2026년 9월 8일 OpenAI가 ChatGPT Images 2.5를 발표하면서 Images API에 두 개의 새 모델 gpt-image-2.5-flare와 gpt-image-2.5-sunburst를 함께 공개했습니다. 지난 3주 동안 커뮤니티는 차세대 이미지 모델의 이름이 GPT Image 2.5인지 GPT Image 3인지를 두고 논쟁했고, 저희도 그 질문을 다룬 증거 추적 기록을 운영했습니다. 답은 둘 다 정확하지는 않다였습니다. 제품명은 ChatGPT Images 2.5이고, API에는 하나의 플래그십이 아니라 접미사가 붙은 두 개의 모델 ID가 올라왔습니다. 접미사 없이 gpt-image-2.5를 호출하면 The model 'gpt-image-2.5' does not exist.가 반환됩니다. gpt-image-3도 마찬가지입니다.

4월 GPT Image 2 출시 때 만들어 둔 벤치마크 환경이 그대로 남아 있어서, 발표 몇 시간 만에 두 새 모델 ID로 방향을 돌려 공식 API로 41회의 이미지 생성을 돌렸습니다. 이 가이드는 그 결과입니다. OpenAI가 실제로 무엇을 냈는지, 두 모델의 실제 비용과 실제 소요 시간은 얼마인지, 그리고 모델 문자열만 바꾸면 청구서와 출력 품질이 조용히 달라지는 마이그레이션 세부 사항을 다룹니다.

9월 8일 OpenAI가 실제로 공개한 것

발표의 더 큰 절반은 소비자용입니다. Images 2.5는 같은 날 ChatGPT, ChatGPT Work, Codex의 모든 티어에 데스크톱·모바일·웹으로 배포되었고, 네 가지 제품 기능이 함께 왔습니다.

• Sketch — ChatGPT 안에서 직접 그린 그림이 최종 이미지의 구도 참조가 됩니다. @Sketch를 입력해 호출합니다.
• 템플릿 — 포스터, 굿즈 등 자주 쓰는 형식의 시작점. 빈 프롬프트 창 대신 항목을 채워 넣습니다.
• 이미지 주석 — 생성된 이미지의 특정 위치에 코멘트를 달아 편집 범위를 그 지점으로 한정합니다.
• 프롬프트 공유 — 이미지를 공유할 때 사용한 프롬프트를 함께 첨부해, 다른 사람이 자기 소재로 같은 아이디어를 재현할 수 있게 합니다.

모델 품질에 대한 OpenAI의 표현은 오히려 절제되어 있습니다. Images 2.5는 "더 자연스러운 조명과 더 풍부한 질감을 만들고, 참조 사진 속 피사체를 더 잘 보존하며, 여러 턴에 걸친 편집 지시를 더 안정적으로 따른다"고 합니다. 발표에서 유일한 구체적 수치는 지연 시간으로, "Images 2.0 대비 이미지 생성 지연을 최대 50% 감소"입니다. 또한 ChatGPT Images와 API의 GPT-Image 모델을 합쳐 주당 30억 장 이상의 이미지가 생성되고 있으며, 초기 API 고객으로 Adobe, Runway, Manus, Higgsfield AI를 언급했습니다.

안전 처리는 종류 면에서 그대로입니다. 프롬프트와 이미지에 대한 이중 점검, 그리고 출력물의 C2PA 메타데이터와 비가시 워터마크. 파이프라인에서 이미지 메타데이터를 제거하거나 재작성한다면, 이 동작은 gpt-image-2에서 이어진 것이므로 당연시하지 말고 다시 확인해 볼 가치가 있습니다.

두 개의 API 모델: Sunburst와 Flare

무엇을 먼저 집어야 하는지에 대해 OpenAI의 포지셔닝은 명확합니다.

**gpt-image-2.5-flare**는 "대부분의 애플리케이션을 위한 기본 선택지로, GPT-Image-2보다 높은 품질의 이미지를 50% 낮은 지연 시간으로 제공"한다고 설명됩니다. 크리에이터·소셜 콘텐츠, 제품 경험, 비주얼 검색, 빠른 프로토타이핑, 대량 생성이 대상입니다.

