Em 8 de setembro de 2026, a OpenAI anunciou o ChatGPT Images 2.5 e, junto com ele, dois novos modelos na Images API: gpt-image-2.5-flare e gpt-image-2.5-sunburst. A comunidade passou três semanas discutindo se o próximo modelo de imagem se chamaria GPT Image 2.5 ou GPT Image 3 — publicamos um rastreador de evidências exatamente sobre essa pergunta. A resposta acabou sendo nenhuma das duas, exatamente: o produto é ChatGPT Images 2.5, e a API entrega dois identificadores com sufixo em vez de um único carro-chefe. Se você chamar gpt-image-2.5 sem sufixo, a API retorna The model 'gpt-image-2.5' does not exist. O mesmo vale para gpt-image-3.

Ainda tínhamos o ambiente de benchmark montado desde o lançamento do GPT Image 2 em abril, então poucas horas após o anúncio o apontamos para os dois novos IDs e rodamos 41 gerações de imagem na API oficial. Este guia é o que voltou: o que a OpenAI de fato lançou, quanto os dois modelos realmente custam e quanto tempo realmente levam, e um detalhe de migração que vai mudar silenciosamente sua fatura e a qualidade da sua saída se você trocar apenas a string do modelo.

O que a OpenAI realmente lançou em 8 de setembro

A metade voltada ao consumidor é a maior parte do anúncio. O Images 2.5 chegou no mesmo dia a todos os planos de ChatGPT, ChatGPT Work e Codex, em desktop, celular e web, com quatro recursos de produto:

• Sketch — você desenha direto no ChatGPT e o desenho vira a referência de composição da imagem final. É acionado digitando @Sketch.
• Modelos (Templates) — pontos de partida prontos para formatos comuns, como pôsteres e produtos de marca, de modo que você preenche detalhes em vez de encarar um campo de prompt vazio.
• Comentários na imagem — você coloca um comentário em um ponto específico da imagem gerada para limitar a edição àquela área.
• Compartilhamento de prompt — ao compartilhar uma imagem, você pode anexar o prompt que a produziu, para que outra pessoa refaça a ideia com o próprio material.

Sobre a qualidade do modelo, o texto da própria OpenAI é mais comedido do que espetacular: o Images 2.5 "produz iluminação mais natural e texturas mais ricas, preserva melhor os sujeitos das suas fotos de referência e segue instruções de edição de forma mais confiável ao longo de vários turnos". O único número duro do anúncio é a latência — "reduzimos a latência de geração de imagem em até 50% em relação ao Images 2.0". A OpenAI também revelou que já são criadas mais de 3 bilhões de imagens por semana entre o ChatGPT Images e os modelos GPT-Image da API, e citou Adobe, Runway, Manus e Higgsfield AI como primeiros clientes da API.

O tratamento de segurança não muda de natureza: verificações em prompts e imagens, mais metadados C2PA e marca d'água invisível nas saídas. Se seu pipeline remove ou reescreve metadados de imagem, esse comportamento vem herdado do gpt-image-2 e vale reverificar em vez de presumir.

Os dois modelos da API: Sunburst e Flare

O posicionamento da OpenAI é explícito sobre qual escolher primeiro.

gpt-image-2.5-flare é descrito como "a escolha padrão para a maioria das aplicações, entregando imagens de maior qualidade que o GPT-Image-2 com 50% menos latência". É voltado a conteúdo de criadores e redes sociais, experiências de produto, busca visual, prototipagem rápida e geração em alto volume.

gpt-image-2.5-sunburst "oferece um nível extra de precisão para trabalho criativo detalhado, com tempos de geração mais longos", e é indicado para peças de campanha prontas para veiculação e imagens de produto refinadas.

Duas coisas dessa dupla importam para quem vai integrar. Primeiro, isto não é uma divisão modelo grande/modelo pequeno como foi com gpt-image-1 e gpt-image-1-mini — os dois modelos são cobrados pelas mesmas tarifas e, nos nossos testes, ambos retornaram exatamente a mesma contagem de tokens de saída em cada ajuste de qualidade. O que você paga a mais é tempo, não dinheiro. Segundo, os nomes não dão nenhuma pista sobre a ordem: "flare" é o rápido e "sunburst" é o lento, o oposto do que as palavras sugerem para a maioria. Anote em algum lugar onde o seu eu futuro encontre.

