Guide de l'API GPT Image 2.5 : tarifs, configuration et tests pratiques

L'API GPT Image 2.5 de OpenAI est une famille de deux modèles, et non un modèle unique accessible via un appel nommé gpt-image-2.5. Les alias mobiles actuels sont les suivants : gpt-image-2.5-flare, conçu par OpenAI pour une production quotidienne rapide et de haute qualité, et gpt-image-2.5-sunburst, conçus pour une retouche d'images axée sur la précision. Tous deux ont été lancés le 8 septembre 2026. Ce guide présente les identifiants exacts, trois chemins d'accès à l'API, les paramètres pris en charge, les dimensions personnalisées, la tarification officielle des jetons, les limites de débit, ainsi qu'un calculateur de coûts pratique.

Il fait également état d'un test contrôlé distinct réalisé via la plateforme unifiée d'Anywhere gpt-image-2.5 route. Cet appareil ne comportait ni sélecteur « Flare/Sunburst », ni étiquette indiquant une variante de retour ; ses sorties ne sont donc pas présentées comme des résultats natifs de l'API OpenAI ni attribuées à l'un ou l'autre des modèles officiels.

Essayez dès maintenant GPT Image 2.5 sur GlobalGPT !

Qu'est-ce que l'API GPT Image 2.5 ?

GPT Image 2.5 est la gamme de modèles de génération et d’édition d’images de OpenAI, lancée le 8 septembre 2026. Les deux modèles officiels acceptent du texte et génèrent des images ; les workflows d’édition peuvent également utiliser des images en entrée. Un détail important concernant la mise en œuvre concerne l’identité : le nom de la gamme est utile dans le langage courant, mais les requêtes de production doivent utiliser l’identifiant exact du modèle, tel qu’il figure sur les pages officielles des modèles.

Deux modèles, mais pas d'identifiant de famille unique

Un alias mobile suit la version actuelle de OpenAI sous ce nom. Un instantané daté lie les requêtes à une version spécifique et est donc plus facile à reproduire lors des tests de régression. Utilisez l'alias mobile lorsque vous souhaitez des mises à jour compatibles du modèle sans modifier le code ; utilisez un instantané lorsque la cohérence du comportement prime sur la réception automatique des révisions ultérieures.

Ces descriptions reflètent le positionnement de OpenAI et ne constituent pas un classement établi à l’issue de nos tests. L’essai contrôlé présenté plus loin dans cet article a utilisé un itinéraire unifié fourni par un tiers qui n’a pas précisé quelle variante officielle, le cas échéant, avait répondu à la requête.

Guide de démarrage rapide de l'API GPT Image 2.5

Générer à l'aide de l'API Image

Utilisations dans la production directe POST /v1/images/generations. Le SDK OpenAI lit votre clé API à partir de l'environnement, et GPT Image renvoie des données d'image encodées en base64 plutôt qu'une URL hébergée permanente. Décodez ces données et enregistrez-les en utilisant la même extension que format_de_sortie.

import base64
from pathlib import Path
from openai import OpenAI

client = OpenAI()
result = client.images.generate(
    model="gpt-image-2.5-flare",
    prompt="Une lampe de bureau en céramique posée sur un fond blanc de studio, photo de produit",
    size="1536x1024",
    quality="high",
    output_format="webp",
)

image_bytes = base64.b64decode(result.data[0].b64_json)
Path("lamp.webp").write_bytes(image_bytes)

Pour un test de production reproductible, remplacez l'alias mobile par gpt-image-2.5-flare-08/09/2026. Conservez dans votre propre journal de requêtes les paramètres de la requête (prompt, taille, qualité et données de départ) ; l'image renvoyée reste toutefois l'élément principal.