**gpt-image-2.5-sunburst**는 "편집 전반에 걸쳐 더 정밀한 제어가 필요한 세밀한 창작 작업을 위한 한 단계 높은 정밀도"를 제공하되 생성 시간이 더 깁니다. 바로 집행 가능한 캠페인 크리에이티브나 정교한 제품 이미지가 목표 용도입니다.

이 조합에서 통합 작업을 계획하는 사람에게 중요한 점이 둘 있습니다. 첫째, 이것은 gpt-image-1과 gpt-image-1-mini 같은 대형/소형 모델 분리가 아닙니다. 두 모델의 단가는 동일하고, 저희 측정에서는 모든 품질 설정에서 반환되는 출력 토큰 수도 동일했습니다. 추가로 지불하는 것은 시간이지 돈이 아닙니다. 둘째, 이름에서 순서를 짐작할 수 없습니다. "flare"가 빠른 쪽이고 "sunburst"가 느린 쪽인데, 대부분의 직관과 정반대입니다. 나중에 찾을 수 있는 곳에 적어 두시길 권합니다.

두 모델 모두 사용 가능한 엔드포인트는 POST /v1/images/generations와 POST /v1/images/edits 두 개뿐이며, 둘 다 inpainting을 지원한다고 표기되어 있습니다. 작성 시점 기준으로 Responses API의 이미지 도구에서는 사용할 수 없습니다.

어떻게 측정했는가

기발한 프롬프트 하나로 만든 벤치마크는 프로덕션 동작을 거의 설명하지 못합니다. 그래서 저희 파이프라인이 매일 하는 작업 형태를 그대로 썼습니다. 구조화된 개요를 브랜드 템플릿 참조 이미지와 함께 완성된 16:9 슬라이드로 바꾸는 일입니다.

• 작업 부하. 가상의 EV 충전 사업자를 위한 5페이지 덱: 표지, 아젠다, 그리고 숫자가 빽빽한 본문 3페이지(98.4%, 96.1%, 4.2 → 5.6, £1.9M, 18:00). 모델이 지어내거나 뭉개지 않고 그대로 렌더링해야 하는 값들입니다. 이 덱은 이 글을 위해 만든 허구이며 고객 콘텐츠는 전혀 쓰지 않았습니다.
• 호출 형태. POST /v1/images/edits. 개요를 프롬프트로 하고 브랜드 템플릿 이미지 1~3장을 참조로 첨부 — 저희 프로덕션 image 모드와 완전히 동일한 호출입니다.
• 해상도. 주 매트릭스는 2048x1152(2K, 16:9), 4K 비교는 3840x2160.
• 경로. 퍼스트파티 키를 쓴 공식 OpenAI API. 토큰 집계 자체가 측정 대상이므로 애그리게이터 게이트웨이는 거치지 않았습니다.
• 재시도. 없음. 아래 모든 수치는 단발 결과이며, 소요 시간은 요청부터 바이트 수신까지의 실제 경과 시간입니다.
• 규모. gpt-image-2, gpt-image-2.5-sunburst, gpt-image-2.5-flare에 걸쳐 41회 성공, 실패 0건.

비용은 이미지당 추정치가 아니라 각 응답이 반환하는 usage 블록을 OpenAI 공시 단가로 계산했습니다. 이 차이가 결정적으로 중요해집니다.

발견 1: 품질 등급이 두 칸 내려갔다

이 글에서 가장 중요한 내용이며, 발표문에는 없습니다.

gpt-image-2는 명시적 품질 설정으로 low, medium, high 세 가지와 auto를 받습니다. GPT Image 2.5는 low, medium, high, xhigh, max 다섯 가지와 auto를 받습니다. gpt-image-2에 xhigh나 max를 넘기면 명확히 거부됩니다: The model 'gpt-image-2' does not support quality 'xhigh'.

자연스러운 해석은 OpenAI가 기존 상한 위에 두 칸을 더했다는 것입니다. 그러나 실제로는 그렇지 않았습니다. 같은 2048 × 1152 슬라이드에 대해 각 설정이 반환하는 출력 이미지 토큰을 측정한 결과, 새 두 칸은 기존 칸들의 아래에 삽입되어 있었고 — 그 결과 익숙한 이름들이 모두 한 칸씩 내려갔습니다.

굵은 두 줄은 두 번 읽을 가치가 있습니다. GPT Image 2.5의 high는 gpt-image-2의 medium이 쓰던 예산을 씁니다. max가 gpt-image-2의 high에 해당합니다. 의미가 그대로인 것은 low뿐입니다.