Ambos os modelos ficam restritos a dois endpoints — POST /v1/images/generations e POST /v1/images/edits — e ambos listam suporte a inpainting. Nenhum deles está disponível pela ferramenta de imagem da Responses API no momento em que escrevemos.

Como testamos

Benchmarks feitos com um prompt esperto dizem muito pouco sobre comportamento em produção, então usamos o formato de trabalho que nosso próprio pipeline faz o dia inteiro: transformar um roteiro estruturado em um slide 16:9 finalizado, com imagens de template de marca anexadas.

• Carga de trabalho. Um deck de cinco páginas para uma operadora fictícia de recarga elétrica: capa, agenda e três páginas de conteúdo densas em números (98,4%, 96,1%, 4,2 → 5,6, £1,9 mi, 18:00) que o modelo precisa renderizar sem inventar nem borrar. O deck foi inventado para este artigo; nenhum conteúdo de cliente foi usado.
• Formato da chamada. POST /v1/images/edits com o roteiro como prompt e de uma a três imagens de template anexadas como referência — exatamente a chamada que nosso modo imagem faz em produção.
• Resolução. 2048x1152 (2K, 16:9) na matriz principal e 3840x2160 na comparação em 4K.
• Provedor. A API oficial da OpenAI com chave própria. Sem gateways agregadores, porque a contabilidade de tokens é justamente o que queríamos medir.
• Retentativas. Nenhuma. Todos os números abaixo são resultado de uma única tentativa, e reportamos o tempo de relógio da requisição até os bytes em mãos.
• Volume. 41 chamadas bem-sucedidas, zero falhas, entre gpt-image-2, gpt-image-2.5-sunburst e gpt-image-2.5-flare.

O custo é calculado a partir do bloco usage que cada resposta retorna, com as tarifas publicadas pela OpenAI, e não por estimativa por imagem. Essa distinção acaba fazendo muita diferença.

Achado 1: a escada de qualidade desceu dois degraus

É o ponto mais importante deste artigo e não está no anúncio.

O gpt-image-2 aceita três ajustes explícitos de qualidade — low, medium, high — mais auto. O GPT Image 2.5 aceita cinco: low, medium, high, xhigh, max, mais auto. Passar xhigh ou max para o gpt-image-2 devolve uma recusa limpa: The model 'gpt-image-2' does not support quality 'xhigh'.

A leitura óbvia é que a OpenAI acrescentou dois degraus acima do teto anterior. Não foi isso que aconteceu. Medimos os tokens de imagem de saída que cada ajuste devolve para o mesmo slide de 2048 × 1152, e os dois degraus novos foram inseridos abaixo dos antigos — o que empurrou todos os nomes conhecidos para baixo.

Leia as linhas em negrito duas vezes. O high do GPT Image 2.5 gasta o que o medium do gpt-image-2 gastava. O max dele gasta o que o high do gpt-image-2 gastava. O degrau low é o único que manteve o significado.

A consequência prática: se você trocar a string do modelo de gpt-image-2 para gpt-image-2.5-flare e deixar quality: "medium" intacto, você caiu silenciosamente de uma renderização de 1.413 tokens para uma de 367 — um corte de 3,8× no orçamento de saída. Sua fatura cai por volta da metade, o que no painel parece uma vitória, e suas composições ficam mais simples, o que não aparece em lugar nenhum a não ser nas imagens. A troca equivalente em fidelidade é medium → high.

O mesmo vale em 4K. Em 3840x2160, o gpt-image-2 em high devolveu 13.342 tokens de saída; o GPT Image 2.5 em high devolveu 3.336, e só em max devolveu os mesmos 13.342. O auto também não é uma saída segura: nas nossas execuções, sunburst e flare caíram no degrau de 1.413 tokens quatro de cada cinco vezes, mas uma chamada do flare voltou com 628 tokens de saída — um valor que nunca vimos em nenhum ajuste explícito. Se previsibilidade de custo importa, defina quality explicitamente.

Achado 2: os mesmos tokens, o mesmo preço, menos espera

Depois de corrigir a escada, a comparação fica limpa. Abaixo, os três modelos produzem uma renderização de 1.413 tokens de saída do mesmo slide 2048 × 1152, com o mesmo prompt e as mesmas imagens de referência, ao mesmo custo faturado de cerca de $0,059 por slide. A única variável é o tempo. Cada número é a média de cinco páginas.