Modifier une image

Utilisations de l'édition directe POST /v1/images/edits. L'API documente les téléchargements en plusieurs parties et les références JSON via url_de_l'image ou id_fichier lorsque le parcours choisi le permet. Il est possible de fournir jusqu’à 16 images, mais ce nombre maximal n’est pas une recommandation : des références moins nombreuses et clairement différenciées sont plus faciles à examiner et à noter.

import base64
from pathlib import Path
from openai import OpenAI

client = OpenAI()
with Path("product.png").open("rb") as source:
    result = client.images.edit(
 model="gpt-image-2.5-sunburst",
 image=[source],
 prompt="Ne modifie que l'abat-jour pour le rendre bleu cobalt.",
        size="1536x1024",
 output_format="png",
    )

Path("product-edited.png").write_bytes(
    base64.b64decode(result.data[0].b64_json)
)

Utilisez une formulation explicite en matière de préservation, telle que “ modification uniquement ”, comme contrainte vérifiable, puis comparez le fichier source et le fichier de sortie en pleine résolution. Une modification peut respecter l’attribut demandé tout en redéfinissant ou en reconstruisant des zones non modifiées.

Utilisez l'outil de génération d'images de l'API Responses

Vous pouvez également appeler POST /v1/responses avec l'outil de génération d'images. Cette approche s'avère utile lorsque la création d'images constitue une étape d'un workflow basé sur un modèle qui analyse également du texte ou les résultats d'autres outils. Il ne s'agit pas d'un remplacement direct du format de réponse fourni par l'API Image : examinez les éléments de la réponse générée par l'appel de génération d'images au lieu de supposer que data[0].b64_json existe.

response = client.responses.create(
    model="YOUR_RESPONSES_MODEL",
    input="Créer une image de produit épurée à partir de ce brief validé.",
    tools=[{"type": "image_generation"}],
)

image_calls = [
    item for item in response.output
    if item.type == "image_generation_call"
]

Optez pour l’API Image directe pour une tâche de génération ou de modification ciblée, avec une comptabilité simple. Optez pour « Réponses » lorsque la génération d’images s’inscrit dans une séquence d’actions plus large. Dans les deux cas, validez l’état actuel guide officiel de création d'images et la signature du SDK avant le déploiement, car les schémas d'API récemment publiés peuvent évoluer.

Paramètres, formats de sortie et limites de taille

Les paramètres les plus utiles concernent la qualité, le nombre de fichiers générés, les aperçus progressifs, la modération, le comportement en arrière-plan, le format, la compression et les dimensions. Considérez-les comme un ensemble cohérent plutôt que comme des options indépendantes. Par exemple, la transparence nécessite le format PNG ou WebP, tandis que compression_de_sortie Cela s'applique aux formats JPEG et WebP, et non au format PNG.

Dimensions personnalisées

Pour une taille personnalisée, chaque côté doit être un multiple de 16, le rapport d'aspect doit être compris entre 1:3 et 3:1, aucun des deux côtés ne doit dépasser 3 840 pixels, et la surface totale doit être comprise entre 655 360 et 8 294 400 pixels. Les dimensions supérieures à 2 560 × 1 440 pixels sont considérées comme expérimentales.

• 1536 × 1024 est valide : les deux côtés sont des multiples de 16, le rapport 3:2 est autorisé et l'aire se situe dans les limites autorisées.
• 1024 × 1024 est valable pour les mêmes raisons.
• 1 200 × 800 n'est pas valable car 1 200 et 800 ne sont pas tous les deux des multiples de 16, même si le format semble raisonnable.

Vérifiez les dimensions avant d'envoyer une requête afin qu'un bug de l'application ne vienne pas fausser l'évaluation du modèle. Vérifiez également le format et les dimensions réels du fichier décodé : il se peut qu'une solution de compatibilité tierce ne reproduise pas exactement tous les paramètres natifs.

Tarifs de l'API GPT Image 2.5

OpenAI fixe les tarifs de GPT Image 2.5 en fonction de la catégorie de jetons. Les tarifs ci-dessous ont été vérifiés sur la page officielle des tarifs le 10 septembre 2026. GPT Image 2 applique les mêmes tarifs, mais des tarifs identiques ne signifient pas nécessairement une consommation identique de jetons pour une même instruction ou une même image.