실무적 결과: 모델 문자열을 gpt-image-2에서 gpt-image-2.5-flare로 바꾸고 quality: "medium"을 그대로 두면, 1,413 토큰 렌더링에서 367 토큰으로 조용히 내려갑니다 — 출력 예산이 3.8배 줄어듭니다. 청구액은 약 절반으로 떨어져 대시보드에서는 이득처럼 보이고, 구도는 단순해지지만 그건 이미지 안에서만 드러납니다. 동일 충실도의 교체는 medium → high입니다.

4K에서도 같습니다. 3840x2160에서 gpt-image-2의 high는 13,342 출력 토큰을 반환했고, GPT Image 2.5의 high는 3,336, 같은 13,342가 되는 것은 max일 때뿐이었습니다. auto도 안전한 탈출구가 아닙니다. 저희 실행에서 sunburst와 flare는 다섯 번 중 네 번 1,413 토큰 칸에 떨어졌지만, flare 한 번은 628 출력 토큰으로 돌아왔습니다 — 어떤 명시적 설정에서도 본 적 없는 값입니다. 비용 예측 가능성이 중요하다면 quality를 명시하세요.

발견 2: 같은 토큰, 같은 가격, 짧아진 대기

등급 어긋남을 보정하면 비교가 깔끔해집니다. 아래에서 세 모델 모두 같은 프롬프트와 같은 참조 이미지로 같은 2048 × 1152 슬라이드를 1,413 출력 토큰으로 렌더링하며, 청구 비용은 모두 페이지당 약 $0.059입니다. 변수는 시간뿐입니다. 각 수치는 5페이지 평균입니다.

토큰 청구액이 동일한 조건에서 flare는 gpt-image-2보다 47% 빠르고 sunburst는 26% 빠릅니다. OpenAI가 flare에 대해 주장한 "50% 낮은 지연"에 거의 정확히 들어맞는데, 출시일 마케팅 수치로서는 드문 일치입니다.

등급 상단에서는 격차가 더 벌어집니다. 같은 페이지의 5,650 토큰 단일 렌더링에서 gpt-image-2의 high는 82.9초, sunburst의 max는 59.8초, flare의 max는 33.7초 — 59% 단축입니다. 4K에서는 gpt-image-2의 high가 92.4초에 장당 $0.42였던 반면, 2.5의 두 모델은 high에서 27.8~33.8초에 $0.12였습니다. 다만 보정된 등급으로 보면 이는 동급 비교가 아니라 더 싼 칸입니다.

지연의 산포도 더 작아졌습니다. 5페이지 범위에서 flare는 17.722.3초, sunburst는 27.128.9초, gpt-image-2는 35.2~39.2초였습니다. 20페이지 덱을 병렬로 렌더링하는 파이프라인에서는 평균보다 꼬리가 중요한데, 그 꼬리가 짧아졌습니다.

발견 3: 각 칸이 실제로 사주는 것

싼 칸은 출력이 쓸 만할 때만 의미가 있습니다. 같은 본문 페이지를 sunburst의 네 개 설정으로 렌더링해 나란히 놓았습니다.

네 장 모두 읽히고, 조판이 정확하며, 깨진 글자가 없습니다 — 157 토큰에 $0.026인 low까지 포함해서요. 추가 예산이 사주는 것은 정확성이 아니라 구도입니다. low와 medium에서는 사진이 더 평평하고 구분선이 단순하며 관습적인 2단 블록에 가깝습니다. high와 max에서는 층이 있는 카드, 배경 이미지의 깊은 피사계 심도, 맞춤형 번호 처리, 더 신경 쓴 타이포그래피 위계가 나타납니다.

회의실에 띄우고 다음 주면 버릴 덱이라면 페이지당 $0.032의 medium은 충분히 정당합니다. 고객이 보는 것이라면 "조립했다"가 아니라 "디자인했다"로 읽히는 칸은 high입니다. 새로 생긴 medium과 xhigh는 실질적으로 유용한 추가입니다 — 기존 등급은 칸 사이가 4배씩 뛰어 그 중간이 비어 있었습니다.

발견 4: 텍스트와 숫자는 버텨냈다

image 모드 슬라이드 생성이 성립하게 된 출발점은 gpt-image-2의 텍스트 렌더링이었습니다. 여기서 후퇴가 있다면 실격이므로, 생성된 모든 슬라이드를 원본 개요와 대조했습니다.

