Le 8 septembre 2026, OpenAI a annoncé ChatGPT Images 2.5 et, avec lui, deux nouveaux modèles sur l'Images API : gpt-image-2.5-flare et gpt-image-2.5-sunburst. La communauté avait passé trois semaines à débattre : le prochain modèle d'image s'appellerait-il GPT Image 2.5 ou GPT Image 3 ? Nous avions publié un suivi des preuves sur cette question précise. La réponse s'est révélée être ni l'un ni l'autre, exactement : le produit s'appelle ChatGPT Images 2.5, et l'API expose deux identifiants suffixés plutôt qu'un modèle phare unique. Si vous appelez gpt-image-2.5 sans suffixe, l'API renvoie The model 'gpt-image-2.5' does not exist. Idem pour gpt-image-3.

Notre banc d'essai du lancement de GPT Image 2 en avril était encore en place ; quelques heures après l'annonce, nous l'avons pointé vers les deux nouveaux identifiants et lancé 41 générations d'images sur l'API officielle. Ce guide est le résultat : ce qu'OpenAI a réellement livré, ce que les deux modèles coûtent et prennent vraiment comme temps, et un détail de migration qui modifiera silencieusement votre facture et la qualité de vos sorties si vous vous contentez de changer la chaîne du modèle.

Ce qu'OpenAI a réellement livré le 8 septembre

La partie grand public est la plus volumineuse de l'annonce. Images 2.5 a été déployé le jour même à tous les paliers ChatGPT, ChatGPT Work et Codex, sur ordinateur, mobile et web, avec quatre fonctionnalités produit :

• Sketch — vous dessinez directement dans ChatGPT et le croquis devient la référence de composition de l'image finale. On l'invoque en tapant @Sketch.
• Modèles (Templates) — des points de départ prédéfinis pour les formats courants comme les affiches ou le merchandising, pour remplir des champs plutôt qu'affronter une zone de prompt vide.
• Commentaires sur l'image — vous posez un commentaire à un endroit précis de l'image générée pour cadrer la modification sur cette zone.
• Partage de prompt — au moment de partager une image, vous pouvez joindre le prompt qui l'a produite, pour que quelqu'un d'autre rejoue l'idée avec son propre matériel.

Sur la qualité du modèle, la formulation d'OpenAI est plus mesurée que spectaculaire : Images 2.5 « produit une lumière plus naturelle et des textures plus riches, préserve mieux les sujets de vos photos de référence et suit les consignes d'édition de manière plus fiable sur plusieurs tours ». Le seul chiffre dur de l'annonce concerne la latence — « latence de génération d'images réduite jusqu'à 50 % par rapport à Images 2.0 ». OpenAI a également révélé que plus de 3 milliards d'images sont désormais créées chaque semaine entre ChatGPT Images et les modèles GPT-Image de l'API, et cité Adobe, Runway, Manus et Higgsfield AI parmi les premiers clients de l'API.

Le dispositif de sécurité ne change pas de nature : contrôles sur les prompts et les images, plus des métadonnées C2PA et un filigrane invisible sur les sorties. Si votre pipeline supprime ou réécrit les métadonnées d'image, ce comportement est hérité de gpt-image-2 et mérite une nouvelle vérification plutôt qu'une présomption.

Les deux modèles de l'API : Sunburst et Flare

Le positionnement d'OpenAI est explicite sur celui qu'il faut choisir en premier.

gpt-image-2.5-flare est décrit comme « le choix par défaut pour la plupart des applications, offrant des images de meilleure qualité que GPT-Image-2 avec 50 % de latence en moins ». Il vise le contenu créateur et social, les expériences produit, la recherche visuelle, le prototypage rapide et la génération à fort volume.

gpt-image-2.5-sunburst « offre un niveau de précision supplémentaire pour le travail créatif détaillé, avec des temps de génération plus longs », et cible les créations de campagne prêtes à diffuser et les visuels produit soignés.

