GPT Image 2.5 Sunburst vs Flare: cuál elegir y cuánto difieren

Empieza por gpt-image-2.5-flare si generas desde cero, necesitas muchas variantes o iteras deprisa. Pasa a gpt-image-2.5-sunburst cuando editas una imagen en la que el producto, la persona o la maqueta no pueden cambiar y Flare no supera tu revisión. Con la misma quality y el mismo tamaño, un intento cuesta lo mismo con los dos modelos, así que la elección se decide por el tiempo de espera y por cuántas imágenes aprovechas, no por la tarifa. Lo que sí multiplica la factura es el nivel de calidad: a 1024x1024, pasar de high a max cuadruplica el coste estimado de salida.

La diferencia entre ambos existe, pero es más pequeña de lo que sugieren los nombres. En tres pruebas publicadas, Flare tardó entre un 22 % y un 44 % menos que Sunburst en todas las tareas salvo una; en las votaciones a ciegas de Arena, Sunburst le saca 22 puntos al generar desde texto y 44 al editar; en Artificial Analysis, con los dos en max, quedan prácticamente empatados. Todas las cifras de velocidad y calidad que siguen proceden de pruebas de terceros y de clasificaciones por votos, y cada una lleva al lado su fuente y sus condiciones, a 25 de septiembre de 2026.

Qué modelo usar según el encargo

OpenAI presenta Flare como su modelo más rápido para la generación de imágenes de alta calidad del día a día, y Sunburst como su modelo más capaz para generar y editar, pensado para los flujos en los que la precisión de la edición es lo que más importa (ficha de Flare, ficha de Sunburst). Por lo demás hacen lo mismo: aceptan texto e imágenes, generan y editan, ofrecen los niveles de quality low, medium, high, xhigh, max y auto, y se eligen con el campo model en la Image API o como modelo de la herramienta de generación de imágenes de la Responses API. gpt-image-2.5 sin sufijo no es un identificador válido: tienes que escribir uno de los dos.

La guía de prompting de OpenAI propone el mismo orden: en un flujo nuevo, Flare si la prioridad es la velocidad y Sunburst si es una calidad exigente; si empiezas por Sunburst, prueba después Flare con los mismos prompts y entradas, cámbiate si también cumple y reduce la espera, y quédate con Sunburst solo cuando su ventaja de calidad sea necesaria. La misma guía avisa de que una mejora de velocidad en un tipo de trabajo no garantiza la misma mejora en otro.

Dos matices de la propia OpenAI evitan malentendidos. El «50 % menos de latencia» del anuncio del 8 de septiembre compara Flare con GPT Image 2, no con Sunburst. Y la calidad de Flare aparece descrita de dos formas: la guía la considera «comparable a GPT Image 2» y el anuncio habla de imágenes de mayor calidad que GPT Image 2. En lo que sí coinciden ambos textos es en que Sunburst es el modelo de más calidad y el más lento.

Cuánto se diferencian en las pruebas publicadas

Tiempo de generación

Fuentes: Tosea (en coreano, publicada el 9 de septiembre de 2026, con 41 llamadas), FamilyPro (en chino) y Ofox (en japonés, ejecuciones del 13 de septiembre con el tiempo medido en el cliente, transferencia incluida).

En siete de las ocho mediciones, Flare necesitó entre el 56 % y el 78 % del tiempo de Sunburst. La excepción, el texto en inglés de Ofox, es una sola ejecución, y el propio autor advierte de que con una muestra por tarea no se puede fijar un orden de velocidad. Tosea es la única que promedia varias páginas, y en ella también la dispersión favorece a Flare: sus cinco páginas tardaron entre 17,7 y 22,3 s, las de Sunburst entre 27,1 y 28,9 s. Al subir a max la distancia crece. Como referencia, en esa misma prueba GPT Image 2 en medium tardó 37,3 s con el mismo consumo de tokens: Flare necesitó un 47 % menos, en línea con el 50 % que OpenAI anunció frente a GPT Image 2.