Calculer le coût réel d'une demande

Pour chaque catégorie, multipliez le nombre de jetons renvoyés par son tarif par million de jetons, puis divisez le résultat par 1 000 000. Additionnez les coûts des cinq catégories pour une requête. Le calculateur officiel de GPT Image 2 n'estime pas la consommation de jetons de GPT Image 2.5 ; il n'existe donc pas de “ coût par image ” universel et fiable sans données d'utilisation réelles.

Pour la planification de la production, suivez également le coût par résultat acceptable : le coût total du lot divisé par le nombre de résultats qui satisfont aux critères spécifiques à votre tâche. Il s'agit là de votre propre indicateur opérationnel, et non d'une unité de facturation de type « OpenAI ». Une requête peu coûteuse mais inutilisable peut s'avérer plus onéreuse qu'un résultat nécessitant davantage de jetons mais livrable sans régénération.

Limites de débit et planification de la production

Les limites de débit comprennent les jetons par minute (TPM) et les images par minute (IPM). Il convient de tenir compte des deux : une requête peut respecter la limite du nombre d'images tout en dépassant le débit de jetons. Les deux pages officielles consacrées au modèle GPT Image 2.5 affichent actuellement le même tableau.

Nouvelles tentatives, concurrence et classes d'échec

Distinguez dans les journaux les événements liés à l'authentification, aux paramètres non valides, à la limitation de débit, à la capacité, au transport, aux délais d'attente et aux sorties non valides. Les erreurs d'authentification ou de paramètres nécessitent généralement une correction de la configuration, et non une nouvelle tentative. Les réponses liées à la limitation de débit et à la capacité peuvent justifier un recul limité. Les échecs de transport et les délais d'expiration nécessitent une stratégie d'idempotence afin que l'application ne génère pas accidentellement de travail facturable en double.

Surtout, un échec opérationnel ne constitue pas un résultat en termes de qualité d'image. Ne notez la qualité qu'après l'obtention d'un résultat valide et décodable. Enregistrez la latence observée en précisant l'itinéraire, la date, le point de terminaison et les conditions de la requête ; la latence mesurée sur un site donné ne permet pas de tirer de conclusions définitives sur la vitesse du modèle.

Ce qui s'est passé lors des tests contrôlés d'Anywhere GPT Image 2.5

Les tâches de génération, d'édition et de composition de références ci-dessous ont chacune utilisé une première sortie valide. Les cinq requêtes formelles abouties présentaient un coût calculé combiné de $0.088603. Ce total ne tient pas compte des requêtes ayant échoué, de la création des fixtures, du test de disponibilité et de l'image principale.

G01 : annonce produit avec texte exact

La consigne demandait la ligne suivante : FAITES DE LA PLACE AUX IDÉES exactement une fois, une lampe, une composition fixe et des exclusions explicites. Le premier résultat valide a reproduit le texte une seule fois et a satisfait à toutes les conditions déclarées.

Testé via l'itinéraire unifié gpt-image-2.5 d'Anywhere le 9 septembre 2026.

Statut

Première sortie valide

Note de la tâche

10/10

Temps écoulé

6 150 ms

Coût calculé

$0.041645

Analyse des capacitésDans ce premier résultat unique, l'itinéraire a pris en compte à la fois le texte visible exact, le nombre d'objets, la composition et les contraintes négatives.

LimitationUne seule publicité réussie ne permet pas de déterminer un taux de réussite général en matière d’affichage du texte, et l’approche unifiée n’a pas permis d’identifier Flare ni Sunburst.

Verdict pratiqueUtilisez une ligne de copie figée et comptez toutes les occurrences de texte visibles. Ce résultat a été validé sans régénération.

Demande précise, données d'entrée complètes, paramètres et vérifications des objectifs

Statut : sortie valide lors de la première tentative ; première sortie valide conservée.

Itinéraire : Compatible avec n'importe quel modèle OpenAI /images/generations avec gpt-image-2.5.