Deux points de cette paire comptent pour toute intégration. D'abord, ce n'est pas une séparation grand modèle / petit modèle comme l'étaient gpt-image-1 et gpt-image-1-mini : les deux modèles sont facturés aux mêmes tarifs, et dans nos essais, tous deux ont renvoyé exactement le même nombre de tokens de sortie à chaque réglage de qualité. Ce que vous payez en plus, c'est du temps, pas de l'argent. Ensuite, les noms ne donnent aucun indice sur l'ordre : « flare » est le rapide et « sunburst » le lent, soit l'inverse de ce que les mots suggèrent à la plupart des gens. Notez-le quelque part où votre futur vous le retrouvera.

Les deux modèles sont limités à deux points d'accès — POST /v1/images/generations et POST /v1/images/edits — et tous deux déclarent la prise en charge de l'inpainting. Aucun n'est disponible via l'outil image de la Responses API à l'heure où nous écrivons.

Notre protocole de test

Un benchmark bâti sur un prompt astucieux dit très peu du comportement en production. Nous avons donc repris la forme de travail que notre propre pipeline exécute toute la journée : transformer un plan structuré en diapositive 16:9 finie, avec des images de gabarit de marque jointes.

• Charge de travail. Un deck de cinq pages pour un opérateur fictif de recharge électrique : couverture, sommaire et trois pages de contenu denses en chiffres (98,4 %, 96,1 %, 4,2 → 5,6, 1,9 M£, 18:00) que le modèle doit rendre sans inventer ni brouiller. Le deck est inventé pour cet article ; aucun contenu client n'a été utilisé.
• Forme de l'appel. POST /v1/images/edits avec le plan en prompt et une à trois images de gabarit jointes en référence — exactement l'appel que fait notre mode image en production.
• Résolution. 2048x1152 (2K, 16:9) pour la matrice principale, 3840x2160 pour la comparaison 4K.
• Fournisseur. L'API officielle d'OpenAI avec une clé propriétaire. Aucune passerelle d'agrégation, car la comptabilité des tokens est précisément ce que nous voulions mesurer.
• Réessais. Aucun. Tous les chiffres ci-dessous sont des résultats en un seul tir, et nous rapportons le temps d'horloge entre la requête et la réception des octets.
• Volume. 41 appels réussis, zéro échec, entre gpt-image-2, gpt-image-2.5-sunburst et gpt-image-2.5-flare.

Le coût est calculé à partir du bloc usage renvoyé par chaque réponse, aux tarifs publiés par OpenAI, et non à partir d'une estimation par image. Cette distinction se révèle décisive.

Constat 1 : l'échelle de qualité a glissé de deux barreaux

C'est le point le plus important de cet article, et il ne figure pas dans l'annonce.

gpt-image-2 accepte trois réglages de qualité explicites — low, medium, high — plus auto. GPT Image 2.5 en accepte cinq : low, medium, high, xhigh, max, plus auto. Passer xhigh ou max à gpt-image-2 renvoie un refus net : The model 'gpt-image-2' does not support quality 'xhigh'.

La lecture évidente serait qu'OpenAI a ajouté deux barreaux au-dessus du plafond existant. Ce n'est pas ce qui s'est passé. Nous avons mesuré, pour la même diapositive 2048 × 1152, les tokens d'image en sortie renvoyés par chaque réglage : les deux nouveaux barreaux ont été insérés en dessous des anciens — ce qui a fait descendre tous les noms familiers.

Relisez les lignes en gras. Le high de GPT Image 2.5 dépense ce que dépensait le medium de gpt-image-2. Son max dépense ce que dépensait le high de gpt-image-2. Seul le barreau low a conservé son sens.

