OpenAI wydało ChatGPT Images 2.5

OpenAI wydało 8 września ChatGPT Images 2.5. Wdrażanie obejmuje wszystkie plany ChatGPT, ChatGPT Work i Codex, w aplikacjach oraz w przeglądarce. W API dostępne są dwa modele: Sunburst, nastawiony na precyzyjne poprawki, i szybszy Flare. Mają lepiej zachowywać szczegóły obrazów referencyjnych oraz elementy, których użytkownik nie chce zmieniać przy kolejnych edycjach.

Modele przyjmują tekst i obrazy, a zwracają obrazy. API nalicza za milion tokenów 5 dolarów za tekst wejściowy, 8 za obrazy wejściowe i 30 za obrazy wyjściowe. Obsługuje rozdzielczości do 4K, z dłuższym bokiem nie większym niż 3840 pikseli; rozmiary powyżej 2560 × 1440 są eksperymentalne. Nadal obowiązuje filtrowanie poleceń i wyników. Karta systemowa Images 2.5 opisuje testy obu wariantów oraz zabezpieczenia odziedziczone po wersji 2.0.

Dwa modele i obsługa generowania w API

Dokumentacja Sunburst wskazuje go do zadań, w których ważna jest zgodność edycji z poleceniem. Flare ma skracać oczekiwanie przy codziennym generowaniu. Według producenta Flare oferuje wyższą jakość i opóźnienie mniejsze o 50% względem GPT Image 2. To deklaracja OpenAI, bez niezależnego pomiaru czasu dla przedstawionych niżej prób Arena.

W Image API można bezpośrednio wybrać model i zlecić generowanie lub edycję. Responses API udostępnia je jako narzędzie modelu prowadzącego rozmowę, który może przekształcić polecenie przed przekazaniem go generatorowi. Integracja pozwala kontynuować edycje z zachowaniem kontekstu wcześniejszych odpowiedzi. Wyniku takiego procesu nie należy przypisywać wyłącznie modelowi obrazowemu. Przewodnik API opisuje oba sposoby wywołania.

Sunburst i Flare dodają ustawienia jakości xhigh i max do dotychczasowych low, medium i high. Dostępne formaty to PNG, JPEG i WebP; przezroczystość wymaga PNG albo WebP. Przed użyciem modeli może być konieczna weryfikacja organizacji w API.

Arena: generowanie, edycja jednego obrazu i wielu referencji

Arena porównuje odpowiedzi modeli ukrytych pod anonimowymi oznaczeniami; uczestnik poznaje ich nazwy po oddaniu głosu. Metoda mierzy preferencje użytkowników, więc wynik punktowy nie jest procentem poprawnie wykonanych zadań.

Poniższe odczyty rankingu zestawiają nowe warianty z GPT Image 2 przy ustawieniu medium. Arena oznacza wyniki Images 2.5 jako wstępne. Przy ich nazwach nie podaje analogicznego ustawienia jakości, dlatego tabela nie jest porównaniem przy jednakowym budżecie obliczeń.

Próba Arena	Sunburst	Flare	GPT Image 2 (`medium`)
Generowanie obrazu z tekstu	1421 ±13	1399 ±13	1381 ±4
Edycja jednego obrazu	1520 ±9	1491 ±9	1461 ±3
Edycja z wieloma obrazami wejściowymi	1535 ±9	1501 ±8	1454 ±4

Wynik Arena Score i raportowana niepewność. Źródła: Text-to-Image, Single Image Edit, Multi Image Edit; odczyt 9 września 2026 roku. Każdy wiersz pochodzi z odrębnego rankingu, więc punktów nie należy porównywać między wierszami.

W generowaniu z tekstu Sunburst miał 3149 głosów, a Flare 2856, wobec 78 731 dla poprzednika. Arena przypisuje obu nowym modelom możliwe miejsca od pierwszego do drugiego. Sam porządek wierszy nie rozstrzyga więc jeszcze ich kolejności.

Źródłowy wykres Arena dla edycji jednego obrazu: Arena Score i przedziały ufności dla czołowych modeli. GPT Image 2 oceniano przy medium; Sunburst i Flare mają status wyników wstępnych. Źródło: Image Edit Arena, dane strony z 8 września 2026 roku.

W edycji jednego obrazu Sunburst zebrał 6704 głosy, Flare 5676, a GPT Image 2 ponad 235 tys. Nowe warianty prowadzą w tym odczycie, ale mają znacznie krótszą historię ocen.