O flare é 47% mais rápido que o gpt-image-2 com uma conta de tokens idêntica; o sunburst, 26%. Isso bate quase exatamente com a afirmação de "50% menos latência" que a OpenAI faz sobre o flare — uma coincidência mais rara do que deveria ser para um número de marketing de dia de lançamento.

A diferença aumenta no topo da escada. Em uma única renderização de 5.650 tokens da mesma página, o gpt-image-2 em high levou 82,9 segundos; o sunburst em max, 59,8 segundos; e o flare em max, 33,7 segundos — 59% mais rápido. E em 4K, o gpt-image-2 em high levou 92,4 segundos e custou $0,42 por imagem, enquanto os dois modelos 2.5 em high terminaram em 27,8–33,8 segundos por $0,12 — embora, na escada corrigida, esse seja um degrau mais barato e não uma comparação equivalente.

A variação de latência também ficou mais estreita. Nas cinco páginas, o flare variou de 17,7 a 22,3 s e o sunburst de 27,1 a 28,9 s, enquanto o gpt-image-2 foi de 35,2 a 39,2 s. Para um pipeline que dispara um deck de 20 slides em paralelo, a cauda importa mais que a média — e a cauda encurtou.

Achado 3: o que cada degrau realmente compra

Degraus baratos só servem se a saída for utilizável. Renderizamos a mesma página de conteúdo em quatro dos cinco ajustes do sunburst e colocamos lado a lado.

As quatro são legíveis, bem compostas tipograficamente e sem texto deformado — inclusive a low, com 157 tokens e $0,026. O que o orçamento extra compra não é correção, e sim composição: em low e medium a fotografia é mais chapada, os divisores mais simples e os blocos de duas colunas mais convencionais; em high e max aparecem cartões em camadas, mais profundidade de campo na imagem de fundo, tratamentos de numeração sob medida e uma hierarquia tipográfica mais pensada.

Para um deck que será projetado numa sala e descartado na semana seguinte, medium a $0,032 por slide se justifica. Para qualquer coisa que um cliente veja, high é o degrau que se lê como projetado em vez de montado. Os novos medium e xhigh são acréscimos genuinamente úteis — eles preenchem lacunas de uma escada que antes pulava 4× entre degraus.

Achado 4: texto e números se seguraram

O motivo pelo qual a geração de slides em modo imagem se tornou viável foi a renderização de texto do gpt-image-2. Qualquer regressão aí seria eliminatória, então conferimos cada slide gerado contra o roteiro de origem.

Nos quinze slides da matriz comparativa, os três modelos renderizaram corretamente cada título, cada bullet e cada número — 98,4%, 96,1%, "4.2 to 5.6", "18:00", "2024-vintage". Nenhuma casa decimal perdida, nenhuma estatística inventada, nenhum slogan alucinado na área vazia do logotipo. Rodamos os mesmos prompts em chinês numa rodada anterior e vimos o mesmo resultado, incluindo o par de caracteres visualmente parecidos que derruba modelos mais fracos.

A diferença visível está na inteligência de diagramação. O gpt-image-2 lê o roteiro e entrega uma grade competente. Os dois modelos 2.5 entregam com mais frequência algo que um designer reconheceria como uma decisão: uma faixa fotográfica assimétrica cruzando o terço superior, medalhões de ícone que correspondem ao papel semântico de cada bullet, um número de página no canto que o template sugeria mas nunca declarava. É um julgamento subjetivo e não vamos vendê-lo como benchmark — mas foi consistente nas cinco páginas, nos dois sentidos, numa observação cega antes de checarmos qual arquivo era qual.

Achado 5: a edição em múltiplos turnos desvia menos, mas ainda desvia

As afirmações da OpenAI sobre edição de precisão e consistência multiturno são as mais relevantes para quem constrói um editor sobre a API, então testamos diretamente. Partindo de um slide finalizado, emitimos três instruções consecutivas de uma única mudança, realimentando a saída anterior a cada vez: reescrever um título, mudar um número de 98,4% para 99,2%, substituir uma frase do lado oposto do slide.

Os três modelos aplicaram as três edições, nas três cadeias — nove de nove. É um resultado melhor do que esperávamos para o gpt-image-2, e vale dizer isso com clareza em vez de esconder: não é uma capacidade que falte ao modelo antigo.

