n8n 接入 GPT Image 2.5：原生节点够不够用

n8n 自带的 OpenAI 节点（Resource 选 Image）可以调用 GPT Image 2.5：在 Model 里从列表选，或切到 ID 手填 gpt-image-2.5-flare、gpt-image-2.5-sunburst。能不能只靠它，取决于两件事：你要的参数节点里有没有，你的接口返回的又是什么。

• 原生 Generate an Image 对 GPT Image 系列只给 High、Medium、Low 三档质量和 1024x1024、1024x1536、1536x1024 三种尺寸，没有透明背景和输出格式；Edit an Image 多了背景、格式和蒙版，但质量同样最高到 high。两个操作都不把响应里的 usage 交给下游。
• 需要 xhigh、max、2K/4K 或自定义尺寸，要生成透明背景图，要按请求记录用量，或者接口返回的是图片链接、任务编号，就改用 HTTP Request 发请求，再用 Convert to File 把结果变成文件。

这些结论依据截至 2026 年 9 月 25 日 n8n 在 GitHub 上 master 分支的公开源码（已安装的版本可能有差异），下面的配置没有在运行中的实例上逐项实测；打开自己节点的 Options 就能对照。

先认准模型 ID 和节点版本

GPT Image 2.5 在 API 里是两个模型，请求里要写完整 ID，没有单独的 gpt-image-2.5：

两款都走 /v1/images/generations（生成）和 /v1/images/edits（编辑），token 单价相同，但同一质量设置下消耗的 token 可能不同，单张成本要看响应里的 usage。两款怎么选，见 GPT Image 2.5 Flare 与 Sunburst 对比：速度、编辑精度与 API 成本。

节点能不能选到 2.5，看的是节点版本（typeVersion），不是 n8n 的应用版本号。同一个 n8n 里，旧工作流中的节点可能还停在旧版本：

• Generate an Image：typeVersion 2.2 起，Model 字段可以在 From list 和 ID 之间切换；更早的节点只有 DALL·E 2、DALL·E 3、GPT Image 1 三个固定选项。
• Edit an Image：typeVersion 2.3 起才有可切换的模型列表；更早的只有 DALL·E 2 和 GPT Image 1。

如果 Model 只有固定下拉项，说明节点太旧，从节点面板重新拖一个 OpenAI 节点进来即可。From list 里的模型来自凭据 Base URL 下的 /models 接口，只列出 ID 含 dall-e 或 gpt-image 的模型；列表里没有 2.5（比如网关的 /models 没返回它），切到 ID 手填就行。

请求返回 403、提示无权使用该模型时，OpenAI 可能要求先完成组织验证（API Organization Verification），并非每个组织都需要。凭据里的 Organization ID 要不要填，见 OpenAI API Key 和 Organization ID：2026 年到底需要什么。

原生节点与 HTTP Request 各能设置什么

下表左列是 OpenAI 文档里 GPT Image 2.5 支持的能力，右边三列是 n8n 里各自能不能设置到（原生节点按 Generate typeVersion ≥ 2.2、Edit typeVersion ≥ 2.3 计）：

按表做决定：

• 固定尺寸、质量不超过 high、要 PNG、不需要按请求算账：原生 Generate 就够。它把每张图直接放进 Binary 字段 data（Options 里的 Put Output in Field 可以改名），上传节点直接接上即可。
• 改图、换背景、多图合成，质量到 high 就够：原生 Edit。Options 里的 Input Fidelity 保持不设：OpenAI 只在旧模型下说明这个参数，GPT Image 2 明确不允许修改，2.5 的文档里没有它。
• 其余情况用 HTTP Request。按量付费、需要控制成本的流程尤其如此，因为原生节点连 usage 都拿不到。

在自己的节点上确认很简单：Generate 的 Options → Add Option → Quality，下拉里如果只有 High、Medium、Low，就是上表的情况。原来跑 GPT Image 2 的工作流只把模型 ID 换成 2.5 时，同名 quality 的输出 token 可能变化，差异见 GPT Image 2.5 与 GPT Image 2：换还是留。

先看你的接口返回什么

同样标着 GPT Image 2.5，不同接口给回的东西可能完全不同，这决定了 n8n 里要接哪些节点：

原生 OpenAI 节点只会把 b64_json 解码成文件。拿到 url 时它没有可解码的内容，拿到任务编号更无从处理，这两种都要走 HTTP Request。

