OpenAI Images 2.6 API 全面解析:Flare、Sunburst、GIF/SVG 与局部编辑怎么选
GPT-Image-2.6 Flare 与 Sunburst 于 2026 年 11 月 4 日上线 API。本文系统解析两个模型的选型标准、GIF/SVG 输出参数、complexity 与 quality 的区别、markup 标记编辑接入方式、Batch API 限制,以及可运行的调用示例。
引言:这次更新不只是”多了 GIF”
2026 年 11 月 4 日,OpenAI 发布 Images 2.6,API 端同步上线两个模型:
| 模型 ID | 定位 |
|---|---|
gpt-image-2.6-flare | 速度优先,快速迭代、交互式生成与编辑 |
gpt-image-2.6-sunburst | 细节优先,密集构图、文字排版、跨编辑一致性 |
官方称整体生成速度提升约 50%,Flare 在 low 档最快 6 秒返回。同时新增 GIF 输出、SVG 导出、markup 引导编辑和 complexity 参数。
但对开发者来说,真正重要的不是功能清单,而是这三个变化:
- 控制维度从 1 个变成 2 个——
quality管渲染保真度,complexity管生成前的规划量,两者独立; - 输出形态从静态图扩展到动图和矢量图——这直接改变了素材生产的工作流;
- Batch API 没了——2.6 不支持批量端点,而 2.5 支持且图像输出半价($15 vs $30 per 1M)。
成本提醒:本文专注 API 接入与参数。2.6 的低/中质量档实际成本比 2.5 高 3–4 倍(单价表相同但输出 token 数不同)的详细拆解,见配套文章 OpenAI Images 2.6 真实成本拆解。
一、Flare 与 Sunburst:怎么选
两个模型价格完全相同(同一张价目表),所以选型只看两点:延迟和一致性。
| 维度 | gpt-image-2.6-flare | gpt-image-2.6-sunburst |
|---|---|---|
| 定位 | 速度 | 细节 |
| 延迟 | low 档最快 6 秒 | 更慢,OpenAI 未公布具体数字 |
| 布局质量 | 海报、产品图、版式布局质量提升 | 密集构图、文字排版 |
| 跨编辑一致性 | 一般 | medium/high 档更强(同一角色或产品连改 5 次不漂移) |
| 价格 | 同一张表 | 同一张表 |
决策规则
- 探索阶段(要 10 个版式对比、跟用户来回试)→ Flare,迭代速度就是产品体验;
- 交付阶段(同一角色要连改 5 次保持一致)→ Sunburst,一致性是硬需求;
- 不要因为 Sunburst”质量更高”就全线使用——在 low 档它没有质量优势,只有延迟劣势。
第三方实测提醒:2.6 Sunburst 在同等质量档下可能比 2.5 Sunburst 更慢。官方宣传的”提速 50%“主要体现在 Flare 和高/中档位。如果你的 pipeline 有延迟 SLA,务必实测。
二、核心参数:quality 与 complexity 是两个维度
这是本次更新最容易误解的一点。
2.1 两者分别控制什么
| 参数 | 控制什么 | 取值 | 默认 |
|---|---|---|---|
quality | 渲染细节与保真度 | low / medium / high / xhigh / max / auto | auto(部分渠道默认 medium) |
complexity | 生成前的规划量——画面里放多少元素、层级、关系 | low / medium / high | high |
OpenAI 的表述很明确:“Adjusting complexity has no separate fee.”——调 complexity 不额外收费。
但它会增加延迟,而且官方明确警告:高 complexity 可能引入你不想要的额外变化。
2.2 怎么搭配
| 场景 | quality | complexity | 说明 |
|---|---|---|---|
| 换背景、换招牌 | low | low | 局部编辑,低规划量避免误改别处 |
| 图标、简单示意图 | low | low | 干净、元素少,视觉噪音会降低可读性 |
| 产品营销图、文档配图 | medium | medium | 均衡 |
| 海报、多对象场景 | high | high | 元素多、关系复杂 |
默认
complexity: high是个陷阱。很多接入方直接省略这个参数,结果每次生成都在做最大规划量规划——延迟上升、成本上升(因为规划会影响输出 token 数),而且对简单的局部编辑反而容易”改多了”。显式设置complexity是接入第一天就该做的事。
2.3 一段可运行的示例
import openai
client = openai.OpenAI() # 或 base_url="https://api.nixapi.com/v1"
resp = client.images.generate(
model="gpt-image-2.6-flare",
prompt="极简线稿风格的咖啡杯图标,深灰线条,透明背景",
quality="low",
complexity="low", # 别省略!默认 high 会做最大规划
size="1024x1024",
output_format="png",
)
# 注意:响应里有没有 usage,取决于渠道
print(resp.data[0].b64_json[:32], "...")
