Am 8. September 2026 hat OpenAI ChatGPT Images 2.5 angekündigt und zusammen damit zwei neue Modelle in der Images API veröffentlicht: gpt-image-2.5-flare und gpt-image-2.5-sunburst. Die Community hatte drei Wochen lang darüber gestritten, ob das nächste Bildmodell GPT Image 2.5 oder GPT Image 3 heißen würde — wir haben dazu einen Evidenz-Tracker geführt. Die Antwort lautet keins von beidem, genau genommen: Das Produkt heißt ChatGPT Images 2.5, und die API liefert zwei Modell-IDs mit Suffix statt eines einzigen Flaggschiffs. Wer gpt-image-2.5 ohne Suffix aufruft, bekommt The model 'gpt-image-2.5' does not exist. zurück. Bei gpt-image-3 ebenso.

Unser Benchmark-Setup vom GPT-Image-2-Launch im April stand noch, also haben wir es wenige Stunden nach der Ankündigung auf die beiden neuen Modell-IDs gerichtet und 41 Bildgenerierungen über die offizielle API laufen lassen. Dieser Guide ist das Ergebnis: was OpenAI tatsächlich ausgeliefert hat, was die beiden Modelle wirklich kosten und wie lange sie wirklich brauchen — und ein Migrationsdetail, das still und leise Ihre Rechnung und Ihre Ausgabequalität verändert, wenn Sie nur den Modell-String austauschen.

Was OpenAI am 8. September wirklich ausgeliefert hat

Der Consumer-Teil ist die größere Hälfte der Ankündigung. Images 2.5 wurde noch am selben Tag an alle ChatGPT-, ChatGPT-Work- und Codex-Stufen auf Desktop, Mobile und Web ausgerollt, zusammen mit vier Produktfunktionen:

• Sketch — Sie zeichnen direkt in ChatGPT, und die Zeichnung wird zur kompositorischen Referenz für das finale Bild. Aufruf über @Sketch.
• Vorlagen — vorgefertigte Startpunkte für gängige Formate wie Poster oder Merch, sodass Sie Details ausfüllen statt vor einem leeren Prompt-Feld zu sitzen.
• Kommentare auf Bildern — Sie setzen einen Kommentar an eine konkrete Stelle des erzeugten Bildes und begrenzen die Bearbeitung damit auf diesen Bereich.
• Prompt-Sharing — beim Teilen eines Bildes können Sie den zugehörigen Prompt mitgeben, damit andere die Idee mit eigenem Material nachbauen.

Zur Modellqualität ist OpenAIs eigene Formulierung eher nüchtern als spektakulär: Images 2.5 „erzeugt natürlicheres Licht und reichere Texturen, bewahrt Motive aus Ihren Referenzfotos besser und folgt Bearbeitungsanweisungen über mehrere Runden hinweg zuverlässiger". Die einzige harte Zahl in der Ankündigung betrifft die Latenz — „die Latenz der Bildgenerierung um bis zu 50 % gegenüber Images 2.0 reduziert". OpenAI hat außerdem offengelegt, dass inzwischen mehr als 3 Milliarden Bilder pro Woche über ChatGPT Images und die GPT-Image-Modelle der API entstehen, und nannte Adobe, Runway, Manus und Higgsfield AI als frühe API-Kunden.

Beim Sicherheitsmodell ändert sich nichts Grundsätzliches: Prüfungen von Prompts und Bildern, dazu C2PA-Metadaten und unsichtbare Wasserzeichen in den Ausgaben. Wenn Ihre Pipeline Bildmetadaten entfernt oder umschreibt, ist dieses Verhalten von gpt-image-2 übernommen und sollte lieber neu verifiziert als vorausgesetzt werden.

