逻辑很清楚：不存在"贵的更好"，只存在"合不合适"。 因为同价，你唯一要权衡的是"这张图值不值得多等一会儿"。

推荐的流程是：Flare 起稿，定稿后只把真正要看细节的那几张丢给 Sunburst 重跑。 这样既不吃 Sunburst 的延迟，又能在最终交付物上拿到精度。跑量素材、AB 测试、快速原型一律 Flare；要投放的主视觉、要放大看的产品图才用 Sunburst。

四、按 token 计费，一张图到底多少钱？

这一节是开发者最该看、但在多数报道里最含糊的部分。

先看费率（每百万 token，Flare 与 Sunburst 完全一致，多个独立来源核实一致）：

token 类型	标准输入	缓存输入	输出
文本	$5.00	$1.25	不计费
图像	$8.00	$2.00	$30.00

再看质量档位。 这次有 low / medium / high / xhigh / max 五档（部分接入方把 auto 也算作一档），而 GPT Image 2 最高只到 high。档位每升一级，细节、延迟和 token 消耗都增加------档位是成本的主开关。

按官方计算器的 1024×1024 快照实算，仅输出侧的单图成本是：

档位	输出 token	单图成本	每千张
low	196	$0.00588	$5.88
medium	439	$0.01317	$13.17
high	1,756	$0.05268	$52.68
xhigh	3,122	$0.09366	$93.66
max	7,024	$0.21072	$210.72

从 medium 到 max 整整差 16 倍，medium 到 high 差 4 倍。

图二：质量档位与单图成本

（图二：档位才是成本主开关，1024×1024 仅输出侧实算）

两个容易被忽略的地方：

编辑比生成贵。 因为参考图要作为图像输入计费（$8/1M）。同一尺寸同一档位，编辑的单价会高出一截，参考图越多越明显。
真正该看的指标不是"每次调用多少钱"，而是"每张被接受的图多少钱"。

第二点值得展开。做creative 工作流买的是通过审核的素材，不是 API 调用次数。提示词重试、编辑循环、废弃的变体，全都要计费。所以正确的公式是：

单张被接受图的成本 = 全部计费尝试的总成本 ÷ 通过审核的输出数

换算一下就很直观：

接受率	每接受 1 张需尝试	medium 实际成本	high 实际成本
100%	1 次	$0.01317	$0.05268
50%	2 次	$0.02634	$0.10536
34%	3 次	$0.03951	$0.15804

结论有点反直觉：medium 试 4 次才等于 high 试 1 次，试 16 次才等于 max 试 1 次。 所以在大多数场景里，与其一上来就开 high 或 max，不如用 medium 多试几轮------成本更低，而且多几个候选反而更容易挑到能用的。

python 复制代码

# image_cost.py
# 按官方 token 费率估算图像生成成本
RATES = {                        # 每百万 token 单价（美元）
    "text_in":         5.00,
    "text_in_cached":  1.25,
    "image_in":        8.00,
    "image_in_cached": 2.00,
    "image_out":      30.00,     # 文本输出不计费
}

# 1024x1024 各档位的输出 token 数（官方计算器快照）
OUT_TOKENS = {"low": 196, "medium": 439, "high": 1756, "xhigh": 3122, "max": 7024}


def request_cost(*, text_tokens=0, image_in_tokens=0, image_out_tokens=0, cached=False):
    """一次请求的成本。cached=True 表示这批输入命中了缓存。
    注意：编辑请求会多出 image_in_tokens 这一项（参考图按图像输入计费）。
    """
    ti = RATES["text_in_cached"] if cached else RATES["text_in"]
    ii = RATES["image_in_cached"] if cached else RATES["image_in"]
    return (text_tokens * ti
            + image_in_tokens * ii
            + image_out_tokens * RATES["image_out"]) / 1_000_000


def cost_per_accepted(per_attempt, *, attempts_per_accepted=1.0):
    """真正该盯的指标：一张「通过审核」的图的成本。
    attempts_per_accepted = 总计费尝试次数 / 最终接受的图数
    """
    return per_attempt * attempts_per_accepted


