GPT Image 2.5 API 指南：定价、设置和实践测试

OpenAI 的 GPT Image 2.5 API 是一个由两个模型组成的系列，而不是一个名为 gpt-image-2.5. 当前的移动别名是 gpt-image-2.5-flare, 由 OpenAI 定位，用于快速、高质量的日常生成，并且 gpt-image-2.5-sunburst, ，专为精准图像编辑而设计。这两款产品均于2026年9月8日发布。本指南涵盖了确切的ID、三种API路径、支持的参数、自定义尺寸、官方令牌定价、速率限制以及一个实用的成本计算器。.

该报告还提到了通过Anywhere的统一平台进行的另一项受控测试 gpt-image-2.5 路线。该测试平台未显示“Flare/Sunburst”选择器，也未标注变体标签，因此其输出结果既未作为原生 OpenAI API 结果呈现，也未被归入任何官方模型。.

立即在 GlobalGPT 上体验 GPT Image 2.5！

什么是 GPT Image 2.5 API？

GPT Image 2.5 是 OpenAI 于 2026 年 9 月 8 日发布的图像生成与编辑系列产品。这两个官方模型均支持接收文本并输出图像；编辑工作流也可提供图像作为输入。 一个重要的实现细节是模型标识：该系列名称在描述性文本中虽有帮助，但在实际生成请求中，应使用官方模型页面上提供的精确模型ID。.

两个型号，没有一个可调用的家庭ID

“移动别名”紧随 OpenAI 当前版本之后，名称与该版本相同。带日期的快照将请求固定到特定版本，因此在回归测试中更容易重现。当您希望在不修改代码的情况下进行兼容性模型更新时，请使用移动别名；当一致的行为比自动接收后续修订版更为重要时，请使用快照。.

这些描述反映了 OpenAI 的定位，并非由我们的测试确定的优胜者。本文后文提到的受控测试使用了第三方统一路由，该路由并未披露究竟是哪一种官方变体（如果有的话）处理了该请求。.

GPT Image 2.5 API 快速入门

使用 Image API 生成

直接发电用途 POST /v1/images/generations. OpenAI SDK 会从环境中读取您的 API 密钥，而 GPT Image 返回的是 base64 编码的图像数据，而非永久托管的 URL。请对该数据进行解码，并使用与 输出格式.

import base64
from pathlib import Path
from openai import OpenAI

client = OpenAI()
result = client.images.generate(
    model="gpt-image-2.5-flare",
    prompt="一张白色工作室背景上的陶瓷台灯，产品照片",
    size="1536x1024",
    quality="high",
    output_format="webp",
)

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

为了进行可重现的生产测试，请将移动别名替换为 gpt-image-2.5-flare-2026-09-08. 请将提示、尺寸、质量以及类似种子值的应用程序输入保存在您自己的请求日志中；返回的图像本身仍是主要产出。.

编辑图片

直接编辑的用途 POST /v1/images/edits. 该 API 通过以下方式记录了多部分上传和 JSON 引用： image_url 或 file_id 在所选路线支持的情况下。最多可提供16张图片，但该上限并非建议：数量较少且区分度高的参考图片更便于审查和评分。.

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="仅将灯罩改为钴蓝色。",
        size="1536x1024",
 output_format="png",
    )

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

使用“仅修改”等明确的保留性表述作为可验证的约束条件，然后以最高分辨率比较源文件和输出结果。编辑操作可以在满足指定属性的同时，对未修改的区域进行重新构图或重建。.

使用 Responses API 图像生成工具

您也可以致电 POST /v1/responses 使用图像生成工具。当图像生成是模型驱动工作流中的一个步骤，且该工作流还会对文本或工具结果进行推理时，这种方法非常有用。它并非直接 Image API 的“即插即用”式响应格式替代方案：请检查图像生成调用的响应输出项，而不是直接假设 data[0].b64_json 存在。.

response = client.responses.create(
    model="YOUR_RESPONSES_MODEL",
    input="根据这份已批准的创意简报生成一张清晰的产品图片。",
    tools=[{"type": "image_generation"}],
)

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

对于范围较窄且计费方式简单的图像生成或编辑任务，请选择直接的 Image API。当图像生成属于更广泛的交互序列时，请选择 Responses。无论哪种情况，请验证当前的 官方图像生成指南 并在部署前验证 SDK 签名，因为新发布的 API 模式可能会发生变化。.

