GPT Image 2.5 Flare 与 Sunburst 对比：速度、编辑精度与 API 成本

多数日常生图任务，可以先用 Flare；对商品细节、品牌元素和局部修改有严格要求的图片编辑，优先把 Sunburst 纳入对比。 这是基于 OpenAI 在 2026 年 9 月 8 日发布时的定位：Flare 是面向多数应用的默认选择，Sunburst 更强调编辑精度，代价是更长的生成时间。OpenAI 官方发布说明

这个区别不意味着“Flare 只能生图、Sunburst 只能修图”。两者都能根据文字生成图片，也都接受图片输入并执行编辑。真正需要判断的是：你的任务能容忍多少变化，错误细节会增加多少返工，以及使用者愿意等多久。

如果还不清楚 ChatGPT 里从哪里打开生图、API 型号填在哪个字段，或界面能否确认使用了 Sunburst，可先看 ChatGPT Images 2.5 的界面入口与 API 型号指南。

本文依据截至 2026 年 9 月 19 日核验的官方文档整理，并单独标明第三方测试的条件。本站未进行两款模型的 API 画质、延迟或计费实测。下文的商品编辑案例是选型时可使用的检查方法；配图用于说明任务，不是两款模型的实测结果。

如果交付物需要透明背景，两款模型都应检查实际文件的透明通道与主体边缘，具体参数和验证脚本见 GPT Image 2.5 透明 PNG 生成与检查教程。

如果当前遇到的是颗粒过重、规律网格或越改越脏，可先按 GPT Image 2.5 噪点排查方法 对比原图、修改稿和导出文件，再决定是否换模型。 如果希望在节点画布里使用这两款模型，可按 ComfyUI 官方 GPT Image 2.5 节点教程 配置账号与积分，再连接参考图、蒙版和保存节点。

先看交付要求，再选模型

如果你要为一篇文章生成配图、探索一组社交媒体视觉方向，通常会先判断主体、风格和构图是否合适。画面中的杯子换了一种把手形状，未必影响采用。此时可以从 Flare 开始，把迭代速度纳入选择。

如果输入的是客户已经确认的商品图，要求只换瓶盖颜色，那么瓶身比例、商标位置和标签文字就是不能随意变化的部分。画面再漂亮，只要商品结构被改了，也可能无法交付。这类任务更贴近 Sunburst 的官方定位，但最终仍要检查它在你的参考图上是否减少了这些错误。Sunburst 模型说明

这里的建议是试用顺序，不是已测出的胜负。OpenAI 将 Flare 描述为面向日常高质量生图的快速模型；它同样支持图片编辑，因此简单改背景或更换整体风格不必一开始就排除 Flare。Flare 模型说明

“编辑更精确”应该检查什么

以一张饮料瓶商品图为例，制作方提出：“把蓝色瓶盖换成哑光黑色，其他部分保持原样。”评估时应拆成两个独立问题。

第一个问题是该改的有没有改对：颜色是否变成黑色，材质是否表现为哑光，修改是否覆盖完整瓶盖。第二个问题是不该改的有没有保住：瓶盖螺纹和瓶口结构、瓶身轮廓、标签上的品牌名称、容量文字，以及原有构图是否仍然符合要求。只看整体观感，容易漏掉后一组问题。

可以把编辑要求写成这样：

仅把瓶盖的蓝色表面改为哑光黑色。保留瓶盖外形、螺纹和瓶口位置；保留瓶身轮廓、标签文字和图案、画面比例及背景。不要增加新的标识或装饰。

这段文字用于让修改要求可检查，不保证模型一定遵守。检查结果时，把原图和完整输出并排查看；标签、接缝、透明边缘等关键位置需要放大。用于商品详情页的图片，应按实际发布尺寸再看一次，确认缩放后仍能读清必要信息。

掩膜也不能替代这一步。官方文档说明，GPT Image 的掩膜通过提示引导编辑，并不保证严格遵守掩膜形状；文字渲染、主体一致性和复杂构图仍存在限制。选择 Sunburst 不能据此承诺“区域外像素完全不变”或“品牌文字绝不会出错”。掩膜编辑说明、已知限制