비교 매트릭스의 15장 전부에서 세 모델 모두 모든 제목, 모든 불릿, 모든 수치를 정확히 렌더링했습니다 — 98.4%, 96.1%, "4.2 to 5.6", "18:00", "2024-vintage". 소수점 누락도, 지어낸 통계도, 빈 로고 영역에 환각으로 넣은 태그라인도 없었습니다. 앞선 회차에서 같은 프롬프트를 중국어로도 돌렸는데 결과는 같았고, 약한 모델이 자주 헷갈리는 형태가 비슷한 한자 쌍까지 정확했습니다.

눈에 보이는 차이는 레이아웃 판단력입니다. gpt-image-2는 개요를 읽고 무난한 그리드를 내놓습니다. 2.5의 두 모델은 디자이너가 "결정"이라고 인식할 만한 것을 더 자주 내놓습니다. 상단 3분의 1을 가로지르는 비대칭 사진 밴드, 각 불릿의 의미적 역할에 맞춘 아이콘 메달리온, 템플릿이 암시했지만 명시하지는 않았던 모서리 페이지 번호 같은 것들입니다. 이는 주관적 판단이며 벤치마크로 포장할 생각은 없습니다. 다만 다섯 페이지 전부에서, 양방향으로, 그리고 어느 파일이 어느 것인지 확인하기 전의 블라인드 관찰에서 일관되게 나타났습니다.

발견 5: 멀티턴 편집의 이탈은 줄었지만 여전히 있다

OpenAI의 정밀 편집과 멀티턴 일관성 주장은 API 위에 에디터를 만드는 사람에게 가장 중요하므로 직접 검증했습니다. 완성된 슬라이드 한 장에서 출발해 "한 곳만 바꾸라"는 지시를 세 번 연속으로 내리고, 매번 직전 출력을 다시 입력으로 넣었습니다. 소제목 하나 고쳐 쓰기, 수치 하나를 98.4%에서 99.2%로 바꾸기, 슬라이드 반대편 문장 하나 교체하기.

세 모델 모두 세 개의 체인에서 세 번의 편집을 전부 성공시켰습니다 — 9/9입니다. gpt-image-2에게는 예상보다 좋은 결과이고, 묻어두기보다 분명히 적어둘 가치가 있습니다. 이것은 구모델에 없던 능력이 아닙니다.

차이가 나는 곳은 슬라이드의 나머지가 얼마나 움직이는가입니다. 원본 대비 인지 가능한 임계값을 넘어 변한 픽셀 비율로 재면:

세 턴에 걸쳐 GPT Image 2.5의 누적 이탈은 약 15~20% 작고, 턴당 이탈이 줄어드는 경향을 보입니다(sunburst 기준 4.1% → 3.1% → 2.8%). gpt-image-2는 거의 평평합니다(5.6% → 4.9% → 4.9%). OpenAI가 주장한 방향으로의 실제 개선입니다. 다만 이 증거의 범위에서는 계단식이 아니라 점진적 개선이며, 이들 중 어느 것도 진짜 국소 편집은 아니라는 점에 유의하세요. 마스크가 없으면 매 턴 전체 캔버스가 다시 생성되고, 배경 사진은 미묘하게 다시 그려지며, 횟수가 쌓이면 눈에 띄게 벗어납니다. 절대 건드리면 안 되는 영역이 필요하다면, 정중하게 쓴 프롬프트가 아니라 마스크 파라미터가 필요합니다.

가격: 덱 한 부로 환산하면

두 모델의 공시 단가는 동일하며, gpt-image-2와도 동일합니다.

단가가 움직이지 않았으므로, 절감은 전부 가격표가 아니라 등급에서 나옵니다. 실측 토큰 수를 써서 2048 × 1152, 페이지마다 참조 이미지 3장을 붙인 20페이지 덱으로 환산하면:

입력에 대해 한 가지 더: 참조 이미지는 100만 토큰당 $8이며 픽셀 면적으로 과금되므로, 템플릿 세 장은 파일 크기와 무관하게 호출당 약 1,728 입력 토큰입니다. 업로드 전 참조 이미지를 축소하는 것은 여전히 가장 가성비 좋은 최적화 중 하나이며, 2.5도 이 산수를 바꾸지 않습니다.