异步任务型的例子是 HiAPI 的 n8n 工作流：它用自家的 https://api.hiapi.ai/v1/tasks/ 接口，提交后拿到任务编号，模板每 5 秒查询一次、最多 36 次，最后得到 resultUrl；把图片存下来要另外接节点。不确定自己的接口属于哪种时，用 HTTP Request 发一次最小请求，在输出面板里看 data 下面是 b64_json、url 还是只有任务信息。

用中转 API：只改 Base URL 够不够

n8n 的 OpenAI 凭据有四项：API Key、Organization ID (optional)、Base URL（默认 https://api.openai.com/v1）和 Add Custom Header。原生节点把请求发到「Base URL + /images/generations」，所以把 Base URL 改成网关地址，原生节点就会走网关。这样做要同时满足三个条件：

1. 网关提供同样路径的 /images/generations 和 /images/edits；
2. 模型 ID 与 OpenAI 一致，或者你在 ID 模式里手填网关要求的 ID；
3. 返回的是干净的 b64_json。

有一条不满足，就按网关文档在 HTTP Request 里发请求。网关的参数范围、计费和限速按它自己的规则，不能套用 OpenAI 的用量等级。

以 LaoZhang API 为例

LaoZhang API 的 Base URL 是 https://api.laozhang.ai/v1，GPT Image 2.5 分三条线路，截至 2026 年 9 月 24 日的公开价格如下：

说明：laozhang.ai 是我们自己的服务，其价格是平台报价，不是独立比较的结论。

分组在创建令牌时选，不写进 model。VIP 两款模型 2026 年 9 月 16 日曾停用，9 月 22 日起已恢复。它的文档写明 data[] 里可能是带前缀或缺 = 的 b64_json，也可能是会过期的 url，所以在 n8n 里更稳的做法是 HTTP Request 加下一节的清理步骤；原生节点只在返回干净 b64_json 时可用。按 token 和按次哪个划算，见 GPT Image 2.5 Sunburst 价格：官方单图费用与按次计费怎么选。

用 HTTP Request 生成并存成图片文件

整条链路是：触发 → HTTP Request 发请求 → 一路记录用量、一路取出 Base64 → Convert to File → 上传或保存。

1. HTTP Request 发请求。 Method 选 POST，URL 填 https://api.openai.com/v1/images/generations（网关则是它的 Base URL 加 /images/generations）。Authentication 可以选 Predefined Credential Type 并选用已建好的 OpenAI 凭据，也可以用 Generic 的 Header Auth，Name 填 Authorization，Value 填 Bearer 加你的 Key。打开 Send Body，Body Content Type 选 JSON，Specify Body 选 Using JSON，并把这个字段切到 Expression：

{
  "model": "gpt-image-2.5-flare",
  "prompt": {{ JSON.stringify($json.prompt) }},
  "size": "2048x1152",
  "quality": "high",
  "output_format": "png"
}

JSON.stringify 负责给上游传来的提示词加引号并转义换行，提示词里有双引号也不会把 JSON 弄坏。几个参数的取值依据：

• size 自定义时，宽高都要是 16 的倍数，宽高比在 1:3 到 3:1 之间，任一边不超过 3840 像素，总像素在 655,360 到 8,294,400 之间。2048x1152 是 16:9、约 236 万像素；超过 2560x1440 的分辨率 OpenAI 标为实验性。
• 要透明背景，加 "background": "transparent"，output_format 用 png 或 webp。
• 不在意透明度、想快一些，可以用 jpeg 并设 output_compression（0–100），OpenAI 说明 jpeg 比 png 快。
• 不要加 response_format。GPT Image 系列固定返回 Base64，n8n 原生节点对它也不发送这个参数；LaoZhang 的官转线路收到它可能直接报参数错误。

在 Options 里再加两项：Timeout 填 180000（毫秒）；批量跑时加 Batching，数值见下一节。OpenAI 说明复杂提示可能要 2 分钟才处理完，而 n8n 的 Timeout 只管「等到服务器开始返回」这一段，超过就中断，所以要留出余量。Response 下的 Include Response Headers and Status 先不开，开了以后所有字段会挪到 body. 下面，后面的路径都要跟着改。