Die zwei API-Modelle: Sunburst und Flare

OpenAIs Positionierung ist eindeutig, wozu man zuerst greifen sollte.

gpt-image-2.5-flare wird beschrieben als „die Standardwahl für die meisten Anwendungen, die Bilder in höherer Qualität als GPT-Image-2 bei 50 % geringerer Latenz liefert". Zielgebiete sind Creator- und Social-Content, Produkterlebnisse, visuelle Suche, schnelles Prototyping und Generierung in hohem Volumen.

gpt-image-2.5-sunburst „bietet eine zusätzliche Präzisionsstufe für detaillierte kreative Arbeit bei längeren Generierungszeiten" und ist auf produktionsreife Kampagnen-Creatives und aufwendige Produktbilder ausgerichtet.

Zwei Dinge an diesem Paar sind für jede Integration wichtig. Erstens ist das keine Groß-/Kleinmodell-Aufteilung wie bei gpt-image-1 und gpt-image-1-mini — beide Modelle werden zu identischen Sätzen abgerechnet, und in unseren Läufen lieferten beide bei jeder Qualitätsstufe exakt dieselbe Anzahl Ausgabe-Tokens. Was Sie zusätzlich bezahlen, ist Zeit, nicht Geld. Zweitens geben die Namen keinerlei Hinweis auf die Reihenfolge: „flare" ist das schnelle Modell und „sunburst" das langsame — genau umgekehrt zu dem, was die Wörter für die meisten Menschen nahelegen. Notieren Sie sich das an einer Stelle, an der Ihr künftiges Ich es wiederfindet.

Beide Modelle sind auf zwei Endpunkte beschränkt — POST /v1/images/generations und POST /v1/images/edits — und beide führen Inpainting als unterstützt auf. Über das Bild-Tool der Responses API ist zum Redaktionsschluss keines von beiden verfügbar.

Wie wir getestet haben

Benchmarks mit einem cleveren Prompt sagen sehr wenig über das Verhalten in Produktion aus. Deshalb haben wir die Arbeitsform genommen, die unsere eigene Pipeline den ganzen Tag macht: eine strukturierte Gliederung in eine fertige 16:9-Folie verwandeln, mit angehängten Marken-Templatebildern.

• Workload. Ein fünfseitiges Deck für einen fiktiven Ladeinfrastruktur-Betreiber: Titel, Agenda und drei zahlenlastige Inhaltsseiten (98,4 %, 96,1 %, 4,2 → 5,6, £1,9 Mio., 18:00), die das Modell rendern muss, ohne zu erfinden oder zu verschmieren. Das Deck ist für diesen Artikel erfunden; es wurden keine Kundendaten verwendet.
• Aufrufform. POST /v1/images/edits mit der Gliederung als Prompt und ein bis drei angehängten Marken-Templatebildern als Referenz — exakt der Aufruf, den unser Bildmodus in Produktion macht.
• Auflösung. 2048x1152 (2K, 16:9) für die Hauptmatrix, 3840x2160 für den 4K-Vergleich.
• Anbieter. Die offizielle OpenAI-API mit eigenem Key. Keine Aggregator-Gateways, denn die Token-Abrechnung ist genau das, was wir messen wollten.
• Wiederholungen. Keine. Alle Zahlen unten sind Ergebnisse eines einzigen Versuchs, und wir berichten die Wanduhrzeit von der Anfrage bis zu den empfangenen Bytes.
• Umfang. 41 erfolgreiche Aufrufe, null Fehlschläge, über gpt-image-2, gpt-image-2.5-sunburst und gpt-image-2.5-flare.

Die Kosten werden aus dem usage-Block jeder Antwort mit den veröffentlichten OpenAI-Preisen berechnet, nicht aus einer Schätzung pro Bild. Diese Unterscheidung erweist sich als sehr wichtig.