Conséquence pratique : si vous changez la chaîne du modèle de gpt-image-2 vers gpt-image-2.5-flare en laissant quality: "medium" intact, vous êtes silencieusement passé d'un rendu à 1 413 tokens à un rendu à 367 — une division par 3,8 du budget de sortie. Votre facture baisse à peu près de moitié, ce qui ressemble à une victoire dans le tableau de bord, et vos compositions se simplifient, ce qui n'apparaît nulle part sauf dans les images. L'équivalent à fidélité constante, c'est medium → high.

La même chose vaut en 4K. En 3840x2160, gpt-image-2 en high a renvoyé 13 342 tokens de sortie ; GPT Image 2.5 en high en a renvoyé 3 336, et seul max a renvoyé les mêmes 13 342. auto n'est pas non plus une sortie de secours : dans nos essais, sunburst et flare ont atterri quatre fois sur cinq sur le barreau des 1 413 tokens, mais un appel flare est revenu à 628 tokens de sortie — une valeur que nous n'avons jamais observée avec un réglage explicite. Si la prévisibilité des coûts compte, fixez quality explicitement.

Constat 2 : mêmes tokens, même prix, moins d'attente

Une fois l'échelle corrigée, la comparaison devient nette. Ci-dessous, les trois modèles produisent un rendu à 1 413 tokens de sortie de la même diapositive 2048 × 1152, à partir du même prompt et des mêmes images de référence, pour un coût facturé identique d'environ $0,059 par diapositive. La seule variable est le temps. Chaque chiffre est la moyenne de cinq pages.

À facture de tokens identique, flare est 47 % plus rapide que gpt-image-2 ; sunburst, 26 %. Cela tombe presque exactement sur l'affirmation « 50 % de latence en moins » qu'OpenAI attribue à flare — une concordance plus rare qu'elle ne devrait l'être pour un chiffre marketing du jour du lancement.

L'écart se creuse en haut de l'échelle. Sur un rendu unique à 5 650 tokens de la même page, gpt-image-2 en high a pris 82,9 secondes ; sunburst en max, 59,8 secondes ; et flare en max, 33,7 secondes — 59 % plus rapide. Et en 4K, gpt-image-2 en high a pris 92,4 secondes pour $0,42 par image, tandis que les deux modèles 2.5 en high ont terminé en 27,8–33,8 secondes pour $0,12 — mais sur l'échelle corrigée, c'est un barreau moins cher, pas une comparaison à niveau égal.

La dispersion des latences s'est également resserrée. Sur cinq pages, flare s'est situé entre 17,7 et 22,3 s et sunburst entre 27,1 et 28,9 s, contre 35,2 à 39,2 s pour gpt-image-2. Pour un pipeline qui lance un deck de 20 diapositives en parallèle, la queue de distribution compte plus que la moyenne — et cette queue s'est raccourcie.

Constat 3 : ce que chaque barreau achète réellement

Des barreaux moins chers ne servent que si la sortie est utilisable. Nous avons rendu la même page de contenu sur quatre des cinq réglages de sunburst et les avons mises côte à côte.

Les quatre sont lisibles, correctement composées et exemptes de texte déformé — y compris low, à 157 tokens et $0,026. Ce que le budget supplémentaire achète, ce n'est pas la justesse mais la composition : en low et medium, la photographie est plus plate, les séparateurs plus simples et les blocs à deux colonnes plus convenus ; en high et max apparaissent des cartes en couches, une profondeur de champ plus marquée sur l'image de fond, des traitements de numérotation sur mesure et une hiérarchie typographique plus travaillée.

Pour un deck projeté en salle et jeté la semaine suivante, medium à $0,032 la diapositive se défend. Pour tout ce qu'un client voit, high est le barreau qui se lit comme conçu plutôt qu'assemblé. Les nouveaux medium et xhigh sont des ajouts réellement utiles : ils comblent les trous d'une échelle qui sautait auparavant d'un facteur 4 entre les barreaux.

Constat 4 : le texte et les chiffres ont tenu

Si la génération de diapositives en mode image est devenue viable, c'est grâce au rendu de texte de gpt-image-2. Toute régression sur ce point serait rédhibitoire, nous avons donc confronté chaque diapositive générée à son plan source.