参数、输出格式和大小限制

最有用的参数包括质量、输出数量、渐进式预览、审核、后台行为、格式、压缩和尺寸。应将它们视为一个相互兼容的整体，而非独立的开关。例如，透明度需要使用 PNG 或 WebP 格式，而 输出压缩 适用于 JPEG 和 WebP，而不适用于 PNG。.

自定义尺寸

若要使用自定义尺寸，每边长度必须是16的倍数，长宽比必须在1:3至3:1之间，两边长度均不得超过3,840像素，且总像素数必须在655,360至8,294,400之间。 面积大于 2560×1440 的尺寸被标记为实验性。.

• 1536×1024 该条件成立：两边都是16的倍数，3:2的比例符合要求，且面积在限定范围内。.
• 1024×1024 出于同样的原因，该说法是成立的。.
• 1200×800 该比例无效，因为1,200和800并非都是16的倍数，尽管该宽高比看起来似乎合理。.

在发送请求之前请验证尺寸，以免应用程序中的错误影响模型评估。此外，请检查解码后文件的实际格式和尺寸：第三方兼容性方案可能无法完全还原所有原生参数。.

GPT Image 2.5 API 定价

OpenAI 根据代币类别对 GPT Image 2.5 进行定价。以下费率已于 2026 年 9 月 10 日通过官方定价页面进行核对。GPT Image 2 采用相同的列明费率，但费率相同并不意味着针对同一提示词或图像的代币消耗量也相同。.

计算实际请求成本

对于每个类别，将返回的令牌数乘以其每百万令牌的费率，然后除以1,000,000。将五个类别的成本相加，即为单次请求的总成本。 官方的 GPT Image 2 计算器不会估算 GPT Image 2.5 的令牌消耗量，因此如果没有实际使用数据，就无法得出一个有说服力的通用“每张图片成本”。.

在生产规划中，还应追踪每单位合格产出的成本：即批次总成本除以通过该任务特定检查点的产出数量。这是您自己的运营指标，而非 OpenAI 计费单位。一个成本低廉但无法使用的请求，其成本可能比一个代币消耗更高但无需再生即可交付的结果还要高。.

速率限制与生产计划

速率限制包括每分钟令牌数（TPM）和每分钟图像数（IPM）。请同时考虑这两项限制：一个请求可能符合图像数量限制，但仍会超出令牌吞吐量限制。目前，GPT Image 2.5 模型的两个官方页面显示的表格内容相同。.

重试、并发和故障类

在日志中将身份验证、参数无效、速率限制、容量、传输、超时和输出无效等事件区分开来。身份验证或参数错误通常需要通过配置来修复，而非重试。 速率限制和容量限制响应可能需要采用有限退避策略。传输故障和超时则需要采用幂等策略，以防止应用程序意外生成可计费的重复工作。.

最重要的是，运行故障并不等同于图像质量结果。只有在存在有效且可解码的输出时，才应对质量进行评分。记录观察到的延迟，并注明路由、日期、端点及请求条件；某个测试点的延迟不能作为对模型速度的永久性论断。.

在受控的 Anywhere GPT Image 2.5 测试中发生了什么

以下各项任务（生成、编辑和引用组合）均使用了一个首个有效输出。这五个成功的形式请求的总计算成本为 $0.088603. 该总数不包括请求失败、测试用例创建、就绪探针以及英雄图片。.

G01：精确文本产品广告

提示要求输入以下内容： 为创意腾出空间 恰好一次，一盏灯，固定的组合方式，以及明确的排除条件。第一个有效的输出结果将文本重现了一次，并通过了所有声明的检查。.

于2026年9月9日通过Anywhere的统一gpt-image-2.5路线进行测试。.

现状

有效的第一个输出

任务得分

10/10

已用时间

6,150 毫秒

计算出的成本

$0.041645

能力分析在此单次初始输出中，该路径同时处理了精确的可见文本、对象数量、布局以及负约束。.

限制一条成功的广告并不能证明文本呈现的成功率普遍较高，而且统一路径并未识别出“Flare”或“Sunburst”。.