Befund 1: Die Qualitätsleiter ist um zwei Sprossen gerutscht

Das ist der wichtigste Punkt dieses Artikels — und er steht nicht in der Ankündigung.

gpt-image-2 akzeptiert drei explizite Qualitätsstufen — low, medium, high — plus auto. GPT Image 2.5 akzeptiert fünf: low, medium, high, xhigh, max, plus auto. Übergibt man xhigh oder max an gpt-image-2, kommt eine saubere Ablehnung zurück: The model 'gpt-image-2' does not support quality 'xhigh'.

Die naheliegende Lesart wäre, dass OpenAI zwei Sprossen über der alten Obergrenze ergänzt hat. So ist es nicht. Wir haben für dieselbe 2048 × 1152-Folie gemessen, wie viele Ausgabe-Bildtokens jede Stufe zurückgibt — und die beiden neuen Sprossen wurden darunter eingefügt, wodurch sich alle vertrauten Namen nach unten verschoben haben.

Lesen Sie die fetten Zeilen zweimal. Das high von GPT Image 2.5 verbraucht das, was medium bei gpt-image-2 verbraucht hat. Sein max entspricht dem high von gpt-image-2. Nur die Sprosse low hat ihre Bedeutung behalten.

Die praktische Folge: Wenn Sie den Modell-String von gpt-image-2 auf gpt-image-2.5-flare ändern und quality: "medium" unangetastet lassen, sind Sie still von einem 1.413-Token-Rendering auf 367 Tokens gefallen — eine Kürzung des Ausgabebudgets um den Faktor 3,8. Ihre Rechnung halbiert sich ungefähr, was im Dashboard wie ein Gewinn aussieht, und Ihre Kompositionen werden schlichter, was nirgends auftaucht außer in den Bildern. Der treuegleiche Wechsel lautet medium → high.

In 4K gilt dasselbe. Bei 3840x2160 gab gpt-image-2 mit high 13.342 Ausgabe-Tokens zurück; GPT Image 2.5 mit high gab 3.336 zurück, und erst mit max dieselben 13.342. Auch auto ist kein sicherer Ausweg: In unseren Läufen landeten sunburst und flare vier von fünf Mal auf der 1.413-Token-Sprosse, aber ein flare-Aufruf kam mit 628 Ausgabe-Tokens zurück — ein Wert, den wir bei keiner expliziten Einstellung gesehen haben. Wenn Kostenvorhersagbarkeit zählt, setzen Sie quality explizit.

Befund 2: Gleiche Tokens, gleicher Preis, weniger Wartezeit

Sobald die Leiter korrigiert ist, wird der Vergleich sauber. Unten erzeugen alle drei Modelle ein Rendering derselben 2048 × 1152-Folie mit 1.413 Ausgabe-Tokens, aus demselben Prompt und denselben Referenzbildern, zu denselben abgerechneten Kosten von rund $0,059 pro Folie. Die einzige Variable ist die Zeit. Jede Zahl ist der Mittelwert aus fünf Seiten.

Flare ist bei identischer Token-Rechnung 47 % schneller als gpt-image-2, sunburst 26 %. Das trifft OpenAIs „50 % geringere Latenz" für flare fast punktgenau — für eine Marketingzahl vom Launch-Tag ein selteneres Ergebnis, als es sein sollte.

Am oberen Ende der Leiter wird der Abstand größer. Bei einem einzelnen 5.650-Token-Rendering derselben Seite brauchte gpt-image-2 mit high 82,9 Sekunden; sunburst mit max 59,8 Sekunden und flare mit max 33,7 Sekunden — 59 % schneller. Und in 4K brauchte gpt-image-2 mit high 92,4 Sekunden und kostete $0,42 pro Bild, während beide 2.5-Modelle mit high in 27,8–33,8 Sekunden für $0,12 fertig waren — auf der korrigierten Leiter ist das allerdings eine günstigere Sprosse und kein Vergleich auf Augenhöhe.