Consigne exacte

Créez une publicité de produit au format 3:2 (horizontal) pour une lampe de bureau portable fictive de couleur noir mat, sur un fond épuré blanc et gris pâle. Montrez exactement une seule lampe, légèrement inclinée vers la droite, avec un faisceau de lumière doux et chaleureux et un espace négatif généreux. Ajoutez exactement une ligne de texte : " MAKE ROOM FOR IDEAS ". Composez cette phrase en lettres majuscules sans empattement, bien lisibles, centrées dans le tiers supérieur. Aucun autre texte, aucun logo, aucun filigrane, aucune personne et aucun produit supplémentaire.

Entrée complète : Texte uniquement. Aucune image n'a été fournie.

Paramètres réels de la requête

taille

1536 × 1024

qualité

élevé

format_de_sortie

webp

contexte

opaque

n

1

Contrôles objectifs

texte_exact2/2

La phrase « MAKE ROOM FOR IDEAS » apparaît une seule fois, complète et sans faute d'orthographe ; aucun autre texte n'est visible.

objet_obligatoire2/2

Il y a exactement une lampe de bureau entièrement noire mate.

composition2/2

La lampe est orientée vers la droite, le halo de lumière chaude est visible, l'espace négatif est préservé et le texte se trouve dans le tiers supérieur.

interdictions2/2

Aucun logo, filigrane, personne ni produit supplémentaire n'apparaît.

first_output_usability2/2

Le premier résultat valide peut être utilisé tel quel, sans régénération ni refonte majeure.

Sortie complète

Le résultat complet « first-valid » en 1536×1024 apparaît juste en dessous de ce panneau d'informations. La réponse a renvoyé un fichier PNG alors que la requête demandait un fichier WebP.

G02 : disposition des objets comptés

La requête spécifiait exactement trois objets : une sphère en verre bleue, un éventail plié jaune et un cube en acier, dans l'ordre de gauche à droite. La première réponse valide a conservé le nombre, l'ordre et les matériaux identifiables.

Testé via l'itinéraire unifié gpt-image-2.5 d'Anywhere le 9 septembre 2026.

Statut

Première sortie valide

Note de la tâche

10/10

Temps écoulé

33 577 ms

Coût calculé

$0.005505

Analyse des capacitésLe premier résultat a été obtenu après un comptage de trois objets, dans l'ordre gauche-centre-droite, selon les couleurs demandées et en tenant compte d'indices distinctifs liés au matériau.

LimitationCette observation porte sur une nature morte contrôlée, et non sur la complexité liée au comptage arbitraire d'objets ni sur la fiabilité d'une production répétée.

Verdict pratiqueDans ce cas précis, la précision apportée au niveau du nombre, de l'ordre, des matériaux et des exclusions a permis d'obtenir un résultat immédiatement exploitable.

Demande précise, données d'entrée complètes, paramètres et vérifications des objectifs

Statut : sortie valide lors de la première tentative ; première sortie valide conservée.

Itinéraire : Compatible avec n'importe quel modèle OpenAI /images/generations avec gpt-image-2.5.

Consigne exacte

Créez une nature morte éditoriale horizontale au format 3:2 sur un décor de studio composé de charbon et de blanc cassé. Présentez exactement trois objets : une sphère en verre bleu cobalt à gauche, un éventail en papier jaune plié au centre et un cube en acier brossé à droite. Veillez à ce que les trois objets soient entièrement visibles, espacés de manière régulière et éclairés par une lumière douce provenant du coin supérieur gauche. Pas de texte, pas de logo, pas de filigrane, pas de personnes, pas d’objets superflus et pas de symboles décoratifs.

Entrée complète : Texte uniquement. Aucune image n'a été fournie.

Paramètres réels de la requête

taille

1536 × 1024

qualité

élevé

format_de_sortie

webp

contexte

opaque

n

1

Contrôles objectifs

nombre_d'objets2/2

On trouve exactement une sphère en verre bleue, un éventail plié jaune et un cube en acier.

ordre_et_visibilité2/2

Les objets sont entièrement visibles dans l'ordre requis : à gauche, au centre et à droite.

matériaux_et_couleurs2/2

Les matériaux (verre, papier et métal brossé) ainsi que les couleurs demandées sont clairement indiqués.