찾지 못한 것

여기서는 열정보다 균형이 중요하므로, 찾아봤지만 나오지 않은 것들을 적습니다.

텍스트 렌더링의 도약은 없다. gpt-image-2는 비즈니스 문서형 콘텐츠에서 이미 오류가 드문 수준이었습니다. 2.5가 성공하고 2가 실패한 사례는 찾지 못했습니다. 이미지 내 텍스트 정확도만이 요건이라면 이번 릴리스로 풀리는 것은 없습니다.

마스크 없는 국소 편집은 여전히 없다. 정밀 편집 개선은 진짜지만 범위가 제한적이며, 이탈 표가 그것을 보여줍니다. "제목만 바꾸기"가 이제 "나머지는 한 픽셀도 안 건드리기"를 뜻한다고 기대하면 실망하게 됩니다.

가격 인하가 아니다. 이름이 바뀐 등급을 의도적으로 내려갈 때만 장부상 경제성이 개선되고, 내려가면 구도 품질을 잃습니다. 이 단서 없이 이번 릴리스를 "비용 절반"으로 표현하는 것은 오해를 부릅니다.

측정하지 않은 영역. 저희가 검증한 것은 하나의 시각 장르 — 브랜드 참조가 붙은 밀도 높은 비즈니스 슬라이드 — 를 두 해상도에서, 뿐입니다. 사실적 인물 사진, 개인 참조 사진으로부터의 피사체 보존, 투명 배경, 명시적 마스크를 쓰는 inpainting 경로는 검증하지 않았습니다. 모두 OpenAI가 강조한 항목이고 동작이 다를 수 있습니다. 구성당 표본은 5페이지 단발이니, 지연 시간 평균은 참고치로 보시고 서비스 수준 보장으로 보지 마세요.

gpt-image-2 마이그레이션 체크리스트

기존 연동이 있다면 실제로 코드 변경이 필요한 항목은 다음과 같습니다.

1. 모델 ID만 바꾸지 말고 quality를 다시 매핑하세요. medium → high, high → max가 현재의 출력 예산을 유지합니다. 문자열을 그대로 두면 조용히 등급이 내려갑니다.
2. 이유가 없다면 flare를 고르세요. OpenAI가 기본으로 지정했고, 저희가 돌린 모든 구성에서 sunburst보다 빨랐으며 가격도 같습니다. 추가 8초가 더 촘촘한 제어를 사주는 히어로 에셋에만 sunburst를 쓰세요.
3. auto에 의존하지 마세요. 다른 조건이 같은 호출들 사이에서도 서로 다른 토큰 예산으로 떨어졌습니다. 생성 건당 과금한다면 quality를 명시하세요.
4. 타임아웃을 낮추세요. gpt-image-2의 4K 때문에 클라이언트가 180초를 기다린다면, flare는 그 3분의 1에 끝납니다. 짧은 타임아웃은 장애를 더 빨리 잡아냅니다.
5. gpt-image-2를 폴백으로 남겨두세요. 여전히 서비스 중이고, 최신 모델이 무엇이든 폴백 없는 단일 공급자 이미지 파이프라인은 나쁜 베팅입니다.
6. C2PA 처리를 재검증하세요. 워터마크와 출처 메타데이터는 그대로 이어집니다. 출력물을 후처리한다면 컨테이너에 변화가 없는지 확인하세요.

GPT Image 2.5가 AI 슬라이드 생성에 갖는 의미

빠른 이미지 모델이 그 자체로 더 좋은 덱을 만들지는 않습니다 — 출시 보도가 대개 건너뛰는 구분입니다. 이미지 모델은 한 번에 한 장의 캔버스를 그립니다. 반면 프레젠테이션은 공통의 시각 문법을 가진 논증의 연쇄이며, 모델이 전체를 읽어본 적 없는 원본 문서로부터 만들어집니다.

GPT Image 2.5가 실제로 돕는 지점은 렌더링 단계의 경제성입니다. image 모드 파이프라인에서는 슬라이드마다 별도의 API 호출이므로, 슬라이드당 지연이 사용자가 진행 바를 바라보는 시간에 그대로 곱해집니다. 30페이지 덱에서 37초를 20초로 줄이면 같은 비용으로 실제 8분 30초의 대기가 사라집니다 — 이는 "다시 생성하기"가 감내할 만한 일인지를 바꿉니다. 렌더링이 시간상 싸면 사용자는 반복하고, 느리면 초안에서 타협합니다. 새로 생긴 medium과 xhigh는 단계별 산출도 현실화합니다. 먼저 페이지당 367 토큰으로 덱 전체를 초안 잡아 서사를 확인하고, 살아남은 페이지만 high로 다시 렌더링하는 식입니다.