2. 分两路。 把 HTTP Request 的输出同时连到两个节点。Convert to File 输出的条目 JSON 是空的，上游的 usage 过了这一步就没了，所以用量必须在转换之前记下来：一路接 Google Sheets、Data Table 之类的记录节点，写入 {{ $json.usage.input_tokens }}、{{ $json.usage.output_tokens }}、{{ $json.usage.total_tokens }}；另一路接 Edit Fields，新建字段 image_base64，值为 {{ $json.data[0].b64_json }}。

3. Convert to File。 Operation 选 Move Base64 String to File，Base64 Input Field 填 image_base64。这里填的是字段名，不是 Base64 内容本身，别把一长串编码粘进去。Put Output File in Field 保持 data，Options 里加 File Name（如 cafe-menu.png）和 MIME Type（image/png，与请求的 output_format 一致）。

4. 交付。 Google Drive、S3、Read/Write Files from Disk 等节点里，要上传的 Binary 字段填 data，和上一步的 Put Output File in Field 对上。

网关返回带前缀的 Base64 或链接时

用 Code 节点（Mode 选 Run Once for Each Item）代替第 2 步里的 Edit Fields，一次把前缀、空白和缺失的 = 处理掉，同时把链接和用量带出来：

const item = $json.data?.[0] ?? {};
let b64 = item.b64_json ?? '';
b64 = b64.replace(/^data:[^,]+,/, '').replace(/\s/g, '');
if (b64) b64 += '='.repeat((4 - (b64.length % 4)) % 4);

return {
  json: {
    image_base64: b64,
    image_url: item.url ?? null,
    usage: $json.usage ?? null,
  },
};

image_base64 有值就照常接 Convert to File。只拿到 image_url 时，接一个 HTTP Request，Method GET，URL 填 {{ $json.image_url }}，Options → Response → Response Format 选 File，Put Output in Field 填 data，下载到的就是 Binary 文件。链接会过期，下载要紧跟在生成之后，不要等人工审核完再取。

用 HTTP Request 编辑：多张参考图与蒙版

编辑请求发到 /v1/images/edits，Body Content Type 选 Form-Data。参考图和蒙版要先以 Binary 字段的形式出现在同一个条目里，比如 product、logo、mask 三个字段，然后按下表添加参数：

多张参考图就是重复添加名为 image[] 的参数。n8n 节点说明和 LaoZhang 文档都写最多 16 张，参考图按图片输入 token 计费，张数越多输入费用越高。蒙版的规则：

• 有多张图时，mask 只作用于第一张（上表里的 product）；
• mask 要和这张图格式相同、尺寸相同，并带 alpha 通道，完全透明的区域是要修改的部分；
• 蒙版只是引导，OpenAI 说明模型不一定严格沿着它的形状修改，上线前先用几次请求确认效果；
• 大小上限各处写法不一：OpenAI 指南写图片和蒙版小于 50 MB，n8n 节点说明和 LaoZhang 文档写蒙版 PNG 小于 4 MB。把蒙版控制在 4 MB 以内，两边都不会出问题。

响应和生成请求一样，后面照搬上一节的记录用量、Convert to File 和交付步骤。

批量生成：按用量等级设间隔和超时

OpenAI 对两款 2.5 模型按组织的用量等级限制每分钟图片数（IPM）。要让逐张请求不超限，请求间隔至少是：

最小间隔（毫秒）= 60,000 ÷ IPM

这个换算假设每次请求只出一张图，同一组织下没有别的流量在用额度；一次请求出多张图时每张是否都计入 IPM，官方文档没有写明。在 HTTP Request 的 Options → Batching 里，Items per Batch 填 1，Batch Interval 填不小于表中数值的毫秒数。例如 Tier 1 的账号跑 30 条提示词，至少需要 30 × 12 秒 = 6 分钟，再加上每张图本身的生成时间。等级会随累计消费提高，以控制台显示的当前等级为准；用网关时按网关自己的限速来设。

Timeout 与间隔无关，按单张最长耗时设：前面给的 180000 毫秒对应 OpenAI 说的最长约 2 分钟再留一分钟余量。质量调到 xhigh、max 或尺寸接近 4K 时耗时更长，发现频繁超时再往上调。