Drugi wykres Image Edit Arena przedstawia średni odsetek wygranych przeciw poszczególnym przeciwnikom, po wyłączeniu remisów: 76,73% dla Sunburst, 72,20% dla Flare i 64,52% dla GPT Image 2 (medium). To inna miara niż Arena Score i nie oznacza odsetka bezbłędnych edycji. Dane strony z 8 września 2026 roku.

Szkic i komentarze ułatwiają wskazanie poprawki

Nowy interfejs dodaje szkicowanie, szablony i komentarze umieszczane przy wybranym fragmencie obrazu. Użytkownik może wskazać miejsce zmiany bez opisywania jego położenia w długim poleceniu. Są to funkcje aplikacji, których nie daje samo wybranie nazwy modelu w API.

Graham Barlow z TechRadar testował wydanie przez dobę. Zwraca uwagę na komentarze, szkice i możliwość wracania do wcześniejszych wersji po każdej edycji. To praktyczne ułatwienia przy poprawianiu projektu, ale jego próby nie są kontrolowanym porównaniem modeli. Ina Fried z Axios sprawdzała edycję własnego zdjęcia kota, projektu tatuażu i znaku graficznego.

Dokumentacja nadal ostrzega przed błędami w napisach, niedokładnym rozmieszczaniem elementów i utratą spójności powracających postaci lub oznaczeń marki. Maska edycji jest wskazówką dla modelu, a nie gwarancją zachowania każdego piksela poza zaznaczeniem. W pracy nad materiałem ze ściśle określonym tekstem lub identycznym logo potrzebna pozostaje kontrola tych elementów po każdej poprawce.

Testy bezpieczeństwa i porównanie z Images 2.0

Karta Images 2.0 opisywała już filtrowanie poleceń i obrazów, metadane o pochodzeniu zgodne z C2PA oraz niewidoczny znak wodny. Rozumowanie i korzystanie z wyszukiwania w odpowiednim trybie też nie pojawiają się dopiero w 2.5.

Nowa karta porównuje obie wersje na ustalonym zbiorze celowo trudnych poleceń. Odsetek niedozwolonych obrazów, które dotarły do użytkownika mimo zabezpieczeń, wyniósł 1,09% dla Sunburst, 1,41% dla Flare i 1,64% dla Images 2.0. Żadna różnica tej miary nie była istotna statystycznie przy progu p < 0,05. Nie jest to potwierdzona poprawa bezpieczeństwa ani pomiar częstości takich zdarzeń w zwykłym ruchu.

W testach wiedzy biologicznej i cybernetycznej model odpowiadał tekstem narysowanym na obrazie. Oceniano odpowiedź końcową, bez wykonywania działań przez agenta. Żaden wariant nie przekroczył firmowego progu High; OpenAI zachowuje jednak ostrożnościowe zabezpieczenia dla ryzyka biologicznego.

Images 2.5 stosuje C2PA i znak wodny SynthID od Google DeepMind w ChatGPT, Codex i API. Nowa karta nazywa mechanizm znakowania wprost. Warstwowa ocena wejścia i wygenerowanego obrazu pozostaje potrzebna także przy edycjach, w których szkodliwy sens może wynikać z połączenia polecenia z dostarczoną fotografią.

Równe stawki nie oznaczają równego rachunku

Sunburst i Flare mają identyczne stawki za token. Odczyt tekstu z pamięci podręcznej kosztuje 1,25 dolara za milion tokenów, a analogiczny odczyt obrazów 2 dolary. Rachunek za obraz zależy jednak od liczby zużytych tokenów i jakości. Przy Responses API dochodzi praca modelu prowadzącego rozmowę.

Przy porównywaniu kosztów warto zapisać model, rozmiar, jakość i zużycie zwrócone w polu usage, a następnie policzyć również ponowienia i czas kontroli. Wyższy wynik Sunburst w rankingu edycji nie rozstrzyga, czy oszczędzi więcej poprawek w konkretnym zestawie materiałów. Dla aplikacji wykonującej dużo edycji przydatny będzie test na tych samych obrazach wejściowych, z osobnym liczeniem błędów w obszarach, które miały pozostać bez zmian.

Źródła

Źródła pierwotne

Niezależne analizy i relacje

Wykorzystuję treści generowane przez AI jako część mojego codziennego procesu nauki.