Sur les quinze diapositives de la matrice comparative, les trois modèles ont rendu correctement chaque titre, chaque puce et chaque chiffre : 98,4 %, 96,1 %, « 4.2 to 5.6 », « 18:00 », « 2024-vintage ». Aucune décimale perdue, aucune statistique inventée, aucune accroche hallucinée dans la zone vide du logo. Nous avions exécuté les mêmes prompts en chinois lors d'une passe antérieure, avec le même résultat, y compris sur la paire de caractères visuellement proches qui fait trébucher les modèles plus faibles.

La différence visible tient à l'intelligence de mise en page. gpt-image-2 lit le plan et produit une grille compétente. Les deux modèles 2.5 produisent plus souvent quelque chose qu'un designer reconnaîtrait comme une décision : une bande photographique asymétrique traversant le tiers supérieur, des médaillons d'icônes correspondant au rôle sémantique de chaque puce, un numéro de page en coin que le gabarit suggérait sans jamais l'énoncer. C'est un jugement subjectif et nous n'allons pas le déguiser en benchmark — mais il s'est vérifié sur les cinq pages, dans les deux sens, lors d'un examen à l'aveugle avant de vérifier quel fichier était lequel.

Constat 5 : l'édition multi-tours dérive moins, mais elle dérive

Les affirmations d'OpenAI sur l'édition de précision et la cohérence multi-tours sont les plus pertinentes pour qui construit un éditeur au-dessus de l'API : nous les avons donc testées directement. En partant d'une diapositive finie, nous avons émis trois consignes successives de modification unique, en réinjectant à chaque fois la sortie précédente : réécrire un intertitre, faire passer un chiffre de 98,4 % à 99,2 %, remplacer une phrase du côté opposé de la diapositive.

Les trois modèles ont appliqué les trois modifications, sur les trois chaînes — neuf sur neuf. C'est un meilleur résultat que prévu pour gpt-image-2, et cela mérite d'être dit clairement plutôt qu'enfoui : ce n'est pas une capacité qui manque au modèle précédent.

Là où ils diffèrent, c'est dans l'ampleur du mouvement du reste de la diapositive. En mesurant la proportion de pixels ayant changé au-delà d'un seuil perceptible, par rapport à l'original :

GPT Image 2.5 accumule environ 15 à 20 % de dérive en moins sur trois tours, et sa dérive par tour diminue à mesure que la chaîne avance (4,1 % → 3,1 % → 2,8 % pour sunburst), là où gpt-image-2 reste stable (5,6 % → 4,9 % → 4,9 %). C'est une amélioration réelle, dans la direction annoncée par OpenAI. C'est aussi, au vu de ces éléments, une amélioration incrémentale et non un changement de palier — et notez qu'aucune de ces opérations n'est une véritable édition locale. Sans masque, toute la toile est régénérée à chaque tour ; la photographie de fond est subtilement recalculée et, après assez de passages, elle dérivera visiblement. Si vous avez besoin d'une zone garantie intouchée, il vous faut toujours le paramètre de masque, pas un prompt poliment formulé.

Tarifs de GPT Image 2.5, en pratique

Les deux modèles publient des tarifs identiques, et ces tarifs sont identiques à ceux de gpt-image-2 :

Comme les prix unitaires n'ont pas bougé, toutes les économies viennent de l'échelle, pas de la grille tarifaire. Converti en un deck de 20 diapositives en 2048 × 1152 avec trois images de référence jointes par page, sur la base de nos comptes de tokens mesurés :

Une remarque de plus sur les entrées : les images de référence sont facturées $8 par million et tarifées à la surface en pixels, de sorte que trois gabarits joints coûtent environ 1 728 tokens d'entrée par appel, quelle que soit la taille du fichier. Réduire la définition des images de référence avant l'envoi reste l'une des optimisations les moins chères disponibles, et 2.5 ne change rien à cette arithmétique.