Cuenta, por tanto, con que Flare te devuelva la imagen bastante antes, pero no con un número fijo de segundos: cambian con la vía de acceso, el tamaño, el nivel de calidad y la carga del momento.

Votaciones a ciegas

En Arena, las dos entradas de GPT Image 2.5 siguen marcadas como preliminares y no indican con qué nivel de calidad se generaron. Aun así, el patrón es claro: al generar desde texto, Sunburst gana por poco; al editar, la distancia se duplica y los márgenes son más estrechos. Para hacerse una idea, en la escala tipo Elo que usan estas clasificaciones, 44 puntos equivalen a esperar que Sunburst gane unas 56 de cada 100 comparaciones directas contra Flare, y 22 puntos, unas 53 (probabilidad = 1 / (1 + 10^(−diferencia/400))). Es una ventaja real en edición, no una goleada. Flare, además, queda por encima de GPT Image 2 en las dos tablas.

Artificial Analysis compara ambos modelos en max y los sitúa en el rango de puestos 1–2: con 6 puntos de diferencia, es un empate a efectos prácticos al generar desde texto.

Cuánto cambia lo que no pediste editar

Tosea encadenó tres ediciones de «cambia solo una cosa» sobre la misma diapositiva, reutilizando cada vez la salida anterior, y midió qué parte de los píxeles había cambiado respecto al original por encima de un umbral perceptible:

Los tres modelos completaron las 9 ediciones y reprodujeron correctamente todos los títulos y cifras de las 15 diapositivas comparadas. En este tipo de trabajo, con texto y maquetación, Flare se desvió algo menos que Sunburst, lo contrario de lo que haría pensar la etiqueta de «precisión en la edición». Es un solo tipo de encargo, sin fotos de producto, retratos ni máscaras, así que no conviene generalizarlo.

En el cambio de fondo de Ofox, los dos modelos conservaron el contorno, el texto de la etiqueta y el encuadre del frasco, pero ambos alteraron ligeramente el tono y la textura del envase y la etiqueta, de modo que ninguno cumplió un criterio estricto de «cambiar solo el fondo». En una prueba personal publicada en vc.ru con una plataforma revendedora, la autora vio a Sunburst más cuidadoso con la luz, las sombras y las texturas en sus escenas difíciles, sin «un abismo» entre ambos, y notó que el nivel de detalle y la resolución cambiaban el resultado más que el paso de un modelo a otro.

Para fotos de producto y retratos no hay mediciones públicas de este tipo. Ahí, los votos de edición de Arena son el mejor indicio a favor de Sunburst, y lo que decide es tu propia revisión: antes de comparar, escribe qué puede cambiar y qué tiene que quedar idéntico.

Cuánto cuesta cada uno: lo mismo por intento

Las tarifas estándar de los dos modelos son idénticas, en USD por millón de tokens (precios de OpenAI): entrada de texto 5, texto en caché 1,25, entrada de imagen 8, imagen en caché 2 y salida de imagen 30. La calculadora de la guía de generación de imágenes ofrece una sola opción, «GPT Image 2.5 (Sunburst and Flare)», con estas estimaciones de salida:

La guía añade que tarifas iguales no significan necesariamente el mismo coste por imagen, porque el consumo de tokens puede variar con el modelo y el nivel de calidad. En la práctica, OpenAI publica una única estimación para los dos, y las dos mediciones independientes que lo comprobaron vieron el mismo consumo: Tosea obtuvo los mismos tokens de salida con Flare y con Sunburst en cada nivel de calidad, y Ofox pagó exactamente lo mismo por cada tarea con ambos modelos (0,013460, 0,013585 y 0,021742 USD). Revisa el campo usage de tus respuestas para confirmarlo en tu caso.