éclairage_et_espacement2/2

La scène présente un éclairage cohérent en haut à gauche et un espacement régulier.

interdictions_et_artefacts2/2

Aucun texte, logo, filigrane, personne, objet superflu ni artefact notable n'est visible.

Sortie complète

Le résultat complet « first-valid » en 1536×1024 apparaît juste en dessous de ce panneau d'informations. La réponse a renvoyé un fichier PNG alors que la requête demandait un fichier WebP.

E01 : changer une couleur

La retouche a remplacé l'abat-jour noir mat par un abat-jour bleu cobalt, tout en conservant la reconnaissance du produit. Elle a perdu un point car la conversion de la source carrée en une sortie au format 3:2 a entraîné un léger recadrage et une légère reconstruction en dehors de l'attribut cible.

Testé via l'itinéraire unifié gpt-image-2.5 d'Anywhere le 9 septembre 2026.

Statut

Première sortie valide

Note de la tâche

9/10

Temps écoulé

41 387 ms

Coût calculé

$0.016320

Analyse des capacitésLe changement de couleur de l'abat-jour demandé a été réalisé avec succès, tout en préservant la cohérence de l'identité, de la structure et de l'éclairage de la lampe.

LimitationLa conversion du format carré au format 3:2 a entraîné un léger recadrage et une légère reconstruction ; la préservation des éléments non ciblés n'a donc pas été respectée au pixel près.

Verdict pratiqueVeillez à ce que les formats d'image source et de sortie correspondent lorsque la préservation stricte est indispensable, puis vérifiez chaque zone ne faisant pas partie de la zone cible.

Demande précise, données d'entrée complètes, paramètres et vérifications des objectifs

Statut : sortie valide lors de la première tentative ; première sortie valide conservée.

Itinéraire : Compatible avec n'importe quel modèle OpenAI /images/modifications avec gpt-image-2.5.

Consigne exacte

Modifiez uniquement la couleur de l'abat-jour, en la faisant passer du noir mat au bleu cobalt. Conservez exactement la forme, la position, l'échelle, le pied, le bras, l'interrupteur, les ombres, la lumière chaude, l'arrière-plan, l'angle de prise de vue, le cadrage et tous les autres détails visibles de la lampe. N'ajoutez aucun texte, logo, filigrane, personne ou objet supplémentaire.

Saisie complète de l'image :

• Données d'entrée 1 : 00-control/fixtures/edit-source-lamp.png (1 328 812 octets ; SHA-256 a93d7c90aa57c7949939f011918fcfe531f34fa039859d043556c0cd26dcea2b)

Paramètres réels de la requête

taille

1536 × 1024

qualité

élevé

format_de_sortie

webp

contexte

opaque

n

1

Contrôles objectifs

modification_demandée2/2

La teinte passe du noir mat au bleu cobalt.

géométrie_position_échelle_recadrage1/2

La lampe reste reconnaissable, mais la source carrée est recadrée et légèrement modifiée pour s'adapter au format 3:2.

non_target_preservation2/2

Le socle, le bras, l'interrupteur, l'ampoule et les zones noires non ciblées restent sensiblement identiques.

éclairage_bords_matériaux2/2

L'éclairage, les ombres, les contours et le rendu des matériaux restent cohérents.

first_output_usability2/2

Le premier résultat valide est exploitable sans régénération ni réparation majeure.

Sortie complète

Le résultat complet « first-valid » en 1536×1024 apparaît juste en dessous de ce panneau d'informations. La réponse a renvoyé un fichier PNG alors que la requête demandait un fichier WebP.

E02 : remplacer l'arrière-plan

La modification a consisté à changer la couleur de l'arrière-plan en vert menthe pâle tout en conservant la même texture pour la lampe. Comme pour E01, la modification demandée a été acceptée, tandis que la conversion du format d'image a entraîné un léger recadrage et une légère reconstruction.

Testé via l'itinéraire unifié gpt-image-2.5 d'Anywhere le 9 septembre 2026.