Onde eles diferem é em quanto o resto do slide se mexe. Medindo a proporção de pixels que mudaram acima de um limiar perceptível, em relação ao original:

O GPT Image 2.5 acumula cerca de 15–20% menos desvio em três turnos, e seu desvio por turno diminui conforme a cadeia avança (4,1% → 3,1% → 2,8% no sunburst), enquanto o gpt-image-2 fica estável (5,6% → 4,9% → 4,9%). É uma melhoria real na direção que a OpenAI afirma. Também é, com essa evidência, incremental e não um salto de patamar — e note que nenhuma dessas é uma edição local de verdade. Sem máscara, a tela inteira é regenerada a cada turno; a fotografia de fundo é sutilmente re-renderizada e, depois de rodadas suficientes, vai desviar visivelmente. Se você precisa de uma região garantidamente intocada, continua precisando do parâmetro de máscara, não de um prompt educadamente redigido.

Preços do GPT Image 2.5, na prática

Os dois modelos publicam tarifas idênticas, e essas tarifas são idênticas às do gpt-image-2:

Como os preços unitários não mudaram, toda a economia vem da escada, não da tabela de preços. Convertido para um deck de 20 slides em 2048 × 1152 com três imagens de referência por página, usando nossas contagens de tokens medidas:

Mais uma observação sobre entradas: imagens de referência são cobradas a $8 por milhão e precificadas por área em pixels, então três templates anexados custam cerca de 1.728 tokens de entrada por chamada, independentemente do tamanho do arquivo. Reduzir a resolução das imagens de referência antes do upload continua sendo uma das otimizações mais baratas disponíveis, e o 2.5 não muda essa aritmética.

O que não encontramos

Aqui equilíbrio importa mais que entusiasmo, então: várias coisas que procuramos não apareceram.

Nenhum salto na renderização de texto. O gpt-image-2 já estava no ponto em que erros são raros em conteúdo de documento corporativo. Não encontramos um caso em que o 2.5 acertasse e o 2 falhasse. Se a precisão do texto dentro da imagem é seu único requisito, este lançamento não destrava nada.

Ainda não há edição local sem máscara. A melhora em edição de precisão é real, mas limitada, como mostra a tabela de desvio. Quem espera que "edite só o título" agora signifique "não toque literalmente em mais nada" vai se decepcionar.

Não houve corte de preço. A economia de manchete só melhora se você descer deliberadamente a escada renomeada — e descer custa qualidade de composição. Apresentar este lançamento como "metade do custo" sem essa ressalva é enganoso.

Território não medido. Testamos um único gênero visual — slides corporativos densos com referências de marca — em duas resoluções. Não testamos retrato fotorrealista, preservação de sujeito a partir de fotos pessoais de referência, fundos transparentes nem o caminho de inpainting com máscara explícita, todos destacados pela OpenAI e todos com comportamento potencialmente diferente. Nossa amostra é de cinco páginas por configuração, em tentativa única; trate as médias de latência como indicativas, não como acordo de nível de serviço.

Checklist de migração a partir da API do gpt-image-2

Se você já tem uma integração, estas são as mudanças que realmente exigem alterar código:

1. Remapeie quality, não troque só o ID do modelo. medium → high e high → max preservam seu orçamento de saída atual. Deixar a string como está rebaixa você silenciosamente.
2. Escolha o flare, a menos que tenha motivo para não escolher. É o padrão declarado pela OpenAI, foi mais rápido que o sunburst em todas as configurações que rodamos e custa o mesmo. Use sunburst em peças de destaque, quando aqueles 8 segundos a mais comprarem um controle mais fino.
3. Pare de depender do auto. Ele resolveu para orçamentos de tokens diferentes em chamadas idênticas no resto. Defina quality explicitamente se você cobra seus clientes por geração.
4. Reduza os timeouts. Se seu cliente espera 180 segundos porque o gpt-image-2 em 4K precisava disso, o flare termina em um terço. Timeouts mais curtos significam detectar falhas mais rápido.
5. Mantenha o gpt-image-2 acessível como fallback. Ele continua em serviço, e um pipeline de imagem de fornecedor único sem fallback é uma aposta ruim, seja qual for o modelo mais novo.
6. Reverifique seu tratamento de C2PA. Marca d'água e metadados de procedência são herdados; se você pós-processa as saídas, confirme que nada mudou no contêiner.

