GPT Image 2.5 Flare или Sunburst: скорость, правки и цена

Для черновиков, вариаций, соцсетей и потоковой генерации начинайте с gpt-image-2.5-flare: в сторонних замерах он отвечает примерно на 25–45 % быстрее, а одна попытка стоит столько же, сколько у Sunburst. На gpt-image-2.5-sunburst переходите, когда правка не должна ломать товар, лицо или макет, а Flare на ваших изображениях эту проверку не проходит. В слепых голосованиях Arena за редактирование Sunburst впереди заметнее, чем за генерацию с нуля, но на отдельных задачах, например на слайдах, Flare менял лишнее даже чуть меньше.

Разница между моделями меньше, чем кажется по названиям. Цену сильнее всего двигает уровень quality (переход с high на max увеличивает оценку вывода в четыре раза), а также повторы и лишние раунды правок. Все цифры ниже приведены по состоянию на 25 сентября 2026 года; замеры скорости и качества сделаны сторонними командами, их условия указаны рядом с каждым числом.

Сравнение в одной таблице

Обе модели принимают текст и изображения, умеют генерировать и редактировать, поддерживают уровни low, medium, high, xhigh, max и auto. Их можно указать в Image API или как модель инструмента генерации изображений в Responses API. Просто gpt-image-2.5 без суффикса моделью не является — в запросе нужен полный ID.

Что говорит сама OpenAI

В руководстве по промптам Flare назван малой моделью, оптимизированной под скорость, с качеством изображения «comparable to GPT Image 2», то есть на уровне GPT Image 2. Sunburst — базовая модель, оптимизированная под качество, «higher image quality than GPT Image 2». У обеих улучшены точные правки и сохранение объекта.

В анонсе от 8 сентября 2026 года про Flare сказано иначе: он даёт те же улучшения качества, правок и скорости, а в API-части анонса Flare описан как модель с более высоким качеством, чем у GPT‑Image‑2, при задержке на 50 % ниже. Это расхождение — в формулировках самой OpenAI, и разрешить его можно только проверкой на своих задачах. Важнее другое: 50 % — это сравнение с GPT Image 2, а не с Sunburst. Фраза «Flare в два раза быстрее Sunburst» из этих данных не следует. Про Sunburst анонс говорит, что он даёт дополнительную точность для детальной творческой работы ценой более долгой генерации.

Порядок выбора в руководстве такой:

• новый рабочий процесс: Flare, если важнее скорость, Sunburst, если важнее качество, и затем искать, где можно сэкономить время;
• рабочий процесс на GPT Image 2 уже отлажен: сначала пробовать Flare;
• GPT Image 2 не дотягивает: сначала Sunburst, затем Flare с теми же промптами и входными изображениями; переходить на Flare, если он тоже проходит требования и сокращает время, и оставаться на Sunburst, если его преимущество в качестве действительно нужно.

Там же есть две оговорки, которые экономят деньги. Одинаковое название уровня не означает одинакового качества или времени ответа у разных моделей: high на Flare и high на Sunburst — не одно и то же. И xhigh или max стоит включать только тогда, когда они закрывают конкретное невыполненное требование и укладываются в допустимое время: более высокий уровень не гарантирует лучший результат на каждом промпте. Если вы решаете, переходить ли с GPT Image 2 вообще, это разобрано отдельно: GPT Image 2.5 или GPT Image 2: стоит ли переходить и что с ценой.

Насколько Flare быстрее: сторонние замеры

Карточки моделей на сайте OpenAI дают только категории: у Flare скорость «Very fast», у Sunburst — «Medium». Числа есть у трёх сторонних команд, и все они измеряли разное.

Источники: Tosea (41 вызов официального API, 9 сентября 2026 года), FamilyPro, Ofox (13 сентября 2026 года, время на стороне клиента с учётом передачи).