Statut

Première sortie valide

Note de la tâche

9/10

Temps écoulé

50 151 ms

Coût calculé

$0.007208

Analyse des capacitésLe tracé a permis de remplacer l'arrière-plan du studio tout en conservant les principaux matériaux noirs de la lampe ainsi que sa géométrie caractéristique.

LimitationComme dans l'épisode E01, le nouveau format 3:2 a entraîné un léger recadrage et une légère modification de la composition, allant au-delà du simple changement d'arrière-plan demandé.

Verdict pratiqueLe remplacement de l'arrière-plan était réalisable dès la première version, mais les modifications du format d'image doivent être considérées comme un risque distinct.

Demande précise, données d'entrée complètes, paramètres et vérifications des objectifs

Statut : sortie valide lors de la première tentative ; première sortie valide conservée.

Itinéraire : Compatible avec n'importe quel modèle OpenAI /images/modifications avec gpt-image-2.5.

Consigne exacte

Modifiez uniquement l'arrière-plan du studio, en le faisant passer du gris pâle à un vert menthe uni et doux. Conservez tous les éléments de la lampe noire mate, y compris sa couleur, sa forme, sa position, son échelle, son socle, son bras, son interrupteur, son ampoule allumée, sa lumière chaude, ses ombres, l'angle de prise de vue et le cadrage. N'ajoutez aucun texte, logo, filigrane, personne ou objet supplémentaire.

Saisie complète de l'image :

• Données d'entrée 1 : 00-control/fixtures/edit-source-lamp.png (1 328 812 octets ; SHA-256 a93d7c90aa57c7949939f011918fcfe531f34fa039859d043556c0cd26dcea2b)

Paramètres réels de la requête

taille

1536 × 1024

qualité

élevé

format_de_sortie

webp

contexte

opaque

n

1

Contrôles objectifs

modification_demandée2/2

Le fond du studio prend une teinte vert menthe pâle.

géométrie_position_échelle_recadrage1/2

La lampe reste reconnaissable, mais la source carrée est recadrée et légèrement modifiée pour s'adapter au format 3:2.

non_target_preservation2/2

La lampe conserve sa couleur noir mat ainsi que ses principaux éléments : le pied, le bras, l'abat-jour, l'interrupteur et l'ampoule.

éclairage_bords_matériaux2/2

L'éclairage, les ombres, les contours et les textures restent cohérents après la modification de l'arrière-plan.

first_output_usability2/2

Le premier résultat valide est exploitable sans régénération ni réparation majeure.

Sortie complète

Le résultat complet « first-valid » en 1536×1024 apparaît juste en dessous de ce panneau d'informations. La réponse a renvoyé un fichier PNG alors que la requête demandait un fichier WebP.

M01 : regrouper trois références

Le résultat a conservé la lampe verte, le cahier corail et la tasse bleue, et les a disposés selon l'agencement demandé (gauche-centre-droite). Cela démontre la réussite sur une composition fixe à trois éléments de référence, mais ne constitue pas une garantie générale pour les 16 éléments d'entrée maximum documentés.

Testé via l'itinéraire unifié gpt-image-2.5 d'Anywhere le 9 septembre 2026.

Statut

Première sortie valide

Note de la tâche

10/10

Temps écoulé

105 469 ms

Coût calculé

$0.017925

Analyse des capacitésLe tracé a conservé trois éléments de référence distincts – les identités, les matériaux et les quantités – ainsi que la relation spatiale requise entre eux au sein d’une même scène.

LimitationIl s'agit d'une composition à trois références ; elle ne permet pas de prouver une conservation équivalente avec le nombre maximal de 16 entrées documenté.

Verdict pratiqueIndiquez les références dans l'ordre déclaré, nommez chaque placement, et évaluez l'identité et le nombre séparément de la finition visuelle.

Demande précise, données d'entrée complètes, paramètres et vérifications des objectifs

Statut : sortie valide lors de la première tentative ; première sortie valide conservée.

Itinéraire : Compatible avec n'importe quel modèle OpenAI /images/modifications avec gpt-image-2.5.