if __name__ == "__main__":
    for name, out_tok in OUT_TOKENS.items():
        c = request_cost(text_tokens=200, image_out_tokens=out_tok)
        print("%-7s 单次 $%.5f | 接受率100%% $%.5f | 50%% $%.5f | 34%% $%.5f"
              % (name, c,
                 cost_per_accepted(c, attempts_per_accepted=1.0),
                 cost_per_accepted(c, attempts_per_accepted=2.0),
                 cost_per_accepted(c, attempts_per_accepted=3.0)))

把 attempts_per_accepted 换成你团队真实的通过率再算一遍，你会得到一个和"每次调用多少钱"差别很大的数字。

五、Adobe 首日接入：战场从模型转向工作流入口

发布当天，Adobe 就宣布把 GPT-Image-2.5 集成进 Firefly。这个速度本身说明双方早有技术和商务准备。

更关键的是它是双向的：

OpenAI 的模型进 Firefly；
同时已有 70 多种 Adobe 工具嵌进 ChatGPT，设计师可以在 ChatGPT 里直接调 Photoshop、Premiere 或 Firefly 的能力。

Adobe 产品高级总监 Matt Chotin 的表态是，Firefly 要"汇集领先的 AI 模型和专业级工具"，接入 OpenAI 最新模型是为了扩展这种选择。

图三：Adobe 与 OpenAI 双向集成

（图三：谁也没独占「创意任务的起点」）

我的解读是：这两家谁也没能独占"创意任务的起点"，于是干脆互为入口。 Adobe 长期把 Firefly 定位成"编排层"------它同时托管 Google、Runway 等家的模型，OpenAI 的最新模型只是其中一个引擎。这个战略很清楚：不试图赢下每一场模型竞赛，而是成为专业人士挑引擎、并施加精确控制的那个中枢。

还有一个容易被忽略的推论：当模型变成编排层里的一个可选项，模型厂商的议价权其实在下降。 今天 Firefly 接 OpenAI，明天可以接别家；反过来 ChatGPT 里也能直接调 Adobe 的工具。真正难被替换的，是积累了资产、历史和协作关系的那一层。这也解释了 Adobe 为什么愿意在第一天就接入一个竞品级的模型------它争的不是模型份额，是这个入口。

对开发者和团队的直接含义有两条：

模型正在变成可替换的部件。 今天接 GPT-Image-2.5，明天换成别家，接口层的影响可能比想象中小。真正难迁移的是工作流和资产链路。
商业条款的差异比模型差异更需要盯。 Adobe 自有模型基于授权数据训练并提供版权赔偿，而作为合作伙伴模型接入的 OpenAI 模型附带的是免责声明。做对版权敏感的商业交付时，这两者的风险不在一个层级。

六、竞技场榜首还在吗？

Artificial Analysis 图像竞技场采用盲投偏好投票计算 ELO。9 月初读到的榜单大概是这样的：

排名	模型	ELO（约）
1	GPT Image 2 (high)	1177
2	MAI-Image-2.6（微软）	1149
3	Reve 2.1	1127
4	Nano Banana 2（Gemini 3.1 Flash）	1121
5	Muse Image（Meta）	1115
6	GPT Image 1.5 (high)	1113

OpenAI 仍然占着第一，但从第二到第六只差几十个 ELO 分 ，咬得非常紧。更关键的是编辑榜：MAI-Image-2.6 排在前面，GPT Image 2 和 Nano Banana 2 在其后。

需要说明两点：一是 ELO 衡量的是偏好不是正确性；二是Images 2.5 刚发布，尚未进入榜单，官方这次也没有公布第三方盲测的对比数据。

另一个维度是能不能自己托管。如果你的场景对数据出域、成本可控或深度定制有硬要求，闭源 API 这条路本身就走不通。FLUX.2 提供了 Dev（32B 开放权重）和 Klein（Apache 2.0，消费级显卡亚秒级出图）两档，腾讯 HunyuanImage 3.0（80B）和阿里的 Z-Image Turbo（6GB 显存就能跑到接近前沿的质量）也在这个区间。这条路的代价是要自己扛 GPU 和运维，收益是模型可控、可微调、数据不出域------对一部分团队来说，这个交换相当划算。

