GPT-Image 2.5 于 2026 年 9 月 8 日发布，现在已经是 ChatGPT 全端（含免费版）的默认图像模型。但它其实不是一个模型，而是两个：Flare 和 Sunburst。名字不显山露水，选错了却会直接影响你的出图速度和改图质量——同一句提示词，用 Flare 三秒出四张草图，用 Sunburst 可能要等十几秒，但改到第三轮时 Flare 已经开始变形、Sunburst 还稳得住。
Flare 与 Sunburst：一个管快，一个管精
OpenAI 这次把「生成」和「编辑」拆成了两个模型，定位完全不同：
- Flare：默认快速模型。官方口径是延迟较上一代最多降低 50%、吞吐提升 2 到 4 倍。它擅长「大量探索」——同一个提示词一次给你四张不同的构图，让你快速挑方向。
- Sunburst：精准编辑模型。核心优势是多轮改图不劣化。第一轮改完再改第二轮、第三轮，画面结构、人物五官、材质质感不会越改越糊，这是上一代最容易翻车的环节。
用设计师的话说：Flare 是画初稿的助手，Sunburst 是陪你改稿的师傅。前者用来「找方向」，后者用来「交终稿」。
五档质量与成本：钱花在哪一档
2.5 的质量档从 low 到 max 共五档，成本跨度相当大。以 1024×1024 输出为例，low 档约 $0.01/张，max 档约 $0.21/张，中间三档按档位递增（具体数字以 OpenAI 定价页为准）。换算到实际工作场景：
| 用途 | 建议档位 | 单张成本 | 说明 |
|---|---|---|---|
| 风格探索、构图草案 | low | 约 $0.01 | 一次出四张，挑中再优化，最省钱的用法 |
| 海报初稿、参考图 | medium | 约 $0.03 | 能看清细节结构，够内部评审 |
| 社媒配图、电商图 | high | 约 $0.08 | 直接可用的成图档位 |
| 印刷成品、POD 图案 | max | 约 $0.21 | 细节最满，配合 3840px 长边输出 |
按这个梯度算：1000 张草稿（low）约 10 美元，1000 张印刷级成图（max）约 210 美元。跟动辄几十美元一张的图库授权、或者几百元一张的插画师约稿比，试错成本几乎可以忽略——这也是设计师开始把 AI 当「草稿机器」用的原因。
三个新交互，改图逻辑变了
- @Sketch 涂鸦生图：在画布上随手画个草图 + 一句文字描述，模型按草图构图生成。实测只给草图不给文字描述时翻车率明显偏高，建议草图只作构图参考、文字说清主体与风格。
- Templates 模板：海报、周边、社媒封面这类高频版式直接套模板，省掉一遍描述版式的话。
- 评论改图（指哪改哪）：在生成的图上直接圈注「这里换成木质材质」，不用重写整段提示词。配合 Sunburst 的多轮不劣化，这是 2.5 最实用的改动。
API 用户注意：2.5 没有 Batch 半价通道
API 定价方面，输出 $30/百万 tokens、图片输入 $8/百万、文本输入 $5/百万，与上一代持平。但有个容易踩的坑：2.5 不支持 Batch API（上一代 GPT Image 2 支持且走批量通道半价）。如果你是要「几百张图批量跑」的场景，要么继续用 2.0 走批量省钱，要么接受 2.5 的实时价格。另外在 2026 年 AI 生图工具横向测评里我们对比过各家 API 的性价比，可以一起看。
官方与入口地址
- 官方模型页：openai.com（模型介绍与能力说明）
- 直接使用：ChatGPT 全端已默认 GPT-Image 2.5，免费版可用、有额度限制
- API 接入：platform.openai.com（输出 $30/1M tokens）
- 国内直用：zhanyingdes.com 图像生成已接入 GPT-Image 2.5，网页直接用、无需海外信用卡；具体三种方式的对比见 GPT-Image 2.5 国内怎么用：3 种方式对比
- 权威参照：AI 生成电商商品图实测：NANO BANANA vs GPT IMAGE
常见问题
Q1：免费用户能用 GPT-Image 2.5 吗？
能。2.5 已作为 ChatGPT 全端默认图像模型，免费版同样可用，只是每日额度更紧；Plus 用户额度宽松得多。判断标准很简单：如果你是每天都要出图的职业用户，免费额度基本不够用。
Q2：中文文字渲染该用哪个模型？
两个模型共用同一套视觉底座，中文长文本的表现都明显好于上一代。区别在于：快速试错用 Flare 看整体排布，正式出成品时切 Sunburst + high 以上档位，再把易错的多音字、生僻字逐个检查一遍——AI 生成中文标点错位仍是常见问题，交付前必须肉眼过。
Q3：API 里怎么指定 Flare 还是 Sunburst？
通过模型参数区分（两个模型名不同），具体字段以官方文档为准。要提醒的是：切换模型后同样的提示词风格会略有差异，建议把常用提示词在两个模型下各跑一轮，记录下各自的表现再固化到工作流里。
评论 (0)