实际结论使用冻结的副本行，并统计每个可见文本实例的数量。该输出未经过重新生成便通过了验证。.

精确的请求、完整的输入、设置及目标检查

状态 第一次尝试时输出有效；保留了第一个有效输出。.

路线： 任何兼容 OpenAI 的设备 /images/generations 与 gpt-image-2.5.

精确提示词

为一款虚构的哑光黑色便携式台灯制作一张3:2比例的横向摄影棚产品广告，背景为纯净的白色和浅灰色布景。画面中仅展示一盏台灯，略向右倾斜，散发出柔和温暖的光晕，并留有充裕的留白空间。文字仅包含一行："为创意腾出空间"。 将该文字采用清晰的大写无衬线字体，居中置于画面上三分之一处。画面中不得出现其他文字、标志、水印、人物及任何其他产品。.

完整输入： 仅文本。未提供图片。.

实际请求设置

尺寸

1536×1024

质量

高

输出格式

webp

背景

不透明的

n

1

客观检查

exact_text2/2

“为创意腾出空间”这一短语出现一次，内容完整且拼写正确；未显示其他文本。.

必填对象2/2

现场正好有一盏通体哑光黑色的台灯。.

构成2/2

灯朝右侧，可见一池暖光，留白得以保留，文字位于画面上三分之一处。.

禁止事项2/2

图片中不得出现任何徽标、水印、人物或额外产品。.

first_output_usability2/2

第一个有效的输出结果无需再生或重大重建即可使用。.

完整输出

完整的 1536×1024 像素、首次有效的输出内容显示在此证据面板正下方。尽管请求中指定了 WebP 格式，但返回的响应却是 PNG 格式。.

G02：计数对象布局

该请求明确指出了三个物体：一个蓝色玻璃球、一把黄色折扇和一个钢制立方体，顺序从左到右。第一个有效的输出结果保留了数量、顺序和可识别的材料。.

于2026年9月9日通过Anywhere的统一gpt-image-2.5路线进行测试。.

现状

有效的第一个输出

任务得分

10/10

已用时间

33,577 毫秒

计算出的成本

$0.005505

能力分析第一个输出结果遵循了“三个物体计数”的规则，顺序为左、中、右，并按要求指定了颜色，同时提供了明显的材质线索。.

限制该观察涉及一幅受控的静物画，而非任意的物体计数复杂性或重复制作可靠性。.

实际结论在该案例中，明确的数量、顺序、材料和排除项使结果能够立即投入使用。.

精确的请求、完整的输入、设置及目标检查

状态 第一次尝试时输出有效；保留了第一个有效输出。.

路线： 任何兼容 OpenAI 的设备 /images/generations 与 gpt-image-2.5.

精确提示词

在炭灰色和米白色的工作室布景上，创作一幅3:2横向的编辑类静物摄影作品。画面中需精确呈现三个物体：左侧一个钴蓝色玻璃球，中央一个折叠好的黄色纸扇，右侧一个拉丝钢立方体。 确保这三件物品均完全可见、间距均匀，并由左上方的单一柔光照明。不得出现文字、徽标、水印、人物、多余物品及装饰性符号。.

完整输入： 仅文本。未提供图片。.

实际请求设置

尺寸

1536×1024

质量

高

输出格式

webp

背景

不透明的

n

1

客观检查

object_count2/2

现场正好有一颗蓝色玻璃球、一把黄色折扇和一个钢制立方体。.

订单与可见性2/2

这些对象在要求的左、中、右顺序下完全可见。.

材料与颜色2/2

玻璃、纸张和拉丝金属等材料以及要求的颜色都很明确。.

照明与间距2/2

该场景采用了左上角的连贯光照和均匀的间距。.

禁令与文物2/2

图片中未显示任何文字、徽标、水印、人物、多余物体或明显瑕疵。.

完整输出

完整的 1536×1024 像素、首次有效的输出内容显示在此证据面板正下方。尽管请求中指定了 WebP 格式，但返回的响应却是 PNG 格式。.