我的判断是：榜单差距已经小到不该作为唯一的选型依据。 现在更合理的做法是看你具体的工作流------要文字排版准确、要中文场景、要开源自部署、还是要极致的审美，答案各不相同。Ideogram 在文字和 logo 上仍强，FLUX.2 的开源权重（Dev 32B、Klein Apache 2.0）适合要自己托管的团队，Midjourney 依旧是审美首选但没有 API、且正面临迪士尼、NBCUniversal、华纳兄弟的版权诉讼。

七、还有三个没答案的问题

资讯文该有的冷静视角，这里说三条我认为短期内有待验证的。

第一，"快 50%"和"快 2~4 倍"都还没有第三方复现。 延迟降低 50% 是官方口径，2~4 倍来自 Manus 的评测团队。两者都不是独立第三方的公开基准。考虑到不同尺寸、不同档位下的延迟差异很大，建议自己在目标分辨率和档位上实测一轮再下结论。

第二，C2PA 元数据和隐形水印的实际防护强度未知。 官方延续了 C2PA 元数据加隐形水印的做法，用于标识 AI 生成内容。但元数据是可以被剥离的，水印对裁剪、压缩、重编码的鲁棒性也没有公开的评测数据。把它当"可追溯的辅助手段"是对的，当"防伪保证"就过了。

第三，版权与赔偿的边界仍然模糊。 这一条在专业场景里最实际：Adobe 自家模型提供版权赔偿，接入的 OpenAI 模型则是免责声明。而更上层的法律环境本身也在变化------美国最高法院已在 2026 年 3 月认定纯 AI 生成的图像不受版权保护，Midjourney 面临着多家影视公司的诉讼。做商业交付前，条款值得逐条看。

八、对不同人的落点

如果你是开发者，正在接入图像 API：

先用 medium 档跑基准，用"每张被接受图的成本"而不是"每次调用成本"做预算；
Flare 起稿、Sunburst 收尾，两者同价，不要为"用哪个"付额外的钱；
编辑请求比生成贵，参考图按图像输入计费，多路参考的成本要算进去；
别忽略缓存价：文本和图像输入都有缓存费率（分别为 $1.25 /$ 2 每百万），重复的提示词模板和复用参考图命中缓存时，能省下输入侧的大头；
分辨率上，长边上限 3840px，宽高需为 16 的倍数，总像素在 655,360 到 8,294,400 之间。

如果你在做设计或内容生产：

交互的变化（@Sketch 起稿、模板、图上圈选评论、提示词分享）对日常效率的影响，可能比画质提升更大------尤其是"图上直接标要改哪"这件事，把"用文字描述左上角那个红色部分"这种别扭操作省掉了；
如果你本来就在 Adobe 体系里，Firefly 里已经能直接用上这套模型，不用切换工具；
提示词可以被分享这件事看着小，但它把"好创意"从结果变成了可复用的过程------同事拿到你的图和提示词，换成自己的素材就能出一版。对团队协作来说，这比多一个滤镜有用得多。

如果你负责选型或采购：

别只看竞技场排名，先明确你的工作流要什么（文字排版 / 中文场景 / 自部署 / 审美）；
把版权赔偿条款的差异写进评估表，尤其在接入方是"合作伙伴模型"而非平台自有模型的时候。

最后回扣开头的判断：这一代最值得记的不是"画质又好了"，而是图像生成已经从"比谁画得好"进入"按工作流分层"------同价的快慢双 SKU、把编辑可控性放在画质之前、以及模型变成可被工作流编排的可替换部件。这三件事放在一起，说明这个赛道的竞争维度已经变了。

#ChatGPTImages2.5 #GPTImage2.5 #Flare #Sunburst #图像编辑 #API定价