Auch die Latenzstreuung wurde enger. Über fünf Seiten lag flare zwischen 17,7 und 22,3 s und sunburst zwischen 27,1 und 28,9 s, während gpt-image-2 zwischen 35,2 und 39,2 s lag. Für eine Pipeline, die ein 20-Folien-Deck parallel ausfächert, zählt der Ausläufer mehr als der Mittelwert — und der Ausläufer ist kürzer geworden.

Befund 3: Was jede Sprosse tatsächlich kauft

Günstigere Sprossen nützen nur, wenn die Ausgabe brauchbar ist. Wir haben dieselbe Inhaltsseite in vier der fünf Sunburst-Stufen gerendert und nebeneinandergelegt.

Alle vier sind lesbar, korrekt gesetzt und frei von verunstaltetem Text — einschließlich low mit 157 Tokens und $0,026. Was das zusätzliche Budget kauft, ist nicht Korrektheit, sondern Komposition: Bei low und medium bekommen Sie flachere Fotografie, einfachere Trenner und konventionellere Zweispalter; bei high und max geschichtete Karten, mehr Tiefenschärfe im Hintergrundbild, maßgeschneiderte Nummerierungen und eine durchdachtere typografische Hierarchie.

Für ein Deck, das in einem Besprechungsraum projiziert und nächste Woche weggeworfen wird, ist medium zu $0,032 pro Folie vertretbar. Für alles, was ein Kunde sieht, ist high die Sprosse, die gestaltet statt zusammengesetzt wirkt. Die neuen Stufen medium und xhigh sind echte Verbesserungen — sie füllen Lücken in einer Leiter, die zuvor um den Faktor 4 zwischen den Stufen sprang.

Befund 4: Text und Zahlen haben gehalten

Der Grund, warum Folienerzeugung im Bildmodus überhaupt tragfähig wurde, war die Textwiedergabe von gpt-image-2. Jede Regression dort wäre ein Ausschlusskriterium, also haben wir jede erzeugte Folie gegen ihre Quellgliederung geprüft.

Über die fünfzehn Folien der Vergleichsmatrix hinweg haben alle drei Modelle jede Überschrift, jeden Aufzählungspunkt und jede Zahl korrekt gerendert — 98,4 %, 96,1 %, „4.2 to 5.6", „18:00", „2024-vintage". Keine verlorenen Nachkommastellen, keine erfundenen Statistiken, kein halluzinierter Claim im leeren Logobereich. Wir haben dieselben Prompts in einem früheren Durchgang auf Chinesisch laufen lassen und dasselbe Ergebnis gesehen, inklusive des optisch ähnlichen Schriftzeichenpaars, an dem schwächere Modelle scheitern.

Der sichtbare Unterschied liegt in der Layout-Intelligenz. gpt-image-2 liest die Gliederung und liefert ein solides Raster. Die beiden 2.5-Modelle liefern häufiger etwas, das eine Designerin oder ein Designer als Entscheidung erkennen würde: ein asymmetrisches Fotoband über dem oberen Drittel, Icon-Medaillons passend zur semantischen Rolle jedes Punktes, eine Seitenzahl in der Ecke, die das Template angedeutet, aber nie ausgesprochen hatte. Das ist ein subjektives Urteil und wir verkaufen es nicht als Benchmark — aber es war über alle fünf Seiten, in beide Richtungen, in einer Blindbetrachtung vor dem Abgleich der Dateinamen konsistent.

Befund 5: Mehrrundige Bearbeitung driftet weniger, aber sie driftet

OpenAIs Aussagen zu präziser Bearbeitung und Konsistenz über mehrere Runden sind für alle, die einen Editor auf der API bauen, am relevantesten — also haben wir sie direkt geprüft. Ausgehend von einer fertigen Folie haben wir drei aufeinanderfolgende Einzeländerungs-Anweisungen gegeben und jedes Mal die vorherige Ausgabe wieder eingespeist: eine Überschrift umschreiben, eine Zahl von 98,4 % auf 99,2 % ändern, einen Satz auf der gegenüberliegenden Seite der Folie ersetzen.