E01：更改一种颜色

此次修改将哑光黑灯罩改为钴蓝色，同时保持了产品的可识别性。由于将方形源图像转换为3:2比例的输出图像时，在目标属性范围之外产生了轻微的构图调整和图像重建，因此扣掉了一分。.

于2026年9月9日通过Anywhere的统一gpt-image-2.5路线进行测试。.

现状

有效的第一个输出

任务得分

9/10

已用时间

41,387 毫秒

计算出的成本

$0.016320

能力分析所要求的灯罩颜色变更已成功完成，同时灯具的主要风格、结构和照明效果仍保持了一致性。.

限制从正方形到3:2比例的转换导致了轻微的画面重新构图和重建，因此非目标区域的保留并非像素级精确。.

实际结论当需要严格保留原始比例时，请确保源素材和输出素材的宽高比保持一致，然后检查每个非目标区域。.

精确的请求、完整的输入、设置及目标检查

状态 第一次尝试时输出有效；保留了第一个有效输出。.

路线： 任何兼容 OpenAI 的设备 /images/edits 与 gpt-image-2.5.

精确提示词

仅将灯罩的颜色从哑光黑修改为钴蓝色。灯具的具体形状、位置、比例、底座、灯臂、开关、阴影、暖光、背景、拍摄角度、裁剪范围以及所有其他可见细节均需保持不变。请勿添加任何文字、徽标、水印、人物或额外物体。.

完整的图像输入：

• 输入 1： 00-control/fixtures/edit-source-lamp.png (1,328,812 字节；SHA-256 a93d7c90aa57c7949939f011918fcfe531f34fa039859d043556c0cd26dcea2b)

实际请求设置

尺寸

1536×1024

质量

高

输出格式

webp

背景

不透明的

n

1

客观检查

请求的更改2/2

颜色从哑光黑变为钴蓝。.

geometry_position_scale_crop1/2

这款灯具的外观依然清晰可辨，但为了适应3:2的输出比例，其方形光源经过重新构图并稍作调整。.

非靶标保留2/2

底座、灯臂、开关、灯泡以及黑色的非目标区域在材质上保持一致。.

边缘照明_材质2/2

光照、阴影、边缘和材质渲染仍然保持一致。.

first_output_usability2/2

第一个有效的输出无需再生或重大维修即可使用。.

完整输出

完整的 1536×1024 像素、首次有效的输出内容显示在此证据面板正下方。尽管请求中指定了 WebP 格式，但返回的响应却是 PNG 格式。.

E02：替换背景

此次编辑将背景改为柔和的薄荷绿，并保持了台灯材质的一致性。与E01一样，要求的修改已通过，而宽高比转换导致了轻微的构图调整和重建。.

于2026年9月9日通过Anywhere的统一gpt-image-2.5路线进行测试。.

现状

有效的第一个输出

任务得分

9/10

已用时间

50,151 毫秒

计算出的成本

$0.007208

能力分析该方案在保留台灯的主要黑色材质和醒目的几何造型的同时，替换了摄影棚的背景。.

限制与E01一样，新采用的3:2画幅除了满足要求的背景变更外，还对画面进行了微调和重组。.

实际结论在第一个输出中，背景替换功能可以正常使用，但长宽比的变化应作为一项单独的风险进行审查。.

精确的请求、完整的输入、设置及目标检查

状态 第一次尝试时输出有效；保留了第一个有效输出。.

路线： 任何兼容 OpenAI 的设备 /images/edits 与 gpt-image-2.5.

精确提示词

仅将摄影棚背景从浅灰色更改为平滑柔和的薄荷绿。保留哑光黑色台灯的每一个细节，包括其颜色、形状、位置、比例、底座、灯臂、开关、发光的灯泡、暖光、阴影、拍摄角度和构图。不得添加任何文字、徽标、水印、人物或额外物体。.

完整的图像输入：

• 输入 1： 00-control/fixtures/edit-source-lamp.png (1,328,812 字节；SHA-256 a93d7c90aa57c7949939f011918fcfe531f34fa039859d043556c0cd26dcea2b)

实际请求设置

尺寸

1536×1024

质量

高

输出格式

webp

背景

不透明的

n

1

客观检查

请求的更改2/2

摄影棚的背景变为柔和的薄荷绿。.

geometry_position_scale_crop1/2

这款灯具的外观依然清晰可辨，但为了适应3:2的输出比例，其方形光源经过重新构图并稍作调整。.