Что из этого следует. В замерах Tosea и FamilyPro Flare быстрее на 29–44 % и на 33–42 % соответственно; у Tosea разброс по пяти слайдам — 17,7–22,3 с у Flare против 27,1–28,9 с у Sunburst. Для сравнения, GPT Image 2 на medium в той же задаче Tosea тратил 37,3 с. У Ofox каждая ячейка — единственный запуск, и в задаче с текстом Flare оказался медленнее. Одиночные замеры не дают устойчивого рейтинга, поэтому честная формулировка такая: на правках при одинаковых настройках Flare обычно быстрее примерно на четверть — две пятых, но точное соотношение зависит от задачи, размера и способа доступа. OpenAI отдельно предупреждает, что ускорение на одной нагрузке не переносится на другую.

Из тех же чисел видна практическая граница. Если Flare требует второй попытки, а Sunburst справляется с первой, то в условиях Tosea две попытки Flare (2 × 19,7 = 39,4 с) уже дольше одной попытки Sunburst (27,7 с). Скорость модели важна, пока доля принятых изображений у обеих одинакова.

Похожий вывод сделала автор личного теста на vc.ru, проверявшая пять сложных промптов на платформе-посреднике SYNTX.AI: Flare немного быстрее, Sunburst в её сложных сценах чаще аккуратнее со светом, тенями и фактурой, но «пропасти» между моделями нет, а уровень детализации и разрешение меняли результат сильнее, чем выбор модели. Это субъективная оценка одного человека на одной платформе, а не измерение.

Качество и правки: голосования и «дрейф»

Слепые голосования сравнивают, какой результат людям нравится больше, и не показывают ни скорость, ни цену.

На Arena (генерация, редактирование) по состоянию на 21 сентября 2026 года:

• генерация с нуля: Sunburst 1423 ±9 (8 791 голос), Flare 1401 ±9 (8 014 голосов), GPT Image 2 на medium — 1381 ±4;
• редактирование: Sunburst 1526 ±6 (29 252 голоса), Flare 1482 ±6 (27 048 голосов), GPT Image 2 на medium — 1461 ±3.

Оба результата пока помечены как предварительные, а уровень quality, на котором голосовали за модели 2.5, не указан. Разрыв при генерации с нуля — 22 пункта: с учётом ±9 это 1414–1432 у Sunburst и 1392–1410 у Flare, интервалы не перекрываются, но почти соприкасаются. Разрыв на правках — 44 пункта при ±6, то есть 1520–1532 против 1476–1488: здесь преимущество Sunburst и больше, и заметно увереннее.

В рейтинге Artificial Analysis обе модели сравнивались на max в генерации с нуля: Sunburst 1196 (13 511 сравнений), Flare 1190 (12 866), обе делят 1–2 место. Шесть пунктов — это ничья.

Другая картина получается, если измерять не вкус зрителей, а то, сколько меняется то, что менять не просили. Команда Tosea трижды подряд просила изменить в готовом слайде одну вещь — переписать подзаголовок, заменить число 98,4 % на 99,2 %, заменить фразу на другой стороне слайда — и каждый раз подавала на вход предыдущий результат. Доля заметно изменившихся пикселей относительно оригинала после первой, второй и третьей правки:

На этих слайдах все 9 правок удались у всех моделей, текст и числа на всех 15 слайдах матрицы были верными, а Flare «дрейфовал» чуть меньше Sunburst. Портреты, фото товаров, маски и прозрачный фон Tosea не проверял. Поэтому противоречия с Arena здесь нет: голосования показывают, что людям в среднем больше нравятся правки Sunburst, а замер Tosea — что на плотных деловых слайдах Flare сохраняет остальное не хуже. Для вашей задачи решает проверка на ваших изображениях.

Проверку правки удобно строить так же, как на схеме: заранее записать, что должно измениться (фон, свет), и что обязано остаться прежним (конструкция, пропорции, логотипы и надписи на товаре). Результат, в котором поменялось лишнее, не засчитывается, даже если он красивее. Учтите и особенность редактирования по маске: в GPT Image оно целиком опирается на промпт, маска направляет правку, но не фиксирует края. Жёсткой гарантии «за пределами маски ни одного изменённого пикселя» нет ни у одной из двух моделей.