Ce que nous n'avons pas trouvé

L'équilibre importe ici plus que l'enthousiasme, alors : plusieurs choses que nous cherchions ne sont pas apparues.

Aucun bond en rendu de texte. gpt-image-2 était déjà au point où les erreurs sont rares sur du contenu de document d'entreprise. Nous n'avons trouvé aucun cas où 2.5 réussissait là où 2 échouait. Si la précision du texte dans l'image est votre seule exigence, cette sortie ne débloque rien.

Toujours pas d'édition locale sans masque. L'amélioration en édition de précision est réelle mais bornée, comme le montre le tableau de dérive. Quiconque espère que « ne modifie que le titre » signifie désormais « ne touche littéralement à rien d'autre » sera déçu.

Aucune baisse de prix. L'économie affichée ne s'améliore que si vous descendez délibérément l'échelle renommée, et descendre coûte en qualité de composition. Présenter cette sortie comme « moitié moins cher » sans cette réserve est trompeur.

Terrain non mesuré. Nous avons testé un seul genre visuel — des diapositives d'entreprise denses avec références de marque — sur deux résolutions. Nous n'avons testé ni le portrait photoréaliste, ni la préservation de sujet à partir de photos personnelles, ni les fonds transparents, ni le chemin d'inpainting avec masque explicite, autant d'éléments mis en avant par OpenAI et susceptibles de se comporter autrement. Notre échantillon est de cinq pages par configuration, en un seul tir ; traitez les latences moyennes comme indicatives, pas comme un engagement de niveau de service.

Liste de migration depuis l'API gpt-image-2

Si vous avez une intégration existante, voici les changements qui exigent réellement de toucher au code :

1. Réaffectez quality, ne changez pas seulement l'ID du modèle. medium → high et high → max préservent votre budget de sortie actuel. Laisser la chaîne en l'état vous rétrograde silencieusement.
2. Choisissez flare sauf raison contraire. C'est le choix par défaut annoncé par OpenAI, il a été plus rapide que sunburst dans toutes les configurations testées, et il coûte le même prix. Réservez sunburst aux visuels phares, quand ces 8 secondes supplémentaires achètent un contrôle plus fin.
3. Cessez de vous appuyer sur auto. Il a abouti à des budgets de tokens différents sur des appels par ailleurs identiques. Fixez quality explicitement si vous facturez vos clients à la génération.
4. Réduisez les délais d'expiration. Si votre client attend 180 secondes parce que gpt-image-2 en 4K en avait besoin, flare terminera en un tiers de ce temps. Des délais plus courts, c'est une détection de panne plus rapide.
5. Gardez gpt-image-2 accessible en repli. Il est toujours servi, et un pipeline d'images mono-fournisseur sans repli est un mauvais pari, quel que soit le modèle le plus récent.
6. Revérifiez votre traitement C2PA. Le filigrane et les métadonnées de provenance sont conservés ; si vous post-traitez les sorties, confirmez que rien n'a changé dans le conteneur.

Ce que GPT Image 2.5 signifie pour la génération de diapositives par IA

Un modèle d'image plus rapide ne produit pas, à lui seul, un meilleur deck — et c'est la distinction que la plupart des articles de lancement escamotent. Un modèle d'image rend une toile à la fois. Une présentation est une séquence d'arguments partageant une grammaire visuelle, construite à partir d'un document source que le modèle ne voit jamais en entier.

Là où GPT Image 2.5 aide vraiment, c'est dans l'économie de l'étape de rendu. Dans un pipeline en mode image, chaque diapositive est un appel d'API distinct : la latence par diapositive se multiplie donc directement par le temps que l'utilisateur passe devant une barre de progression. Passer de 37 à 20 secondes sur un deck de 30 pages supprime environ huit minutes et demie d'attente réelle à coût constant — ce qui change ce qu'on accepte de régénérer. Quand le rendu est bon marché en temps, les utilisateurs itèrent ; quand il est lent, ils se contentent du premier jet. Les nouveaux barreaux medium et xhigh rendent aussi réaliste une sortie par paliers : ébauchez le deck entier à 367 tokens par diapositive pour valider le récit, puis ne refaites en high que les pages qui survivent.