非靶标保留2/2

这款台灯仍为哑光黑色，并保留了底座、灯臂、灯罩、开关和灯泡等主要部件的细节。.

边缘照明_材质2/2

在编辑背景后，光照、阴影、边缘和材质仍保持一致。.

first_output_usability2/2

第一个有效的输出无需再生或重大维修即可使用。.

完整输出

完整的 1536×1024 像素、首次有效的输出内容显示在此证据面板正下方。尽管请求中指定了 WebP 格式，但返回的响应却是 PNG 格式。.

M01：合并三个参考文献

生成的结果保留了绿色台灯、珊瑚色笔记本和蓝色马克杯，并按照要求的“左-中-右”顺序进行了排列。这表明该模型在一种固定的三参考点构图下表现良好，但并不能保证在记录的最多16个输入情况下均能成功。.

于2026年9月9日通过Anywhere的统一gpt-image-2.5路线进行测试。.

现状

有效的第一个输出

任务得分

10/10

已用时间

105,469 毫秒

计算出的成本

$0.017925

能力分析该路线在同一场景中保留了三个截然不同的参照身份、材料、数量及其所需的空间关系。.

限制这是一个三参考点组合；它并未证明在记录的16个输入的最大情况下能保持等效性。.

实际结论按声明的顺序提供参考资料，为每个放置位置命名，并将“身份”和“计数”与“视觉效果”分开评分。.

精确的请求、完整的输入、设置及目标检查

状态 第一次尝试时输出有效；保留了第一个有效输出。.

路线： 任何兼容 OpenAI 的设备 /images/edits 与 gpt-image-2.5.

精确提示词

按照提供的顺序使用三张参考图片，创作一幅3:2比例的横向桌面场景。保留每个参考物体的独特形状和材质。将台灯放置在左侧，合上的笔记本放置在中央，马克杯放置在右侧。 台灯应投射出一片温暖的光晕，覆盖笔记本但不应将其遮挡。背景应为干净的中性摄影棚背景。画面中不得出现文字、徽标、水印、人物、重复物体及任何额外产品。.

完整的图像输入：

• 输入 1： 00-control/fixtures/ref-lamp.png (1,334,151 字节；SHA-256 40c72915de60ba32e70de009b12619f3ffa8643460fd8e8326ffe3d94d215987)
• 输入 2： 00-control/fixtures/ref-notebook.png (2,067,635 字节；SHA-256 e96298c43d0b04ec4f50aa66d9a4005f3236fa51d945394d257303dd9e790179)
• 输入 3： 00-control/fixtures/ref-mug.png (1,444,324 字节；SHA-256 1d4cec622254b8533c5122fc5c0b2432b38e39fb3c16412dab02b744de5e538f)

实际请求设置

尺寸

1536×1024

质量

高

输出格式

webp

背景

不透明的

n

1

客观检查

对象的存在与数量2/2

现场有一盏灯、一本合上的笔记本和一个马克杯。.

引用标识符2/2

那盏绿底黄铜灯、珊瑚色笔记本和蓝色条纹马克杯，都保留着各自独特的风格和材质。.

空间关系2/2

按照要求，台灯放在左边，笔记本放在中间，马克杯放在右边。.

场景连贯性2/2

比例、透视、光线、阴影以及那片温暖的光斑都协调统一。.

禁令与文物2/2

图片中不得出现任何文字、徽标、水印、人物、重复产品、替代品或材料瑕疵。.

完整输出

完整的 1536×1024 像素、首次有效的输出内容显示在此证据面板正下方。尽管请求中指定了 WebP 格式，但返回的响应却是 PNG 格式。.

在五个有效的首次输出结果中，声明的检查项均以优异成绩通过：三个得分为10/10，两个得分为9/10。有用的边界同样重要。这是来自一条兼容性路径的任务级证据，没有重复批次，也没有披露的官方变体。 为了在您自己的工作中获得更好的结果，请使用固定的任务说明、明确的约束条件、一致的参考资料以及评审关卡；这 提高AI图像生成准确性的指南 扩展了该工作流程。.

