2026 年 9 月 9 日，OpenAI 官宣发布 ChatGPT Images 2.5，这是它当前最先进的图像生成模型。相比今年 4 月发布的 Images 2，2.5 在细节锐度、自然光照和纹理丰富度都有提升的前提下，把生成延迟最多压低了 50%——对做批量出图和交互式编辑的人来说，这是比画质更实在的升级。
这次发布分两条线：ChatGPT 产品端新增了 Sketch 草图、模板库、图片内评论标注三个功能；API 侧则第一次把图像模型拆成 GPT-Image-2.5 Flare 和 GPT-Image-2.5 Sunburst 两款，一个管快，一个管精。这篇文章把三条路都走一遍：网页端新功能怎么用、API 文生图接入、局部编辑工作流，最后算清成本账。
一、产品端三个新功能：草图、模板、图片内评论
先说不用写代码的部分，三个功能都在 ChatGPT 对话里直接用：
- @Sketch 草图转图：在对话中输入
@Sketch调出画板，随手画一个构图草稿，再补充风格和细节描述，模型会把草图转成完整图像。这对"脑子里有画面但写不出提示词"的人是刚需——构图用画的，质感用说的； - 模板库：内置海报、商品图等常见创作格式的模板，选一个模板再替换成自己的内容，省掉从零写构图描述的过程；
- 图片内评论标注：直接在生成的图像上圈位置、写指令，比如"删除此区域""将此改为蓝色"，模型只改你标注的区域，其余部分保持不变。多轮编辑时的一致性和细节保持也做了专项优化，不会再出现改三次图就糊掉的情况。
另外分享图像时可以附带原始提示词，别人拿到图就能看到它是怎么生成的——团队协作和教学场景会很好用。
二、Flare 还是 Sunburst：先把选型搞明白
API 拆成两个模型是这次最重要的架构变化，选错了既浪费钱又浪费时间：
| 维度 | GPT-Image-2.5 Flare | GPT-Image-2.5 Sunburst |
|---|---|---|
| 定位 | 大多数图像生成应用 | 高编辑控制工作流 |
| 典型场景 | 创作者内容、社交内容、产品体验、视觉搜索、快速原型、高批量生成 | 成品级营销素材、精修产品图 |
| 生成速度 | 快（延迟最多降 50% 的主力） | 较慢，生成时间更长 |
| 编辑控制 | 基础 | 细粒度区域控制 |
一句话原则：默认用 Flare，只有当成品图需要反复精修、对区域编辑控制有硬要求时才上 Sunburst。做内容批量生产、原型验证、视觉搜索索引的，Flare 的速度优势直接决定你的吞吐量和单位成本。
分辨率方面两档一致：支持 1024×1024、2048×2048、3840×2160（4K 横向）等规格，单边最长 3840 像素，总像素数需在 655,360 到 8,294,400 之间。2.5 终于原生支持 4K 输出，做印刷物料和大屏素材不用再走超分放大那一步了。
三、API 实战：文生图与局部编辑
接入方式和旧版 Images API 保持一致，换模型 ID 即可。文生图最小请求：
curl https://api.openai.com/v1/images/generations \
-H "Authorization: Bearer $OPENAI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-image-2.5-flare",
"prompt": "一只透明玻璃材质的机械手表悬浮在深色背景中，内部齿轮清晰可见，电影级打光",
"size": "1024x1024",
"quality": "high"
}'
Python 侧做批量生成的骨架（高批量场景建议加并发和失败重试）：
from openai import OpenAI
client = OpenAI()
prompts = [
"扁平等距风格的云计算数据中心插画，靛蓝紫渐变配色",
"扁平等距风格的移动应用开发场景插画，靛蓝紫渐变配色",
]
for i, p in enumerate(prompts):
resp = client.images.generate(
model="gpt-image-2.5-flare",
prompt=p,
size="1024x1024",
)
with open(f"out_{i}.png", "wb") as f:
import base64
f.write(base64.b64decode(resp.data[0].b64_json))
局部编辑走 edits 接口，这才是 Sunburst 的主场——把产品端那个"图片内评论"的能力对应到 API，就是传原图 + mask + 指令：
resp = client.images.edit(
model="gpt-image-2.5-sunburst",
image=open("product.png", "rb"),
mask=open("mask.png", "rb"), # 透明区域 = 要修改的部分
prompt="把背景换成纯白的摄影棚背景，保留产品本身的光影",
size="2048x2048",
)
实践建议：生成用 Flare 出初稿，精修用 Sunburst 做局部编辑，两条流水线串起来，而不是全程用一个模型。
四、成本账：输出 token 才是大头
官方定价（每百万 token）：
| 模型 | 模态 | 输入 | 缓存输入 | 输出 |
|---|---|---|---|---|
| gpt-image-2.5-flare | Image | $8.00 | $2.00 | $30.00 |
| gpt-image-2.5-flare | Text | $5.00 | $1.25 | - |
| gpt-image-2.5-sunburst | Image | $8.00 | $2.00 | $30.00 |
| gpt-image-2.5-sunburst | Text | $5.00 | $1.25 | - |
两个模型定价相同，意味着选型只看质量和速度，不用看价格。三个省钱要点：
- 输出 token 占绝对大头（$30/百万），图像分辨率和质量档位越高，输出 token 越多。原型阶段一律用低档位跑，定稿后再用高档位出成品；
- 缓存输入打一六折（$8 → $2）。做系列图时，把不变的风格描述、参考图放在 prompt 前部并保持逐字节一致，让前缀缓存命中；
- 多轮编辑注意原图重复计费：每次 edit 都会把原图作为输入 image token 再算一遍，精修链路长的话，输入成本会线性累加，别在一张图上无限改。
五、注意事项与常见问题
- 安全与合规：Images 2.5 延续现有安全机制，对提示词和生成图像做检查；所有输出都嵌入 C2PA 元数据和隐形水印。商用场景这个水印是加分项（可溯源），但不要指望去掉它——那是违规操作；
- 人物与肖像：真人面部生成仍受严格限制，做广告素材时用虚拟形象，别拿真人照片去"换脸"；
- 延迟降低不等于实时：降 50% 是相对 Images 2 的数字，高分辨率 + high 质量的请求仍然要数秒到十几秒。UI 上务必做异步占位，别同步阻塞；
- 从 Images 2 迁移：接口字段不变，只需要换 model ID 并重新评估分辨率档位——2.5 支持的 4K 档位在旧模型上没有，直接照搬旧参数没问题，想升级画质才需要改；
- 常见问题：返回 429 多为速率限制，批量任务请加指数退避；图像细节在多轮编辑后退化的话，检查是否在 Flare 上做了过多编辑——编辑密集型流程应该从一开始就挂 Sunburst。
小结
ChatGPT Images 2.5 这次的核心不是单点画质提升，而是把"生成"和"编辑"拆成了两条独立的产品线：Flare 负责快和量，Sunburst 负责精和控，产品端则用 Sketch 和评论标注把创作门槛再砍一刀。对开发者来说，迁移成本约等于零（换 model ID），收益是最高 50% 的延迟下降和原生 4K 输出。建议今天就把 Flare 接进你的图像流水线跑一批回归测试，编辑重的场景再单独评估 Sunburst。