Alle drei Modelle haben alle drei Bearbeitungen in allen drei Ketten umgesetzt — neun von neun. Das ist für gpt-image-2 ein besseres Ergebnis als erwartet, und das gehört klar gesagt statt versteckt: Es ist keine Fähigkeit, die dem älteren Modell fehlt.

Der Unterschied liegt darin, wie viel sich vom Rest der Folie bewegt. Gemessen als Anteil der Pixel, die sich gegenüber dem Original über eine wahrnehmbare Schwelle hinaus verändert haben:

GPT Image 2.5 sammelt über drei Runden rund 15–20 % weniger Drift an, und die Drift pro Runde nimmt im Verlauf ab (4,1 % → 3,1 % → 2,8 % bei sunburst), während gpt-image-2 flach bleibt (5,6 % → 4,9 % → 4,9 %). Das ist eine echte Verbesserung in der von OpenAI genannten Richtung. Nach dieser Evidenz ist sie jedoch graduell und kein Sprung — und keine dieser Bearbeitungen ist eine echte lokale Bearbeitung. Ohne Maske wird die gesamte Fläche in jeder Runde neu erzeugt; das Hintergrundfoto wird subtil neu gerendert und driftet nach genügend Durchgängen sichtbar ab. Wer eine garantiert unangetastete Region braucht, braucht weiterhin den Maskenparameter und keinen höflich formulierten Prompt.

GPT-Image-2.5-Preise in der Praxis

Beide Modelle veröffentlichen identische Sätze, und diese Sätze sind identisch mit denen von gpt-image-2:

Da sich die Stückpreise nicht bewegt haben, kommt jede Ersparnis aus der Leiter, nicht aus der Preisliste. Umgerechnet auf ein 20-Folien-Deck in 2048 × 1152 mit drei angehängten Referenzbildern pro Seite, auf Basis unserer gemessenen Token-Zahlen:

Noch ein Hinweis zu Eingaben: Referenzbilder werden mit $8 pro Million abgerechnet und nach Pixelfläche bepreist, sodass drei angehängte Templates unabhängig von der Dateigröße rund 1.728 Eingabe-Tokens pro Aufruf kosten. Referenzbilder vor dem Upload zu verkleinern bleibt eine der günstigsten verfügbaren Optimierungen, und 2.5 ändert an dieser Rechnung nichts.

Was wir nicht gefunden haben

Hier zählt Ausgewogenheit mehr als Begeisterung, also: Einiges, wonach wir gesucht haben, tauchte nicht auf.

Kein Sprung bei der Textwiedergabe. gpt-image-2 war bei Geschäftsdokument-Inhalten bereits an dem Punkt, an dem Fehler selten sind. Wir haben keinen Fall gefunden, in dem 2.5 gelang, was 2 misslang. Wenn Textgenauigkeit im Bild Ihre einzige Anforderung ist, schaltet dieses Release nichts frei.

Weiterhin keine lokale Bearbeitung ohne Maske. Die Verbesserung bei präziser Bearbeitung ist real, aber begrenzt, wie die Drift-Tabelle zeigt. Wer hofft, dass „nur die Überschrift bearbeiten" jetzt „buchstäblich nichts anderes anfassen" bedeutet, wird enttäuscht.

Keine Preissenkung. Die Schlagzeilen-Ökonomie verbessert sich nur, wenn Sie bewusst die umbenannte Leiter hinuntergehen — und das kostet Kompositionsqualität. Dieses Release ohne diesen Vorbehalt als „halbe Kosten" darzustellen, ist irreführend.

Nicht vermessenes Terrain. Wir haben ein einziges visuelles Genre getestet — dichte Business-Folien mit Markenreferenzen — in zwei Auflösungen. Nicht getestet haben wir fotorealistische Porträts, Motiverhalt aus persönlichen Referenzfotos, transparente Hintergründe und den Inpainting-Pfad mit expliziter Maske; all das hebt OpenAI hervor und all das kann sich anders verhalten. Unsere Stichprobe umfasst fünf Seiten pro Konfiguration bei einem einzigen Versuch; behandeln Sie die Latenzmittelwerte als Anhaltspunkt, nicht als Service-Level-Zusage.