请求成功之后：核对用量、文件和交付

节点变绿只说明拿到了响应，还要确认两件事：转出来的文件能打开，目标位置真的收到了。

按现象排查：

节点报错。 想在工作流里按错误分流，可以在 Response 选项里同时打开 Never Error 和 Include Response Headers and Status，再用 IF 节点判断 statusCode（此时正文字段在 body. 下面）。按错误类型处理：

• 429 限流或 5xx 服务端错误：可以重试，每次间隔逐步拉长；
• 额度不足一类错误：不要自动重试，先处理账户额度；
• error.type 为 image_generation_user_error，例如 error.code 为 moderation_blocked：不改提示词或输入图就不要重试，moderation_details.moderation_stage 会告诉你拦截发生在输入还是输出；
• 403 或无权使用模型：先看上文的组织验证；
• 400 参数错误：检查自定义尺寸是否满足约束、是否多传了 response_format、质量档位是否被当前线路支持。

节点绿了，后面没有文件。 依次看：Convert to File 的 Base64 Input Field 是不是填成了编码内容；开了 Include Response Headers and Status 之后路径有没有改成 body.data[0].b64_json；返回里到底是 b64_json、url 还是只有任务编号（后两种要按上文接下载或查询）。

有文件但打不开。 多半是 Base64 带了 data:image/png;base64, 前缀或缺少末尾的 =，用上面的 Code 节点清理；再看 MIME Type 和文件扩展名是否与 output_format 一致。文件能打开但画面颗粒重、发脏，按 GPT Image 2.5 噪点、颗粒感：找到变脏的那一步再修 排查。

文件正常，目标位置没收到。 上传节点里的 Binary 字段名要和 Convert to File 的 Put Output File in Field 一致（默认都是 data）；中间如果插了别的节点，在它的输出面板里确认 Binary 数据还在。

统计里看不到用量。 原生 OpenAI 节点的图片操作都不上报 token 用量。GitHub issue #38482 的报告者在 n8n 2.38.6、节点 typeVersion 2.3 上用 gpt-image-2.5-flare 复现了这个问题，并指出表达式和 Code 节点都取不回来；截至 2026 年 9 月 25 日这个 issue 仍未关闭。看不到用量不等于没花钱，要按请求记账就用 HTTP Request，在 Convert to File 之前把 usage 写下来。

请求超时。 超时不能说明服务端没有生成。LaoZhang 的文档写明，客户端超时或断开不会取消服务端生成，生成完成后照常扣费；OpenAI 的公开文档里没有这方面的说明。所以超时后别急着让整批重跑，先去控制台的调用日志或用量页面确认上一次请求的状态。

常见问题

n8n 官方文档只写了 DALL·E 和 gpt-image-1，是不是还不支持 2.5？

文档没跟上，不代表节点不能用。n8n 的 OpenAI 图片操作文档目前只写到 DALL·E 2/3 和 gpt-image-1，但节点源码里的模型字段已经是可手填 ID 的形式，typeVersion 2.2 以上的 Generate 和 2.3 以上的 Edit 都能填 gpt-image-2.5-flare 或 gpt-image-2.5-sunburst。限制在于能设置的参数，见上面的对照表。

能在 AI Agent 或 Message a Model 里直接选 GPT Image 2.5 吗？

不能把它当对话模型用。OpenAI 的模型页写明，2.5 不能作为 /v1/responses 的顶层模型，只支持 Images API 的生成和编辑接口（或作为 Responses 图片生成工具背后的模型）。在 n8n 里要用 OpenAI 节点的 Image 资源，或者 HTTP Request 直接调用 /v1/images/generations、/v1/images/edits。

一张图多少钱？

GPT Image 2.5 按 token 计费，没有官方固定的单张价格。Flare 和 Sunburst 的 token 单价相同，但尺寸、质量和参考图数量都会改变用量，quality 不传或传 auto 时，同一请求两次的花费也可能不同。想稳定预算就显式写 size 和 quality，用几次代表性请求的 usage 估算。各档位的估算和按次计费的对比见 GPT Image 2.5 Sunburst 价格：官方单图费用与按次计费怎么选。

官方文档

接入参数、价格与扣费规则以老张API开发文档为准：GPT Image 2.5 API 文档。

说明：laozhang.ai 是我们自己的服务，其价格是平台报价，不是独立比较的结论。