如果“完全不变”指逐像素保留，把生成结果作为局部素材再用常规图片工具合成，通常更容易控制交付边界。模型负责提供可用的修改素材，最终商品信息和固定元素由制作流程核对。

model 与 quality 要分开决定

两款模型都支持 low、medium、high、xhigh、max 和 auto，默认是 auto。model 决定使用哪款模型，quality 决定本次生成的质量档位。把 Flare 从 high 改成 max，调用的仍然是 Flare；它不会因此切换到 Sunburst。官方尺寸与质量参数

第一次做模型对比时，建议把尺寸与质量写明确，例如两者均使用 1536x1024、high，并提交同一份提示词和参考图。这样可以减少设置差异对判断的干扰。相同参数也不保证画质、耗时或用量一致，它只是一个容易复核的比较起点。

确认哪款模型更适合任务后，再调整质量档位。草图和方向探索可以从官方建议的 low 开始；准备交付的素材则比较更高档位是否改善了实际缺陷。如果问题是主体理解错误或不该改的标签被改写，不能仅凭提高档位就认定问题已解决。

分辨率也不是两者的主要区别。二者都支持相同约束下的自定义尺寸；没有必要把“需要横图”当作改用 Sunburst 的理由。对比时优先使用业务真实需要的尺寸，而不是为了展示模型能力一律开到最大。

API 接入时，具体改哪个 model

通过 Images API 调用时，在生成或编辑请求的 model 字段直接指定以下一个值：

两款模型的当前快照和接口支持可在 Flare 模型页 与 Sunburst 模型页 核对。“GPT Image 2.5”是系列名称，接入时要使用具体 ID。做可复核的对比时，记录实际使用的模型 ID；若需要固定本轮版本，可使用对应的日期快照。

如果你使用 Responses API，顶层 model 选择的是支持图片工具的主模型；Sunburst 或 Flare 要放在 image_generation 工具的 model 字段中。单次生成或编辑可以使用 Images API；需要在对话中连续修改图片时，Responses API 提供多轮编辑能力。图片生成接口指南

接入后要确认拿到了可以打开的图片文件，而不仅是请求成功。Images API 的常见返回字段是 data[0].b64_json，需要解码并保存。账户是否有模型权限、是否需要组织验证和当前速率限制，应在自己的 API 项目中确认；ChatGPT 中能生成图片不等于该项目已经能调用这两个 ID。

Flare 能快多少：区分官方定位与实际耗时

“Flare 延迟降低 50%”不是说它比 Sunburst 快 50%。 官方发布的 API 比较基准是上一代 GPT Image 2。它不能换算成任意提示词下固定多少秒，也不能作为两款 2.5 模型之间的延迟差。官方发布中的速度说明

目前也有少量公开的配对运行记录。例如 FamilyPro 的三组编辑测试统一使用 high 档、相同参考图和提示词、WebP 输出，报告的 Flare / Sunburst 页面耗时分别为 20.5 / 30.7 秒、22.7 / 38.8 秒和 19.7 / 29.4 秒。三组中 Flare 都更快，但每个任务、每款模型只运行一次，记录的是平台显示的耗时，不能据此推算稳定速度差、成功率或画质胜负。这些数据适合帮助设计自己的测试，不适合作为服务时限承诺。

你的使用者等待多久，还包含上传参考图、请求处理、下载图片和重试。评估交互体验时，应从开始提交到完整图片可用计时，重复运行后比较耗时中位数，并留意较慢请求。若产品会展示流式预览，可以另外记录首张预览出现的时间；预览更早出现并不代表最终图片更早完成。

速度也要和返工一起看。先得到一张图与先得到一张可以交付的图，是两项不同的记录。如果 Sunburst 的某次输出确实减少了后续修改，较长的单次等待可能换来更短的总交付时间；是否如此，需要在你的任务中验证。OpenAI 的模型选择建议同样要求使用自己的提示词、参考图和设置比较，不给出通用的延迟比例。