Цена: одна попытка стоит одинаково

По прайсу OpenAI ставки Standard у обеих моделей 2.5 одинаковые, за 1 млн токенов: текст на входе $5,00 (из кеша $1,25), изображение на входе $8,00 (из кеша $2,00), изображение на выходе $30,00; текстовый вывод не тарифицируется. Официальный калькулятор предлагает один общий вариант «GPT Image 2.5 (Sunburst and Flare)». Tosea на всех уровнях quality получил одинаковое число выходных токенов у обеих моделей, а Ofox при запросах через свой шлюз — одинаковые счета: $0,013460, $0,013585 и $0,021742 за три задачи на каждой из моделей.

В руководстве OpenAI при этом сказано, что одинаковые ставки не означают одинаковой цены изображения, потому что расход токенов может различаться по модели и уровню качества. Поэтому точнее так: OpenAI публикует для обеих моделей одну оценку, а независимые замеры показали одинаковый расход. При одинаковых quality и size одна попытка Flare и одна попытка Sunburst обходятся одинаково. Итоговый счёт при этом может отличаться — через повторы, дополнительные раунды правок и входные изображения.

Лестница quality — главный рычаг цены

Оценка вывода по калькулятору OpenAI, одна цифра для обеих моделей (токены на выходе и стоимость по ставке $30 за 1 млн):

Это оценка, а не счёт: в неё не входят входной текст, референсы и промежуточные превью. При потоковой выдаче каждое промежуточное изображение добавляет 100 выходных токенов, а запросы через Responses API вдобавок расходуют токены основной модели. Для auto калькулятор цифры не даёт: расход зависит от получившегося изображения.

Разница между high и max при 1024x1024 — в четыре раза, тогда как переключение между Flare и Sunburst цену попытки не меняет. Batch с половинными ставками сейчас указан только для gpt-image-2; ни одна из моделей 2.5 в нём не значится. Отсюда и ошибочное «2.5 стоит вдвое дороже»: так получается, если сравнивать Standard моделей 2.5 с Batch у GPT Image 2. Подробные примеры бюджета по уровням собраны в статье GPT Image 2.5 Sunburst: цена API и бюджет генерации.

Стоимость одного принятого изображения

Сравнивать стоит не цену вызова, а стоимость пригодного результата:

стоимость принятого изображения = все оплаченные попытки (вход + выход + превью + повторы) ÷ число изображений, прошедших вашу приёмку.

Если принятых изображений ноль, стоимость не равна нулю — она не определена: модель эту задачу не решает при таких настройках.

Условный пример, без реальных данных: 10 попыток на 1024x1024 high стоят по выводу 10 × $0,05268 = $0,5268 на любой из двух моделей. Если Flare даст 6 принятых изображений, а Sunburst — 8, то принятое изображение обойдётся в $0,0878 у Flare и в $0,0659 у Sunburst. Если обе дадут по 8, Sunburst ничем не выигрывает, а Flare ещё и отдаёт результат быстрее. Время ручной доводки в эту формулу не входит — его стоит считать отдельно.

Как проверить выбор на своих изображениях

1. Возьмите 10–20 типичных задач из своей работы — не самые эффектные, а те, что повторяются каждый день. Для правок добавьте исходники с товаром, лицом или вёрсткой, которые нельзя испортить.
2. Для каждой задачи заранее запишите, что считается принятым: что должно измениться и что обязано остаться прежним.
3. Прогоните обе модели с одинаковыми промптами, входными изображениями, size и явно заданным quality — не auto, иначе сравниваете разные настройки.
4. Записывайте все попытки, а не только удачные: время ответа (типичное и самое медленное), ошибки, повторы, расход токенов из поля usage в ответе.
5. Посчитайте долю принятых изображений и стоимость одного принятого изображения по формуле выше.

Правило решения простое. Если Flare проходит приёмку не реже Sunburst, берите Flare: деньги те же, ожидание короче. Если Sunburst принимается заметно чаще и это сокращает повторы и ручную доводку, берите Sunburst для этого типа задач. Смешанная схема тоже нормальна: Flare для черновиков и вариаций, Sunburst для финальной правки. И только после этого пробуйте поднимать quality: переход на уровень выше стоит дороже, чем любая смена модели.