Consigne exacte

À partir des trois images de référence fournies dans l'ordre indiqué, créez une composition horizontale de bureau au format 3:2. Conservez la forme et la matière caractéristiques de chaque objet de référence. Placez la lampe à gauche, le cahier fermé au centre et la tasse à droite. La lampe projette un halo de lumière chaleureux sur le cahier sans le masquer. Fond de studio neutre et épuré. Pas de texte, pas de logo, pas de filigrane, pas de personnes, pas d'objets en double et pas de produits supplémentaires.

Entrées d'images complètes :

• Données d'entrée 1 : 00-control/fixtures/ref-lamp.png (1 334 151 octets ; SHA-256 40c72915de60ba32e70de009b12619f3ffa8643460fd8e8326ffe3d94d215987)
• Données 2 : 00-control/fixtures/ref-notebook.png (2 067 635 octets ; SHA-256 e96298c43d0b04ec4f50aa66d9a4005f3236fa51d945394d257303dd9e790179)
• Données 3 : 00-control/fixtures/ref-mug.png (1 444 324 octets ; SHA-256 1d4cec622254b8533c5122fc5c0b2432b38e39fb3c16412dab02b744de5e538f)

Paramètres réels de la requête

taille

1536 × 1024

qualité

élevé

format_de_sortie

webp

contexte

opaque

n

1

Contrôles objectifs

présence_et_nombre_d'objets2/2

On y voit une lampe, un cahier fermé et une tasse.

identifiant_de_référence2/2

La lampe verte et laiton, le cahier couleur corail et la tasse bleue à nervures conservent leur identité et leurs matériaux caractéristiques.

relation_spatiale2/2

La lampe est à gauche, le cahier au centre et la tasse à droite, comme demandé.

cohérence_de_la_scène2/2

L'échelle, la perspective, l'éclairage, les ombres et le halo de lumière chaleureux forment un ensemble cohérent.

interdictions_et_artefacts2/2

Aucun texte, logo, filigrane, personne, produit en double, produit de substitution ou artefact matériel n'est visible.

Sortie complète

Le résultat complet « first-valid » en 1536×1024 apparaît juste en dessous de ce panneau d'informations. La réponse a renvoyé un fichier PNG alors que la requête demandait un fichier WebP.

Sur les cinq premiers résultats valides, les contrôles déclarés ont été hautement satisfaisants : trois ont obtenu la note de 10/10 et deux celle de 9/10. La limite utile revêt une importance tout aussi grande. Il s’agit là de données au niveau de la tâche issues d’une voie de compatibilité, sans lot de répétition ni variante officielle divulguée. Pour obtenir de meilleurs résultats dans votre propre travail, utilisez un cahier des charges fixe, des contraintes explicites, des références cohérentes et une étape de révision ; cela Guide pour améliorer la précision de la génération d'images par IA élargit ce flux de travail.

L'itinéraire testé a également révélé une incohérence de format méritant d'être signalée séparément : les requêtes formelles abouties demandaient un fichier WebP mais renvoyaient un PNG, tout en conservant les dimensions demandées de 1 536 × 1 024. Une requête de disponibilité demandait un fichier WebP de 1 024 × 1 024 et a renvoyé un fichier PNG de 1 254 × 1 254. Il s'agit là d'observations concernant la route unifiée d'Anywhere à la date du test, et non d'un comportement attribué à l'API native de OpenAI.

Comment choisir un itinéraire GPT Image 2.5 ?

Commencez par définir le flux de travail dont vous avez besoin, puis validez-le par rapport à une tâche figée. Les descriptions de modèles de OpenAI constituent un premier choix judicieux, mais elles ne remplacent pas un test utilisant vos propres invites, images de référence, règles d'acceptation et budget de latence.

Effectuez une génération représentative et modifiez la tâche avant de valider un workflow de production. Comparez le taux de résultats acceptables, la conservation, la répartition des temps de latence et l'utilisation renvoyée, plutôt que de vous baser sur un seul échantillon prometteur. Si votre équipe tire profit de l'acheminement de différentes tâches vers différents outils, Comparer les meilleurs générateurs d'images basés sur l'IA et de maintenir la décision de sélection au niveau de la tâche.