Ce que le modèle ne sait toujours pas faire, c'est décider de ce qui doit figurer sur la diapositive 7. Ce travail — analyser un PDF de 40 pages, décider quels résultats méritent une page, garder les chiffres fidèles à la source et tenir le langage visuel d'un gabarit sur tout un deck — se situe au-dessus du modèle d'image, dans la couche d'orchestration. C'est la même division du travail que celle décrite dans notre comparaison entre génération de diapositives HTML et image, et la raison pour laquelle une simple clé d'Images API n'est pas un outil document-to-PPT. C'est aussi pourquoi la question de l'export reste ouverte : une diapositive générée est une image tant que rien ne la reconvertit en formes PPTX modifiables.

Tosea.ai se situe précisément dans cette couche d'orchestration — lecture du document source, construction de la structure des diapositives, choix du gabarit, puis envoi de chaque page au modèle d'image offrant à cet instant le bon compromis entre vitesse et fidélité. Des sorties de modèles comme celle-ci changent vers quel moteur nous routons et comment nous réglons le paramètre de qualité ; elles ne changent pas la moitié la plus difficile du problème. Si vous évaluez un outil de présentation IA à la seule force de son modèle d'image sous-jacent, notre guide du flux de travail PDF vers PowerPoint montre mieux où se situe la vraie difficulté.

Questions fréquentes

Existe-t-il un modèle nommé gpt-image-2.5 ? Non. L'API expose gpt-image-2.5-sunburst et gpt-image-2.5-flare. Un gpt-image-2.5 sans suffixe renvoie une erreur de modèle inexistant, tout comme gpt-image-3.

Lequel utiliser par défaut ? Flare. OpenAI le désigne comme choix par défaut, et il a été plus rapide que sunburst à chaque réglage de qualité testé, au même prix et pour le même nombre de tokens de sortie. Réservez sunburst aux visuels qui justifient les secondes supplémentaires.

GPT Image 2.5 coûte-t-il moins cher que GPT Image 2 ? Au token, non — les tarifs sont identiques. À l'image, seulement si vous descendez d'un barreau sur l'échelle renommée. À budgets de sortie alignés, le coût est le même au dixième de centime près.

Mon code gpt-image-2 existant fonctionnera-t-il si je change seulement la chaîne du modèle ? Il s'exécutera, mais quality: "medium" achète désormais 3,8 fois moins de tokens de sortie qu'avant. Réaffectez medium → high et high → max pour conserver votre fidélité actuelle.

gpt-image-2 est-il déprécié ? OpenAI n'a annoncé aucune date d'arrêt et le modèle est toujours servi. Il reste un repli sensé dans une configuration multi-fournisseurs.

Prend-il en charge la 4K ? Oui. Les deux modèles ont accepté 3840x2160 dans nos tests, avec 3 336 tokens de sortie en high et 13 342 en max.

Comment se compare-t-il à Nano Banana 2 ? Nous n'avons pas encore rejoué ce duel face à 2.5 ; notre comparatif Nano Banana 2 couvre la génération précédente et sera mis à jour dès que nous aurons des chiffres à charge de travail identique.

Sources

• Introducing ChatGPT Images 2.5 — OpenAI, 8 septembre 2026
• Référence du modèle gpt-image-2.5-sunburst — OpenAI Developers, tarifs et réglages de qualité pris en charge
• Référence du modèle 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
• Tous les chiffres de latence, de tokens, de coût et de dérive de cet article sont nos propres mesures, relevées le 9 septembre 2026 sur l'Images API officielle d'OpenAI.