그럼에도 모델이 못 하는 일은 7번 슬라이드에 무엇이 들어가야 하는지 정하는 것입니다. 40페이지 PDF를 파싱하고, 어떤 발견이 한 페이지를 차지할 자격이 있는지 판단하고, 숫자를 원본에 충실하게 유지하고, 하나의 템플릿이 가진 시각 언어를 덱 전체에 걸쳐 유지하는 일 — 이 작업은 이미지 모델 위, 오케스트레이션 계층에 있습니다. HTML과 image 슬라이드 생성 비교에서 설명한 분업 그대로이며, Images API 키 하나가 document-to-PPT 도구가 아닌 이유이기도 합니다. 내보내기 문제도 여전히 남아 있습니다. 생성된 슬라이드는 편집 가능한 PPTX 도형으로 되돌리기 전까지는 그림입니다.

Tosea.ai는 그 오케스트레이션 계층에 있습니다 — 원본 문서를 읽고, 슬라이드 구조를 만들고, 템플릿을 고르고, 각 페이지를 그 시점에 속도와 충실도의 균형이 맞는 이미지 모델로 보냅니다. 이번 같은 모델 출시는 어느 엔진으로 라우팅할지와 quality 파라미터를 어떻게 둘지를 바꾸지만, 문제의 더 어려운 절반은 바꾸지 않습니다. AI 프레젠테이션 도구를 기반 이미지 모델만으로 평가하고 있다면, 실제 난점이 어디에 있는지는 PDF에서 PowerPoint로 가는 워크플로 가이드에서 더 잘 보입니다.

자주 묻는 질문

gpt-image-2.5라는 모델이 있나요? 없습니다. API가 노출하는 것은 gpt-image-2.5-sunburst와 gpt-image-2.5-flare입니다. 접미사 없는 gpt-image-2.5는 모델 없음 오류를 반환하며 gpt-image-3도 마찬가지입니다.

기본으로 무엇을 써야 하나요? flare입니다. OpenAI가 기본으로 지정했고, 저희가 시험한 모든 품질 설정에서 같은 가격, 같은 출력 토큰 수로 sunburst보다 빨랐습니다. 추가 시간이 아깝지 않은 에셋에서만 sunburst를 쓰세요.

GPT Image 2.5가 GPT Image 2보다 싼가요? 토큰 단위로는 아닙니다 — 단가가 동일합니다. 이미지 단위로는 이름이 바뀐 등급을 내려갈 때만 싸집니다. 출력 예산을 맞추면 차이는 0.1센트 미만입니다.

모델 문자열만 바꾸면 기존 코드가 그대로 동작하나요? 동작은 합니다만, quality: "medium"이 사는 출력 토큰이 기존의 3.8분의 1입니다. medium → high, high → max로 매핑해 현재 충실도를 유지하세요.

gpt-image-2는 폐기 예정인가요? OpenAI는 종료일을 발표하지 않았고 모델은 계속 서비스됩니다. 멀티 공급자 구성의 폴백으로는 여전히 합리적입니다.

4K를 지원하나요? 지원합니다. 저희 테스트에서 두 모델 모두 3840x2160을 받았고, high에서 3,336, max에서 13,342 출력 토큰이었습니다.

Nano Banana 2와 비교하면 어떤가요? 2.5로 그 비교를 다시 돌리지는 않았습니다. Nano Banana 2 비교 글은 이전 세대를 다루며, 동일 작업 부하의 수치가 나오는 대로 갱신하겠습니다.

출처

• Introducing ChatGPT Images 2.5 — OpenAI, 2026년 9월 8일
• gpt-image-2.5-sunburst 모델 레퍼런스 — OpenAI Developers, 가격 및 지원 품질 설정
• gpt-image-2.5-flare 모델 레퍼런스 — 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
• 이 글의 지연 시간, 토큰, 비용, 이탈 수치는 모두 2026년 9월 9일 공식 OpenAI Images API를 대상으로 저희가 직접 측정한 값입니다.