Минимальный скрипт для одной правки на обеих моделях на Python с официальным SDK:

import base64
import time

from openai import OpenAI

# Ключ берётся из OPENAI_API_KEY, адрес шлюза — из OPENAI_BASE_URL, если он задан
client = OpenAI()

PROMPT = (
    "Замени фон на светлую студию. "
    "Лампу, её пропорции и надписи на корпусе не меняй."
)
MODELS = ["gpt-image-2.5-flare", "gpt-image-2.5-sunburst"]
RUNS = 3

for model in MODELS:
    for run in range(1, RUNS + 1):
        start = time.perf_counter()
        with open("lamp.png", "rb") as source:
            result = client.images.edit(
                model=model,
                image=source,
                prompt=PROMPT,
                size="1024x1024",
                quality="high",
            )
        seconds = time.perf_counter() - start

        with open(f"{model}-{run}.png", "wb") as out:
            out.write(base64.b64decode(result.data[0].b64_json))

        print(model, run, f"{seconds:.1f} с", result.usage)

Файлы сохраняются с именем модели и номером запуска, чтобы потом оценивать их вслепую. Если нужен прозрачный фон, его надо запрашивать явно через background и проверять альфа-канал — это разобрано в статье Как сделать прозрачный фон PNG и проверить, что он настоящий. Для визуальных конвейеров есть отдельные инструкции: GPT Image 2.5 в ComfyUI: как подключить и сколько стоит запуск и GPT Image 2.5 в n8n: узел OpenAI, HTTP Request и агрегаторы.

Через что подключать: OpenAI API или laozhang.ai

Напрямую через OpenAI обе модели оплачиваются по токенам по ставкам выше. Если удобнее один шлюз с совместимым API, в документации laozhang.ai по состоянию на 24 сентября 2026 года описаны три варианта:

Примечание: laozhang.ai — наш собственный сервис; его цены — наши тарифы, а не независимое сравнение.

Базовый адрес — https://api.laozhang.ai/v1, эндпоинты /v1/images/generations и /v1/images/edits; группа задаётся в настройках токена, а не в названии модели. В скрипте выше достаточно указать этот адрес в OPENAI_BASE_URL и ключ laozhang.ai в OPENAI_API_KEY.

Выгодна ли фиксированная цена, зависит от уровня качества. При 1024x1024 официальная оценка вывода на medium — $0,01317, то есть дешевле $0,03 за вызов; на high — $0,05268, на xhigh — $0,09366, на max — $0,21072, и здесь VIP-вариант уже дешевле. Для правок по маске подходит только официальная переадресация. Обе VIP-модели были недоступны с 16 по 22 сентября 2026 года из-за нехватки мощностей у поставщика; 22 сентября доступ восстановили, но наличие лучше проверять в консоли. Для регистрации нового аккаунта нужен Gmail или корпоративный белый список, а тестовый баланс рассчитан на проверку подключения, а не на рабочую нагрузку.

Частые вопросы

Flare дешевле Sunburst? Нет. Ставки OpenAI одинаковые, калькулятор даёт одну оценку для обеих моделей, а независимые замеры показали одинаковый расход при одних и тех же quality и size. Дешевле может оказаться та модель, которой нужно меньше повторов на вашей задаче.

Во сколько раз Flare быстрее? Не в два раза. «На 50 % ниже задержка» в анонсе OpenAI относится к сравнению Flare с GPT Image 2. Сравнение с Sunburst есть только в сторонних замерах: на правках при одинаковых настройках Flare был быстрее примерно на 25–45 %, но в одиночных запусках бывало и наоборот.

Какую модель использует ChatGPT? OpenAI это не раскрывает, и переключателя Flare/Sunburst в ChatGPT нет. Встречающееся утверждение, что по умолчанию там работает Flare, — догадка по скорости и качеству, а не подтверждённый факт. Явно выбрать модель можно в API или в сторонних инструментах; подробнее — в статье ChatGPT Images 2.5: как пользоваться и где выбрать Sunburst или Flare.

Если качества GPT Image 2.5 не хватает, что пробовать дальше? Сначала Sunburst на high, затем xhigh, если он закрывает конкретный недостаток. Если вы сравниваете GPT Image 2.5 с моделью Google, разбор есть в статье Nano Banana Pro или GPT Image 2.5: какую модель запускать первой.