API 单价相同，为什么实际成本仍会不同

截至 2026 年 9 月 19 日，两款模型的 OpenAI 直连 Standard token 费率完全相同。下面的金额均为美元，单位是每百万 token，不是每张图片。OpenAI 官方价格表

相同单价不等于每张图费用相同，更不等于每张合格图片成本相同。 官方指南明确说明，即使质量档位相同，两款模型也可能消耗不同数量的 token；参考图等输入和后续返工也会产生费用。因此，既不能只凭 Sunburst 的定位认定它每张更贵，也不能只凭费率相同认定它与 Flare 每张同价。官方成本说明

估算时选对模型，再用 usage 核对

当前图片生成指南已提供 GPT Image 2.5 的输出估算计算器。我们在 2026 年 9 月 19 日查看时，模型菜单中的选项为 GPT Image 2.5 (Sunburst and Flare)，两款模型合并显示。设置为 1024x1024、high 后，页面估算为 1,756 个输出 token、每张 $0.05268。这个数值只估算图片输出，不包含文本和图片输入、流式预览，也不是分别调用两款模型测出的费用。auto 会随生成图片而变化，不适合用来锁定预算。

模型详情页仍保留“GPT Image 2 计算器不能估算 GPT Image 2.5 用量”的提示。实际使用时，应确认计算器选择的是 GPT Image 2.5 对应选项，不要把旧版 GPT Image 2 的结果套用过来；这条旧计算器提示也不意味着官方当前完全没有 2.5 估算工具。预算先参考当前指南，实际消耗则以响应的 usage 和账单核对。现行计算器与计费说明

还要核对估算是否覆盖了整个请求。输出估算之外，文本和参考图输入也可能计费；Responses API 还包含主模型的 token 费用。若启用 partial_images 流式预览，每张部分图像额外消耗 100 个图片输出 token，按当前费率相当于 $0.003；核算实际费用时不要重复加上已经包含在返回用量中的部分。

第三方平台按张报价要按该平台的规则单独比较，不能替代上述 OpenAI 直连费率。当前官方 Batch 价格表未列出两款 2.5 模型，也不能套用旧模型的 Batch 折扣。需要进一步做质量档位、参考图输入与缓存预算，可看 GPT Image 2.5 API 价格说明。

用自己的任务做最后决定

先从日常工作中选取有代表性的任务，而不是只用一条容易出好图的提示词。新图生成、商品局部修改和连续编辑应分开记录，因为同一款模型在不同任务里的价值可能不同。提交前写清采用标准；例如商品编辑必须同时满足“瓶盖颜色正确”和“品牌标签无变化”，不能事后为了保留某张好看的图而放宽要求。

比较时保存相同的输入、显式尺寸与质量、模型 ID、完整输出、端到端耗时和响应 usage。对图片按预先写下的要求判断是否采用，并简短记录不采用的原因。若做重试，也保留这些请求和实际费用，避免只统计成功结果。

可以用一个直接关系到交付的指标看成本：

每张合格图片的 API 成本 = 本组任务实际产生的 API 总费用 ÷ 通过验收的图片张数

例如，假设一组任务总共花费 6 美元，得到 30 张合格图片，平均成本就是每张 0.20 美元；另一组花费 7.20 美元，得到 40 张合格图片，平均为每张 0.18 美元。后一组总花费更高，但每张合格图片更便宜。这只是说明计算方法的假设，不代表任一模型的价格或合格率。

人工修图时间单独记录，不要隐含在这个美元数里；如果没有任何结果被采用，就记录采用数为零，不能给出一个有意义的平均单图成本。使用 Responses API 时，还要把主模型费用纳入对应工作流的总费用。

最后按任务分配模型：Flare 能稳定满足要求，就继续用于这类日常任务；Sunburst 若在关键编辑中减少意外改动、反复生成或人工修补，再把这些任务交给它。如果两者都无法保住必须准确的商品信息，就调整编辑和合成流程。对团队最有用的结论，是哪一种任务应该调用哪一个模型，以及交付前还必须检查什么。

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。