Migrations-Checkliste von der gpt-image-2-API

Wenn Sie eine bestehende Integration haben, sind das die Änderungen, die tatsächlich Code-Diff erfordern:

1. Bilden Sie quality neu ab, tauschen Sie nicht nur die Modell-ID. medium → high und high → max erhalten Ihr aktuelles Ausgabebudget. Den String stehen zu lassen stuft Sie still herab.
2. Nehmen Sie flare, sofern nichts dagegen spricht. Es ist OpenAIs erklärter Standard, war in jeder von uns getesteten Konfiguration schneller als sunburst und kostet dasselbe. Greifen Sie bei Hero-Assets zu sunburst, wenn die zusätzlichen 8 Sekunden engere Kontrolle kaufen.
3. Verlassen Sie sich nicht mehr auf auto. Es landete bei ansonsten identischen Aufrufen auf unterschiedlichen Token-Budgets. Setzen Sie quality explizit, wenn Sie Kunden pro Generierung abrechnen.
4. Stellen Sie Timeouts herunter. Wenn Ihr Client 180 Sekunden wartet, weil gpt-image-2 in 4K sie brauchte, ist flare in einem Drittel davon fertig. Kürzere Timeouts bedeuten schnellere Fehlererkennung.
5. Halten Sie gpt-image-2 als Fallback erreichbar. Es wird weiterhin bereitgestellt, und eine Ein-Anbieter-Bildpipeline ohne Fallback ist unabhängig vom jeweils neuesten Modell eine schlechte Wette.
6. Prüfen Sie Ihre C2PA-Behandlung erneut. Wasserzeichen und Herkunftsmetadaten werden übernommen; wenn Sie Ausgaben nachbearbeiten, bestätigen Sie, dass sich am Container nichts geändert hat.

Was GPT Image 2.5 für die KI-Folienerzeugung bedeutet

Ein schnelleres Bildmodell erzeugt für sich genommen kein besseres Deck — und genau diese Unterscheidung überspringt die meiste Launch-Berichterstattung. Ein Bildmodell rendert eine Fläche nach der anderen. Eine Präsentation ist eine Abfolge von Argumenten mit gemeinsamer visueller Grammatik, gebaut aus einem Quelldokument, das das Modell nie vollständig sieht.

Wo GPT Image 2.5 wirklich hilft, ist die Ökonomie des Rendering-Schritts. In einer Bildmodus-Pipeline ist jede Folie ein eigener API-Aufruf, sodass sich die Latenz pro Folie direkt in die Zeit multipliziert, die Nutzende auf einen Fortschrittsbalken starren. Von 37 auf 20 Sekunden bei einem 30-seitigen Deck entfernt bei gleichen Kosten rund achteinhalb Minuten reale Wartezeit — und das verändert, was sich neu zu erzeugen lohnt. Wenn Rendern zeitlich billig ist, iterieren Nutzende; wenn es langsam ist, nehmen sie den ersten Entwurf hin. Die neuen Stufen medium und xhigh machen außerdem gestufte Ausgabe realistisch: Entwerfen Sie das ganze Deck mit 367 Tokens pro Folie, um die Erzählung zu prüfen, und rendern Sie nur die überlebenden Seiten in high neu.