Erreurs courantes de mise en œuvre

1. Envoi d'une désignation générique au lieu d'un numéro d'identification officiel précis du modèle. Utilisation gpt-image-2.5-flare ou gpt-image-2.5-sunburst via l'API native, sauf si votre fournisseur indique explicitement une autre procédure.
2. Analyser chaque réponse comme le ferait l'API Image directe. L'API « Responses » renvoie les résultats générés par l'appel à l'outil ; sa logique d'extraction diffère donc de celle de images.generate ou images.edit.
3. Considérer les données Base64 comme l'URL d'une image hébergée. Décodez les octets, validez le fichier, puis enregistrez-le sur votre propre système de stockage agréé.
4. Utilisation d'un format personnalisé non valide. Vérifiez les multiples de 16, la surface, le format et la longueur maximale d'un côté avant de valider la demande.
5. Combinaison d'options de sortie incompatibles. La transparence nécessite le format PNG ou WebP ; le contrôle de la compression s'applique aux formats JPEG et WebP.
6. On répète l'opération jusqu'à obtenir un résultat satisfaisant, puis on considère celui-ci comme le premier résultat. Conservez le premier résultat valide et signalez séparément les tentatives suivantes si vous souhaitez obtenir une évaluation fiable du modèle.
7. Considérer un temps mort ou une réponse liée à la capacité comme un problème de qualité d'image. L'absence d'image valide entraîne l'absence de score de qualité ; enregistrez l'événement dans la rubrique « Disponibilité » ou « Transport ».

FAQ sur l'API GPT Image 2.5

GPT Image 2.5 dispose-t-il d'une API ?

Oui. Le document OpenAI décrit la génération directe d'images, l'édition directe d'images et la génération d'images via l'outil API « Responses ».

Quels sont les identifiants exacts du modèle GPT Image 2.5 ?

Les alias mobiles sont les suivants : gpt-image-2.5-flare et gpt-image-2.5-sunburst. Les instantanés du 8 septembre 2026 ajoutent -2026-09-08 à chaque alias.

Combien coûte l'API GPT Image 2.5 par image ?

Il n'existe pas de tarif forfaitaire vérifié par image. Le coût dépend des jetons liés à la saisie de texte renvoyée, au texte mis en cache, à la saisie d'image, à l'image mise en cache et à l'image générée. Utilisez les tarifs officiels par million de jetons en fonction de votre utilisation réelle.

GPT Image 2.5 permet-il de modifier plusieurs images à la fois ?

Oui. L'API d'édition prend en charge jusqu'à 16 images d'entrée. Il s'agit d'une limite maximale, et non d'une garantie que chaque composition de 16 images conservera tous les détails.

GPT Image 2.5 peut-il générer un fichier PNG ou WebP transparent ?

Oui. Définissez un arrière-plan transparent et utilisez le format PNG ou WebP pour l'exportation. Vérifiez que le fichier décodé contient bien un canal alpha avant de l'intégrer dans un pipeline de production.

Quelles sont les limites d'utilisation de l'API GPT Image 2.5 ?

L'accès gratuit n'est pas pris en charge dans le tableau actuel. Le niveau 1 commence à 100 000 TPM et 5 IPM ; le niveau 5 atteint 8 000 000 TPM et 250 IPM, les limites des niveaux 2 à 4 étant indiquées ci-dessus. Consultez la page du modèle concerné avant son lancement.

Conclusion

Utilisez « Flare » ou « Sunburst » conformément au positionnement officiel dans le flux de travail, puis vérifiez ce choix à l’aide de vos propres tâches figées. Épinglez un instantané daté lorsque la reproductibilité est essentielle, décodez et inspectez le fichier renvoyé, puis calculez le coût à partir de l’utilisation réelle des jetons plutôt qu’à partir d’une estimation par image. Notre lot « Anywhere » a produit cinq premiers résultats solides, liés à des tâches spécifiques, mais il n’a pas révélé de variante officielle, n’a pas satisfait aux tests de transparence ou de niveau de qualité, ni établi une fiabilité globale.