GPT Image 2.5: Flare или Sunburst, стоимость и работа с API

GPT Image 2.5 — это две модели OpenAI для генерации и редактирования изображений: Flare и Sunburst. Для первого прототипа с текстовым описанием разумно начать с Flare; если важнее аккуратно изменить готовое изображение, стоит сравнить результат с Sunburst. В API нужно указывать конкретное имя: gpt-image-2.5-flare или gpt-image-2.5-sunburst. Общее название семейства не заменяет идентификатор модели.

Модели представлены 8 сентября 2026 года. Ниже — официальные сведения, проверенные 9 сентября, и пример интеграции по документации. Платные API-запросы для этой статьи не выполнялись: приведённые расчёты иллюстрируют тарифы, а заявления о скорости принадлежат OpenAI. Журнал изменений API.

Что изменилось и какую модель выбрать

Главное изменение для разработчика — возможность выбирать между скоростью повседневной генерации и точностью редактирования. Обе модели принимают текст и изображения, создают изображения, поддерживают правки и работу с отдельными областями. Разделение не означает, что Flare умеет только генерировать, а Sunburst — только редактировать. Flare, Sunburst.

OpenAI называет Flare основным выбором для большинства приложений и заявляет о снижении задержки на 50% относительно GPT Image 2. Sunburst, по описанию компании, требует больше времени, зато ориентирована на точность. Это не обещание, что любая ваша задача выполнится вдвое быстрее или что Sunburst сохранит каждый пиксель вне редактируемой области. Анонс ChatGPT Images 2.5.

Для карточки товара выбор можно проверить на одной понятной задаче. Сначала создайте изображение керамического чайника на нейтральном фоне. Затем попросите изменить только фон, сохранив форму ручки, носик и рисунок глазури. У обеих моделей используйте одинаковые исходник, размер и качество. Сравнивайте не только красоту результата, но и то, сколько правок понадобилось до готовой карточки. Дорогая по времени попытка может оказаться выгоднее нескольких быстрых переделок.

Если GPT Image 2 уже встроена в рабочий сервис, одинаковые тарифы сами по себе не обосновывают немедленную замену. Сохраните несколько типичных заданий с известными требованиями и проверьте новую модель на них. Для воспроизводимой интеграции доступны датированные версии gpt-image-2.5-flare-2026-09-08 и gpt-image-2.5-sunburst-2026-09-08; недатированные ID удобны, когда вам подходит обновляемый вариант модели. Карточки моделей.

Функции Sketch, шаблоны, комментарии и обмен промптами относятся к интерфейсу ChatGPT. Наличие этих возможностей в анонсе не означает, что одноимённые параметры появились у Images API. Подписку ChatGPT также не следует включать в расчёт как уже оплаченный баланс API. Для более широкого выбора между экосистемами пригодится сравнение Nano Banana Pro и GPT Image 2.

Сколько стоит GPT Image 2.5

У Flare и Sunburst одинаковые стандартные тарифы прямого OpenAI API. На 9 сентября 2026 года они совпадают со ставками GPT Image 2. Цены ниже указаны в долларах США за 1 миллион токенов, а не за миллион изображений. Официальные тарифы.

Из этих ставок нельзя вывести единую цену «одной картинки GPT Image 2.5». На сумму влияют фактический расход токенов, исходные изображения, параметры результата и число попыток. При одинаковых ставках расход токенов может различаться. Не переносите на 2.5 готовую таблицу цен за изображение для GPT Image 2: карточки новых моделей прямо предупреждают, что калькулятор GPT Image 2 не оценивает их потребление. Если текущий калькулятор предлагает 2.5, выбирайте точную модель, а итог сверяйте с usage и учётом расходов проекта.