De ahí salen tres reglas prácticas:

• Cambiar de modelo no cambia el precio de un intento; cambiar de calidad, sí. Si Flare en high no te convence, repetir en Sunburst con high cuesta lo mismo por intento, mientras que subir Flare a max cuesta cuatro veces más. OpenAI recomienda usar xhigh o max solo cuando resuelvan un requisito que no se cumple, y avisa de que un nivel más alto no garantiza mejor resultado en todos los prompts.
• Lo que separa a los dos modelos en la factura es cuántos intentos necesitas. El coste por imagen aprobada es todo lo facturado (entradas, salidas, previsualizaciones parciales, reintentos y rondas de edición) dividido entre las imágenes que pasan tu revisión. Con cero imágenes aprobadas no sale un coste de cero, sino indefinido: esa configuración no sirve.
• Otras partidas suman igual en ambos. Las imágenes de referencia se cobran como entrada de imagen; cada imagen parcial que recibes en streaming añade 100 tokens de salida; y en la Responses API se suman los tokens del modelo principal. quality="auto" deja que el modelo elija el nivel según la imagen, así que dos peticiones iguales pueden costar distinto.

Un ejemplo hipotético a 1024x1024 en high, contando solo la salida: si Flare necesita de media tres intentos por imagen que aceptas y Sunburst dos, la imagen aprobada sale a 3 × 0,05268 = 0,15804 USD con Flare y a 2 × 0,05268 = 0,10536 USD con Sunburst. Si los dos aciertan a la primera, cuestan lo mismo y Flare te la entrega antes. Las proporciones de aciertos de este ejemplo son inventadas; las tuyas salen de la prueba de la sección siguiente.

Una advertencia más: en la pestaña Batch de precios solo aparece gpt-image-2, ninguno de los modelos 2.5. Si dependes del descuento por lotes, la comparativa con GPT Image 2 explica qué hacer. Para presupuestos mensuales y el coste por calidad en detalle, consulta el precio de GPT Image 2.5 Sunburst por imagen, llamada y mes.

Compruébalo con tus propias imágenes

Las pruebas publicadas cubren diapositivas, un frasco sencillo y unas pocas ediciones. Tu trabajo puede comportarse de otra forma, y la comparación que te interesa cabe en una tarde:

1. Elige entre 5 y 10 casos reales, sobre todo los que hoy te obligan a repetir.
2. Fija quality (nunca auto), tamaño, prompt e imágenes de referencia, y úsalos igual en los dos modelos.
3. Escribe los criterios de aceptación antes de ver ningún resultado: qué puede cambiar y qué no.
4. Lanza cada caso varias veces con cada modelo; una sola ejecución puede engañarte, como la inversión de Ofox con el texto en inglés.
5. Anota el tiempo hasta tener el archivo, el usage de cada respuesta, si la imagen pasa la revisión y cuántas rondas de edición necesitó.
6. Divide lo gastado entre las imágenes aprobadas. Si Flare aprueba casi tantas como Sunburst, quédate con Flare para ese tipo de encargo; si Sunburst aprueba claramente más, úsalo solo para ese tipo.

Este script en Python hace los pasos 4 y 5 para una edición. Lee la clave de OPENAI_API_KEY y, si la defines, la dirección del servicio de OPENAI_BASE_URL; guarda cada imagen y muestra el tiempo, los tokens y el coste a tarifa estándar:

import base64
import time

from openai import OpenAI

client = OpenAI()  # usa OPENAI_API_KEY y, si existe, OPENAI_BASE_URL

PROMPT = (
    "Cambia solo el fondo por una encimera de mármol con luz de mañana. "
    "No modifiques el frasco, el tapón, la etiqueta ni el ángulo de cámara."
)
MODELOS = ["gpt-image-2.5-flare", "gpt-image-2.5-sunburst"]
REPETICIONES = 3

for modelo in MODELOS:
    for n in range(1, REPETICIONES + 1):
        inicio = time.perf_counter()
        with open("producto.png", "rb") as origen:
            resultado = client.images.edit(
                model=modelo,
                image=origen,
                prompt=PROMPT,
                size="1024x1024",
                quality="high",
            )
        segundos = time.perf_counter() - inicio

        nombre = f"{modelo}-{n}.png"
        with open(nombre, "wb") as salida:
            salida.write(base64.b64decode(resultado.data[0].b64_json))

        uso = resultado.usage
        detalle = uso.input_tokens_details
        coste = (
            detalle.text_tokens * 5
            + detalle.image_tokens * 8
            + uso.output_tokens * 30
        ) / 1_000_000
        print(f"{nombre}: {segundos:.1f} s, salida {uso.output_tokens} tokens, {coste:.5f} USD")

Después abre las imágenes a tamaño real y revísalas con los criterios que escribiste. Para recortes con fondo transparente, la comprobación es otra; la tienes en Cómo hacer un PNG con fondo transparente y comprobar que lo es.