Was das Modell weiterhin nicht kann, ist zu entscheiden, was auf Folie 7 gehört. Diese Arbeit — ein 40-seitiges PDF parsen, entscheiden, welche Erkenntnisse eine Seite verdienen, Zahlen quellentreu halten und die visuelle Sprache einer Vorlage über ein ganzes Deck durchhalten — sitzt über dem Bildmodell, in der Orchestrierungsschicht. Es ist dieselbe Arbeitsteilung, die wir in unserem Vergleich von HTML- und Bild-Folienerzeugung beschrieben haben, und der Grund, warum ein bloßer Images-API-Key kein Document-to-PPT-Werkzeug ist. Deshalb bleibt auch die Exportfrage offen: Eine erzeugte Folie ist ein Bild, bis etwas sie zurück in bearbeitbare PPTX-Formen verwandelt.

Tosea.ai sitzt in genau dieser Orchestrierungsschicht — liest das Quelldokument, baut die Folienstruktur, wählt die Vorlage und schickt jede Seite an das Bildmodell, das gerade den richtigen Kompromiss aus Tempo und Treue bietet. Modell-Releases wie dieses ändern, wohin wir routen und wie wir den Qualitätsparameter setzen; die schwierigere Hälfte des Problems ändern sie nicht. Wenn Sie ein KI-Präsentationswerkzeug allein an der Stärke seines Bildmodells bewerten, zeigt unser Workflow-Guide von PDF zu PowerPoint besser, wo die eigentliche Schwierigkeit liegt.

Häufige Fragen

Gibt es ein Modell namens gpt-image-2.5? Nein. Die API stellt gpt-image-2.5-sunburst und gpt-image-2.5-flare bereit. Ein gpt-image-2.5 ohne Suffix liefert einen Model-not-found-Fehler, gpt-image-3 ebenso.

Welches sollte ich standardmäßig nehmen? Flare. OpenAI nennt es den Standard, und es war in jeder von uns getesteten Qualitätsstufe schneller als sunburst — bei gleichem Preis und gleicher Ausgabe-Token-Zahl. Nehmen Sie sunburst, wenn ein Asset die zusätzlichen Sekunden rechtfertigt.

Kostet GPT Image 2.5 weniger als GPT Image 2? Pro Token nein — die Sätze sind identisch. Pro Bild nur, wenn Sie auf eine niedrigere Sprosse der umbenannten Leiter wechseln. Bei angeglichenen Ausgabebudgets sind die Kosten bis auf ein Zehntel Cent gleich.

Läuft mein bestehender gpt-image-2-Code, wenn ich nur den Modell-String ändere? Er läuft, aber quality: "medium" kauft jetzt 3,8× weniger Ausgabe-Tokens als vorher. Bilden Sie medium → high und high → max ab, um Ihre bisherige Treue zu erhalten.

Ist gpt-image-2 abgekündigt? OpenAI hat kein Abschaltdatum angekündigt, und das Modell wird weiter bereitgestellt. Als Fallback in einem Multi-Anbieter-Setup bleibt es sinnvoll.

Unterstützt es 4K? Ja. Beide Modelle akzeptierten in unseren Tests 3840x2160, mit 3.336 Ausgabe-Tokens bei high und 13.342 bei max.

Wie schlägt es sich gegen Nano Banana 2? Diesen Direktvergleich haben wir gegen 2.5 noch nicht wiederholt; unser Nano-Banana-2-Vergleich deckt die vorherige Generation ab und wird aktualisiert, sobald wir Zahlen mit gleicher Arbeitslast haben.

Quellen

• Introducing ChatGPT Images 2.5 — OpenAI, 8. September 2026
• Modellreferenz gpt-image-2.5-sunburst — OpenAI Developers, Preise und unterstützte Qualitätsstufen
• Modellreferenz gpt-image-2.5-flare — OpenAI Developers
• Introducing ChatGPT Images 2.5 — Simon Willison
• OpenAI Releases ChatGPT Images 2.5 With Sketch and Two New API Models — Unite.AI
• OpenAI launches ChatGPT Images 2.5 with faster generation — Investing.com
• Alle Latenz-, Token-, Kosten- und Driftwerte in diesem Artikel sind eigene Messungen, erhoben am 9. September 2026 gegen die offizielle OpenAI Images API.