Для стандартного запроса Images API расчёт выглядит так:

text
Стоимость, USD = (
    некэшированные текстовые токены × 5
  + кэшированные текстовые токены × 1,25
  + некэшированные входные токены изображений × 8
  + кэшированные входные токены изображений × 2
  + выходные токены изображений × 30
) / 1 000 000

Кэш — часть входа. Если отчёт показывает 2 000 входных токенов изображения, из них 500 кэшированных, по обычной ставке считаются 1 500, а по льготной — 500. Нельзя сначала оплатить все 2 000 по полной ставке, а затем ещё добавить стоимость кэша.

Разберём условную правку: 1 000 текстовых токенов без кэша, 2 000 входных токенов изображения с 500 кэшированными и 1 200 выходных токенов изображения.

Это арифметический пример, а не измеренный расход конкретного размера или качества. Тысяча таких попыток стоила бы $54. Если из них вы приняли 800 изображений, расход на один принятый результат составил бы $54 / 800 = $0,0675. Именно этот показатель полезен при выборе между Flare и Sunburst: в нём видна цена повторных попыток.

При использовании инструмента генерации через Responses API дополнительно учитываются токены основной текстовой модели. В приведённый расчёт они не входят. Также здесь нет скидок сторонних сервисов и предположений о пакетной обработке: в проверенной таблице Batch модели 2.5 не перечислены.

Первый запрос: создать PNG, затем изменить его

Для отдельной генерации проще начать с Images API: модель передаётся прямо в запросе. Понадобится ключ API проекта с доступом к выбранной модели и настроенной оплатой. OpenAI может потребовать верификацию организации. Русский язык статьи не подтверждает доступность прямого API из России или доступ конкретного аккаунта. Руководство по генерации изображений.

Ниже один скрипт для двух действий. Он использует HTTP-запросы через requests, извлекает data[0].b64_json, декодирует PNG и записывает его на диск. При правке исходный файл отправляется как multipart-данные. Ключ читается из переменной окружения OPENAI_API_KEY; не вставляйте его в исходный код и не коммитьте в репозиторий.

Установите библиотеку:

bash
python -m pip install requests

Сохраните следующий код как image_demo.py:

python
import argparse
import base64
import json
import os
from pathlib import Path

import requests

parser = argparse.ArgumentParser()
parser.add_argument("action", choices=["generate", "edit"])
args = parser.parse_args()

headers = {"Authorization": f"Bearer {os.environ['OPENAI_API_KEY']}"}
api = "https://api.openai.com/v1/images"
common = {
    "size": "1024x1024",
    "quality": "medium",
    "output_format": "png",
}

if args.action == "generate":
    response = requests.post(
        f"{api}/generations",
        headers=headers,
        json={
            **common,
            "model": "gpt-image-2.5-flare",
            "prompt": (
                "Предметная фотография белого керамического чайника "
                "с синим рисунком глазури. Светло-серый фон, "
                "мягкий студийный свет, без текста и логотипов."
            ),
        },
        timeout=(10, 180),
    )
    target = Path("teapot.png")
else:
    source = Path("teapot.png")
    with source.open("rb") as image:
        response = requests.post(
            f"{api}/edits",
            headers=headers,
            data={
                **common,
                "model": "gpt-image-2.5-sunburst",
                "prompt": (
                    "Измени только фон на тёплый бежевый. "
                    "Сохрани форму чайника, ручку, носик, "
                    "синий рисунок глазури и ракурс."
                ),
            },
            files={"image": (source.name, image, "image/png")},
            timeout=(10, 180),
        )
    target = Path("teapot-edited.png")

print("HTTP:", response.status_code)
print("Request ID:", response.headers.get("x-request-id", "unknown"))
response.raise_for_status()
payload = response.json()
items = payload.get("data") or []
if not items or not items[0].get("b64_json"):
    raise RuntimeError("Ответ не содержит изображения в data[0].b64_json")

raw = base64.b64decode(items[0]["b64_json"], validate=True)
if not raw.startswith(b"\x89PNG\r\n\x1a\n"):
    raise RuntimeError("Ожидался файл PNG")
target.write_bytes(raw)
print(f"Сохранено: {target.resolve()} ({len(raw)} байт)")
print("Usage:", json.dumps(payload.get("usage"), ensure_ascii=False))

После настройки OPENAI_API_KEY выполните:

bash
python image_demo.py generate
python image_demo.py edit

Первая команда сохраняет teapot.png, вторая читает его и создаёт teapot-edited.png. Каждый запуск отправляет отдельный платный запрос. Скрипт проверен статически, но здесь не запускался против API. Сигнатура PNG защищает от сохранения явно неподходящих данных; после выполнения откройте оба файла и оцените результат правки. Один HTTP 200 ещё не подтверждает, что изображение сохранено и пригодно для вашей задачи.