En ChatGPT no eliges entre los dos

ChatGPT Images 2.5 no tiene un selector de Flare o Sunburst, y OpenAI no publica cuál de los dos atiende cada petición. Algunas pruebas, como la de MindStudio, deducen por la velocidad que es Flare, pero es una inferencia, no un dato confirmado. Elegir el modelo es una decisión de la API o de la herramienta que la use; en ChatGPT Images 2.5: cómo usarlo y elegir Sunburst o Flare en la API tienes dónde se indica en cada caso.

Si accedes a través de laozhang.ai

La vía de acceso cambia el cálculo de coste, no la comparación de calidad. Según la documentación de laozhang.ai, con precios públicos a 24 de septiembre de 2026, hay dos opciones que dejan elegir modelo:

Aviso: laozhang.ai es un servicio propio. Sus precios son nuestra tarifa, no una comparación independiente.

El precio fijo por llamada de los modelos -vip solo sale más barato que la estimación oficial de salida a partir de high: a 1024x1024, medium cuesta 0,01317 USD por la vía oficial, por debajo de los 0,03 USD, mientras que high cuesta 0,05268 USD y max 0,21072 USD. Como los cinco niveles cuestan lo mismo por llamada, en esta opción el nivel de calidad deja de mover la factura y solo cuentan el tiempo y las imágenes aprobadas. Si tu edición necesita máscara, usa el reenvío oficial.

El grupo se configura en el token, no en el campo model, y la dirección base de los ejemplos es https://api.laozhang.ai/v1. Los dos modelos -vip estuvieron sin servicio del 16 al 22 de septiembre de 2026 por falta de capacidad y vuelven a estar disponibles; comprueba el estado en la consola antes de mover tráfico. Según la misma documentación, las cuentas nuevas requieren Gmail o una lista blanca de empresa, y el saldo de prueba sirve para probar la conexión y desarrollar, no para producción. Si trabajas en ComfyUI o n8n, las guías de GPT Image 2.5 en ComfyUI y GPT Image 2.5 en n8n explican cómo conectarlo.

Preguntas frecuentes

¿Flare es más barato que Sunburst?

No por intento. Con la misma quality y el mismo tamaño, OpenAI cobra las mismas tarifas y da la misma estimación para los dos, y las pruebas de Tosea y Ofox vieron el mismo consumo. Flare solo sale más barato por imagen aprobada si en tu trabajo acierta en tantos o más intentos que Sunburst; si necesita más repeticiones, sale más caro.

¿Flare es un 50 % más rápido que Sunburst?

No es eso lo que dice OpenAI. El 50 % menos de latencia del anuncio compara Flare con GPT Image 2. Frente a Sunburst, las pruebas publicadas muestran a Flare tardando entre un 22 % y un 44 % menos en casi todas las tareas, con una excepción en una ejecución suelta.

¿Cuál uso para una imagen con fondo transparente?

Los dos admiten background="transparent" con salida PNG o WebP; pídelo de forma explícita y comprueba que el archivo tiene canal alfa. Si el recorte debe respetar un producto o una persona, sigue la misma regla que en las ediciones: empieza por Flare y pasa a Sunburst si el borde o el sujeto no pasan tu revisión.

¿Cuándo conviene mirar fuera de GPT Image 2.5?

Cuando el encargo pide más resolución o más imágenes de referencia de las que admite GPT Image 2.5, cuyo lado máximo es de 3.840 píxeles. La comparativa Nano Banana Pro vs GPT Image 2.5: cuál elegir según la tarea te ayuda a decidir.