GPT Image 2.5 怎么选？Flare 和 Sunburst 有什么区别

大家好，最近 OpenAI 发布了 GPT Image 2.5，开发者可以在 API 中看到两个新模型，GPT-Image-2.5 Flare 和 GPT-Image-2.5 Sunburst。它们都支持图像生成与编辑，官方定位却不一样。本文按 OpenAI 在 2026 年 9 月 8 日发布的公告、模型文档和价格页，整理一份只基于官方信息的选择方法。

先看官方结论

OpenAI 对 Flare 的描述是快速、高质量的日常图像生成。官方公告把它列为大多数应用的默认选择，适合创作者和社交内容、产品体验、视觉搜索、快速原型以及高频生成。公告还提到，Flare 相比 GPT-Image-2 可以生成更高质量的图片，延迟降低 50%。

Sunburst 的官方定位是更强的图像生成与编辑模型，适合编辑精度要求更高的工作流。官方公告举出的方向包括生产级广告创意和精修产品图。它提供更细的编辑控制，生成时间也会更长。

把两者放在一起看，Flare 负责更快地完成大多数日常任务，Sunburst 负责需要更严谨编辑和更高成片要求的任务。

两个模型的官方能力

两个模型都能接收文字和图片作为输入，也都支持多档质量设置。质量档位越高，通常越适合对细节有要求的任务，同时需要结合实际 token 用量评估成本。

Flare 和 Sunburst 的真正区别

速度优先时选 Flare

Flare 的重点是把质量、编辑能力和速度放在一个适合日常使用的位置。官方把它定义为默认选择，说明它适合需要快速出图、反复试稿和批量生成的场景。

公众号封面、社交媒体配图、产品页面草图、视觉搜索配图和快速原型，都可以先从 Flare 开始。任务的关键是尽快得到一张质量足够高、可以继续修改的图片时，Flare 的定位更匹配。

精细编辑优先时选 Sunburst

Sunburst 适合需要更严谨控制的视觉工作流。官方文档把它描述为在编辑精度最重要的场景中使用，公告则把生产级广告创意和精修产品图列为典型方向。

如果任务要求只修改一个局部，同时尽量保持主体、构图、品牌处理和其他细节稳定，Sunburst 更值得优先评估。它的生成时间更长，排期时要为等待留出空间。

两者的价格如何理解

截至 2026 年 9 月 10 日，OpenAI 的两个模型页面显示了相同的 token 价格。文本输入为每百万 token 5 美元，缓存文本输入为每百万 token 1.25 美元，图像输入为每百万 token 8 美元，缓存图像输入为每百万 token 2 美元，图像输出为每百万 token 30 美元。由于模型输出是图像，文本输出不单独计费。

官方页面同时说明，这两个模型的 token 费率与 GPT Image 2 相同，但 GPT Image 2 的计算器不能估算 GPT Image 2.5 的 token 消耗。因此，不能只拿一张固定尺寸图片去推算最终费用，实际费用还要以请求中的 token 用量为准。

一次请求的费用怎么计算

Image API 的响应会在 usage 中给出 token 用量。input_tokens_details.text_tokens 是文字输入，input_tokens_details.image_tokens 是图片输入，output_tokens 是生成图片使用的输出 token。没有上传参考图时，图片输入 token 通常为 0。

未使用缓存时，单次请求可以按下面的公式估算。

请求费用（美元）
= text_tokens ÷ 1,000,000 × 5
+ image_tokens ÷ 1,000,000 × 8
+ output_tokens ÷ 1,000,000 × 30

如果请求命中了输入缓存，需要把缓存部分单独计算。缓存文本输入使用每百万 token 1.25 美元，缓存图像输入使用每百万 token 2 美元，未缓存部分仍按正常输入价格计算。图像输出继续按每百万 token 30 美元计算。

OpenAI API Reference 提供的响应示例中，文字输入为 10 token，图片输入为 40 token，图像输出为 50 token。把这组文档示例代入公式，结果如下。

10 ÷ 1,000,000 × 5
+ 40 ÷ 1,000,000 × 8
+ 50 ÷ 1,000,000 × 30
= 0.00187 美元

这里的 10、40 和 50 只是官方接口文档中的结构示例，不能代表某个尺寸或质量档位的典型消耗。计算真实图片费用时，要读取那一次请求返回的 usage。

下面这段 JavaScript 可以直接计算未使用缓存的请求费用。

function imageRequestCost(usage) {
  const textTokens = usage.input_tokens_details?.text_tokens ?? 0;
  const imageTokens = usage.input_tokens_details?.image_tokens ?? 0;
  const outputTokens = usage.output_tokens ?? 0;

  return (
    (textTokens / 1_000_000) * 5 +
    (imageTokens / 1_000_000) * 8 +
    (outputTokens / 1_000_000) * 30
  );
}

这六张对比图没有附带 API 返回的 usage，所以本文不为它们估算单张费用。保存完整响应，才能把图片质量、生成耗时与实际成本放在一起比较。

按任务选择模型

可以把选择过程压缩成下面四种情况。

如果你还没有明确的质量要求，可以先使用 Flare。它是官方给出的默认选择，适合作为大多数应用的起点。任务进入精修阶段，或者局部编辑比生成速度更重要时，再切换到 Sunburst。

一套可复现的官方 API 测试方法

官方两个模型页面都支持 low、medium、high、xhigh、max 和 auto 质量设置。比较模型时，建议把变量控制住，避免把提示词、尺寸或质量档位的差异误认为模型差异。