测试路线还显示了一个值得单独记录的格式不匹配问题：成功的正式请求要求提供 WebP 格式，但返回的是 PNG 格式，不过保留了请求的 1536×1024 尺寸。 一次就绪请求请求了 1024×1024 的 WebP 格式，却返回了 1254×1254 的 PNG 格式。这些是关于 Anywhere 在测试当日统一路由的观察结果，并非归因于 OpenAI 原生 API 的行为。.

应该如何选择 GPT Image 2.5 的路线？

首先确定您所需的工作流，然后通过固定任务对其进行验证。OpenAI的模型描述提供了一个合理的初始候选方案，但这并不能替代使用您自己的提示词、参考图像、验收规则和延迟预算进行的测试。.

在提交生产工作流之前，请运行一个具有代表性的生成和编辑任务。应比较可接受输出率、数据保留率、延迟分布以及返回的使用情况，而不是仅根据单个看似理想的样本做出选择。如果您的团队通过将不同任务分发给不同工具能获得收益，, 对比最佳的AI图像生成器 并将选择决策保留在任务层面。.

常见的实现错误

1. 发送的是一个家族标签，而不是确切的官方型号标识。. 使用 gpt-image-2.5-flare 或 gpt-image-2.5-sunburst 基于原生 API，除非您的提供商在文档中明确说明了其他途径。.
2. 像直接调用 Image API 一样解析每个响应。. Responses API 返回工具调用的输出项，因此其提取逻辑与 images.generate 或 images.edit.
3. 将 base64 数据视为托管图片的 URL。. 对字节进行解码，验证文件，然后将其存储在您自己的经批准的媒体系统中。.
4. 使用了无效的自定义尺寸。. 提交请求前，请检查是否为16的倍数、面积、长宽比以及最大边长。.
5. 合并了不兼容的输出选项。. 透明度需要 PNG 或 WebP 格式；压缩控制适用于 JPEG 和 WebP。.
6. 不断重生，直到结果看起来不错，然后将其设为第一个输出。. 若想进行客观的模型评估，请保留第一个有效的输出结果，并单独报告重试情况。.
7. 将暂停或带宽响应误判为图像质量差。. 无有效映像即无质量评分；请在“可用性”或“传输”下记录该事件。.

GPT Image 2.5 API 常见问题解答

GPT Image 2.5 有 API 吗？

是的。OpenAI 文档介绍了直接生成图像、直接编辑图像以及通过 Responses API 工具生成图像的方法。.

GPT Image 2.5 模型的具体 ID 是什么？

要移动的别名是 gpt-image-2.5-flare 和 gpt-image-2.5-sunburst. 2026年9月8日的快照新增了 -2026-09-08 到每个别名。.

GPT Image 2.5 API 每张图片的费用是多少？

目前没有经确认的每张图片固定价格。费用取决于返回的文本输入、缓存文本、图像输入、缓存图像和图像输出的令牌数量。请根据实际使用情况，参考官方的每百万令牌费率进行计算。.

GPT Image 2.5 能编辑多张图片吗？

是的。编辑 API 文档中支持最多 16 张输入图像。这是支持的最大数量，并不保证每个由 16 张图像组成的合成图像都能保留所有细节。.

GPT Image 2.5 能否生成透明的 PNG 或 WebP 格式图片？

是的。将背景设置为透明，并使用 PNG 或 WebP 格式导出。在生产资产管道中使用该文件之前，请先验证解码后的文件是否包含 alpha 通道。.

GPT Image 2.5 API 的调用限制有哪些？

当前表格不支持免费访问。第1级起始阈值为100,000 TPM和5 IPM；第5级上限为8,000,000 TPM和250 IPM，第2至第4级的限制如上所示。发布前请查看当前模型页面。.

结论

根据官方工作流定位使用 Flare 或 Sunburst，然后通过您自己的已冻结任务验证该选择。当可重复性至关重要时，请固定一个带日期的快照；解码并检查返回的文件；并根据实际代币使用量计算成本，而非基于每张图像的估算值。 我们的“Anywhere”批处理生成了五个任务边界明确的优质初始输出，但并未揭示官方变体，也未通过透明度或质量等级测试，更未建立广泛的可靠性。.