Тайм-аут 180 секунд в примере — настройка клиента, а не обещание времени ответа. Документация предупреждает, что сложная генерация может занимать до двух минут. Для рабочего сервиса сохраняйте статус, Request ID и время запроса, но не ключ или весь Base64 в обычный журнал. После сетевого тайм-аута не повторяйте запросы бесконечно: результат предыдущей попытки может быть неизвестен. Ошибки параметров, доступа, квоты или модерации сначала требуют разобраться с причиной. Ограничения генерации.

Когда нужен Responses API

Responses API удобен, если изображение — часть диалога с текстовой моделью и последовательными уточнениями. На верхнем уровне выбирается поддерживаемая основная модель, например gpt-6-astra, а конкретный генератор задаётся в инструменте image_generation через поле model. Не ставьте gpt-image-2.5-flare вместо основной диалоговой модели только потому, что хотите получить картинку.

Формат результата также другой: ищите в output элемент с типом image_generation_call, затем декодируйте его поле result. Путь data[0].b64_json из примера Images API к этому ответу неприменим. Сохранение полученных байтов в файл остаётся отдельным шагом. Два способа работы с изображениями.

Качество, разрешение и прозрачный фон

У обеих моделей 2.5 параметр quality принимает low, medium, high, xhigh, max и auto; по умолчанию используется auto. Качество и размер задают разные свойства результата. Значение max не означает автоматически 4K, а большой размер сам по себе не гарантирует точных надписей или сохранения всех деталей. Настройки результата.

Для первого запроса удобно использовать рекомендованные размеры 1024x1024, 1536x1024 или 1024x1536. Произвольный размер должен одновременно выполнять условия: стороны кратны 16, каждая не больше 3840 пикселей, отношение сторон находится в диапазоне от 1:3 до 3:1, общее число пикселей — от 655 360 до 8 294 400. Например, 1024x576 кратен 16, но не проходит по минимальной площади. Для широкого изображения 16:9 подходит 1536x864.

Разрешения выше 2560×1440 в руководстве обозначены как экспериментальные. Не начинайте оценку новой модели с самого большого полотна: сначала установите, понимает ли она задачу на обычном размере, затем проверяйте более тяжёлый вариант.

Для прозрачного фона укажите background: "transparent" и выберите output_format: "png" или "webp". JPEG не сохраняет прозрачность. В примере выше стоит PNG, но фон остаётся обычным, пока соответствующий параметр не добавлен в запрос.

Для карточки товара полезнее сформулировать конкретную правку — что изменить и какие признаки сохранить — чем просто поднять качество до максимального. Даже с Sunburst результат нужно сопоставить с исходником: улучшения работы с референсами не превращают генератор в инструмент, который гарантированно оставляет остальные пиксели нетронутыми.

Как принять решение после первых запросов

Начните с Flare на типичных задачах и запишите размер, качество, фактический usage, время ответа и причину отклонения результата. Затем повторите сложные правки с Sunburst. Выбирайте по времени и расходам до принятого изображения: одинаковая цена токена оставляет достаточно места для различий в количестве попыток.

Если обе модели справляются одинаково, более быстрый вариант удобнее для интерактивного приложения. Если Sunburst заметно сокращает переделки при сохранении товара или персонажа, дополнительное ожидание может окупиться. А когда важнее сравнить возможности разных поставщиков, переходите к разбору Nano Banana Pro и GPT Image 2: это уже другой выбор, чем настройка двух моделей одного семейства.