可以准备三组固定任务。

横向科技博客封面，桌面显示器和抽象光线，留出干净的标题区域，不要生成文字。

白色桌面上的无线耳机产品图，三分之二侧面视角，柔和自然光，材质细节清晰。

保留主体和构图，只把背景改成浅灰色，并让产品边缘保持清晰。

测试时保持以下条件一致。

• 相同提示词
• 相同输入图片
• 相同输出尺寸
• 相同质量设置
• 相同 API 调用方式
• 相同时间段

记录结果时，重点看四件事。

这套方法只能帮助你比较自己的工作流，不能替代 OpenAI 官方公布的模型定位。尤其是广告和产品图片，还需要人工检查商标、文字、人物肖像和产品细节。

三组样图放在一起看

下面六张图片来自本次提供的生成结果，文件名标注了 Flare 或 Sunburst。文章没有拿到完整请求参数、质量档位、生成耗时和 usage，因此这里只记录画面中能直接观察到的差异，不把单张结果扩展成模型能力排名。

横向科技博客封面

提示词如下。

横向科技博客封面，桌面显示器和抽象光线，留出干净的标题区域，不要生成文字。

Flare	Sunburst
原图 1672 × 941	原图 1672 × 941

两张图都使用了横向构图，把显示器和桌面放在画面右侧，并在左侧留出标题区域。Flare 的左侧留白更亮、更开阔，适合叠加深色标题。Sunburst 的左侧背景更深，光线轨迹更集中，叠加浅色标题会更直接。两张图都没有生成标题文字，完成了提示词里最明确的限制。

白色耳机产品图

提示词如下。

白色桌面上的无线耳机产品图，三分之二侧面视角，柔和自然光，材质细节清晰。

Flare	Sunburst
原图 1370 × 1148	原图 1370 × 1148

两张图都给出了白色桌面、打开的充电盒和柔和自然光。Flare 生成了带耳柄的耳机，画面更接近日常生活方式摄影。Sunburst 生成了圆形耳机，主体在画面中央更集中。两张图的背景物品都出现了英文文字和类似品牌标记，正式使用前需要逐一检查，不能把模型生成的文字和商标直接用于商业素材。

保留主体并更换背景

编辑要求如下。

保留主体和构图，只把背景改成浅灰色，并让产品边缘保持清晰。

Flare	Sunburst
原图 1312 × 1199	原图 1145 × 1374

这组结果无法直接比较局部编辑能力。Flare 图中是筋膜枪，Sunburst 图中是护肤品，主体和画幅都不同，文章也没有拿到两次编辑使用的原始输入图。缺少共同原图时，无法判断哪个模型更好地保留了主体和构图。

这组图片反而说明，编辑测试必须同时保存原图、完整提示词、模型 ID、尺寸、质量档位和请求返回的 usage。少了其中任何一项，成片可以展示，结论却很难复核。

API 接入时要注意什么

Flare 和 Sunburst 都可以使用不带日期的模型 ID，也可以在请求中固定官方提供的日期快照。需要长期保持输出行为稳定时，固定快照更容易做版本管理。当前官方页面列出的快照日期是 2026 年 9 月 8 日。

两个模型都支持 Image API 和 Responses API 的图像生成工具。官方模型页面显示，它们支持图像输入和输出，不支持音频与视频，也不支持流式输出、函数调用和结构化输出。

调用前应明确记录模型 ID、质量档位、尺寸、输入图片、请求时间和 token 用量。这样后续出现质量变化或费用变化时，才能找到对应请求。API 密钥也应放在服务端或安全的密钥管理系统中，不要写进前端代码和公开仓库。

ChatGPT Images 2.5 带来了什么

OpenAI 的公告还介绍了 ChatGPT Images 2.5 的产品能力。官方提到，模型在参考图保真度、精确编辑、多轮编辑一致性、复杂视觉指令和透明背景方面都有改进。

ChatGPT 端新增了 Sketch，可以直接画草图作为视觉参考。Templates 用于快速开始海报、商品图等常见格式。用户还可以在图片上直接添加评论，让后续编辑更集中。分享图片时，也可以把生成它的提示词一并分享出去。

这些功能属于 ChatGPT Images 2.5 的产品体验，Flare 和 Sunburst 则是面向开发者的 API 模型。二者有关联，但使用入口和适用场景不同。

最后怎么选

如果你要做日常配图、封面、社交内容、产品草图或批量生成，先选 Flare。它是 OpenAI 官方定义的默认模型，重点放在速度与高质量的平衡上。

如果你要做生产级广告创意、精修产品图或需要多轮局部编辑，优先评估 Sunburst。它的定位更偏精细控制，等待时间也更长。

两者当前官方页面显示相同的 token 单价，选择差异主要来自任务要求、生成时间和实际 token 用量。记住一句话就够了。日常生成先看 Flare，精细编辑再看 Sunburst。

资料来源

• OpenAI：Introducing ChatGPT Images 2.5
• GPT-Image-2.5 Flare Model
• GPT-Image-2.5 Sunburst Model
• OpenAI API Pricing
• Image generation guide
• OpenAI Image API Reference

模型定位、参数和价格均按 OpenAI 官方资料整理，画面对比来自本次提供的六张生成图片。后续如果官方文档更新了价格、快照或能力说明，文章中的对应数据也应随之复核。