O que o GPT Image 2.5 significa para a geração de slides com IA

Um modelo de imagem mais rápido não produz, por si só, um deck melhor — e essa é a distinção que a maioria das coberturas de lançamento pula. Um modelo de imagem renderiza uma tela por vez. Uma apresentação é uma sequência de argumentos com uma gramática visual compartilhada, construída a partir de um documento de origem que o modelo nunca vê por inteiro.

Onde o GPT Image 2.5 realmente ajuda é na economia da etapa de renderização. Num pipeline de modo imagem, cada slide é uma chamada de API separada, então a latência por slide se multiplica diretamente no tempo que o usuário passa olhando uma barra de progresso. Cortar de 37 para 20 segundos num deck de 30 páginas elimina cerca de oito minutos e meio de espera real pelo mesmo custo — o que muda o que parece aceitável regenerar. Quando renderizar é barato em tempo, as pessoas iteram; quando é lento, elas aceitam o primeiro rascunho. Os novos degraus medium e xhigh também tornam realista uma saída em camadas: rascunhe o deck inteiro a 367 tokens por slide para checar a narrativa e re-renderize em high apenas as páginas que sobreviverem.

O que o modelo ainda não consegue fazer é decidir o que vai no slide 7. Esse trabalho — analisar um PDF de 40 páginas, decidir quais achados merecem uma página, manter os números fiéis à fonte e sustentar a linguagem visual de um template ao longo do deck inteiro — mora acima do modelo de imagem, na camada de orquestração. É a mesma divisão de trabalho que descrevemos na nossa comparação entre geração de slides em HTML e em imagem, e o motivo pelo qual uma chave da Images API sozinha não é uma ferramenta document-to-PPT. É também por isso que a questão da exportação segue aberta: um slide gerado é uma imagem até que algo o devolva a formas editáveis de PPTX.

A Tosea.ai fica nessa camada de orquestração — lendo o documento de origem, construindo a estrutura de slides, escolhendo o template e despachando cada página para o modelo de imagem que naquele momento oferece o melhor equilíbrio entre velocidade e fidelidade. Lançamentos de modelo como este mudam para qual motor roteamos e como definimos o parâmetro de qualidade; não mudam a metade difícil do problema. Se você está avaliando uma ferramenta de apresentações com IA apenas pela força do modelo de imagem por trás, nosso guia de fluxo de trabalho de PDF para PowerPoint é um lugar melhor para ver onde está a dificuldade real.

Perguntas frequentes

Existe um modelo chamado gpt-image-2.5? Não. A API expõe gpt-image-2.5-sunburst e gpt-image-2.5-flare. Um gpt-image-2.5 sem sufixo retorna erro de modelo inexistente, assim como gpt-image-3.

Qual devo usar por padrão? Flare. A OpenAI o indica como padrão, e ele foi mais rápido que o sunburst em todos os ajustes de qualidade que testamos, pelo mesmo preço e com a mesma contagem de tokens de saída. Use sunburst quando a peça justificar os segundos extras.

O GPT Image 2.5 custa menos que o GPT Image 2? Por token, não — as tarifas são idênticas. Por imagem, só se você descer um degrau na escada renomeada. Com orçamentos de saída equiparados, o custo é o mesmo até a casa do décimo de centavo.

Meu código atual de gpt-image-2 funciona se eu só trocar a string do modelo? Ele roda, mas quality: "medium" agora compra 3,8× menos tokens de saída do que antes. Remapeie medium → high e high → max para manter sua fidelidade atual.

O gpt-image-2 está obsoleto? A OpenAI não anunciou data de desligamento e o modelo segue em serviço. Continua sendo um fallback sensato num arranjo com múltiplos fornecedores.

Suporta 4K? Sim. Os dois modelos aceitaram 3840x2160 nos nossos testes, com 3.336 tokens de saída em high e 13.342 em max.

Como se compara ao Nano Banana 2? Ainda não refizemos esse confronto contra o 2.5; nossa comparação do Nano Banana 2 cobre a geração anterior e será atualizada quando tivermos números com a mesma carga de trabalho.

Fontes

• Introducing ChatGPT Images 2.5 — OpenAI, 8 de setembro de 2026
• Referência do modelo gpt-image-2.5-sunburst — OpenAI Developers, preços e ajustes de qualidade suportados
• Referência do modelo 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
• Todos os números de latência, tokens, custo e desvio deste artigo são medições nossas, feitas em 9 de setembro de 2026 contra a Images API oficial da OpenAI.