cURL 版本:
curl https://api.openai.com/v1/images/generations \
-H "Authorization: Bearer ***" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-image-2.6-flare",
"prompt": "极简线稿风格的咖啡杯图标,深灰线条,透明背景",
"quality": "low",
"complexity": "low",
"size": "1024x1024",
"output_format": "png"
}'
三、GIF 输出:参数与成本陷阱
3.1 三个参数
curl -s \
-H "Authorization: Bearer ***" \
-H "Content-Type: application/json" \
-d '{
"model": "gpt-image-2.6-flare",
"prompt": "一架纸飞机 looping 一次,扁平风格",
"output_format": "gif",
"frame_count": 9,
"frame_duration_ms": 200,
"quality": "high",
"complexity": "low"
}' > plane.json
jq -r '.data.b64_json' plane.json | base64 --decode > plane.gif
| 参数 | 取值 | 默认 |
|---|---|---|
output_format | png / jpeg / webp / gif / svg | png |
frame_count | 2 – 16 | 9 |
frame_duration_ms | 20 – 2000 | 200 |
默认 9 帧 × 200ms = 1.8 秒循环。
3.2 帧尺寸限制:一条容易忽略的规则
所有帧被画在一张 sheet 上,而这张 sheet 受与单张图像相同的像素上限约束。
具体后果:
- 16 帧时,单帧尺寸上限 720×720(因为 16 帧要拼成一张大图);
- 帧数越多,单帧可用分辨率越低。
如果你要生成”清晰的大尺寸动图”,帧数和分辨率是此消彼长的。需要 1080p 级别的动图,实际只能做到很少的帧数。
3.3 成本:GIF 按合并面积计价
GIF 的成本 = 所有帧加起来当作一张同等面积图片的成本。
实测数据:
| GIF 配置 | 成本 |
|---|---|
| 12 帧 512×512(medium) | $0.055 |
| 12 帧 512×512(high) | $0.067 |
| 16 帧 720×720(最大尺寸,high) | $0.147 |
12 帧 512×512 的 GIF($0.055)比一张 1024×1024 的静态图($0.044)更贵。 批量生成动图时,成本预期必须按帧数重算,不能套用静态图的经验。
3.4 两个额外注意
- API 生成的 GIF 无限循环播放——没有”播放一次就停”的选项;
- 实测文件大小约 0.5 – 1.5 MB。
四、SVG 输出:什么时候值得用
2.6 支持直接返回矢量文件。
适合 SVG 的场景:
- 图标、logo、简单插画——从 app icon 到广告牌都能无损缩放;
- 网页/应用内需要可缩放的资产;
- 设计工具里需要单条 path 仍可编辑。
不适合的场景:复杂纹理、照片级内容、渐变密集的插画——这些场景光栅图反而更合适。
resp = client.images.generate(
model="gpt-image-2.6-flare",
prompt="一个极简的闪电图标,单色,简洁线条",
output_format="svg",
quality="low",
complexity="low",
)
svg = resp.data[0].b64_json # base64 编码的 SVG
渠道差异:部分第三方聚合渠道(如 AI/ML API)尚未支持 SVG 输出,返回的格式集合是 PNG/JPEG/WebP/GIF。如果你的流程依赖 SVG,先验证目标渠道是否真的透传了
output_format: "svg"。
五、markup 引导编辑:让模型知道改哪里
这是本次更新最具实用价值的功能,也是图像编辑领域的一个范式转变。
5.1 传统方式的痛点
用文字描述编辑位置一直很痛苦:
“把左边那个灯往左移一点,不对,是右边那个灯”
这种句子谁也不想写。
5.2 markup 的做法
在第一张输入图之后,提供第二张透明 PNG 作为标注层,在图上圈出或箭头指向要改的区域。
resp = client.images.edit(
model="gpt-image-2.6-sunburst",
image=[
open("original.png", "rb"), # 第一张:原图
open("markup.png", "rb"), # 第二张:透明标注层
],
prompt="把圈出的台灯换成黑色金属材质,其余部分保持不变",
quality="high",
complexity="low", # 局部编辑用 low,避免改到别的地方
)
三个实操要点:
- 第二张图必须是透明 PNG,画上红圈、箭头之类的标记;
- 它作用在第一张图上——顺序不能反;
complexity用low——这是局部编辑,规划量越低越不容易产生意外改动。
5.3 2.5 也支持
OpenAI 的 changelog 明确:“markup-guided editing for supported GPT Image 2.5 and 2.6 models”。
这一点很重要:如果你已经在用 2.5,不需要为了 markup 编辑迁移到 2.6。只有 GIF 和 SVG 是 2.6 独有的。
六、尺寸、批量与限制
6.1 自定义尺寸
| 项 | 值 |
|---|---|
| 步进 | 16 像素的倍数 |
| 宽高比 | 1:3 到 3:1 |
| 长边上限 | 3,840 像素 |
| 总像素上限 | 8,294,400(4K) |
| 官方状态 | 超过 2560×1440 的尺寸标注为实验性 |
6.2 Batch API:不支持
这是本次更新对生产流程影响最大的一条:
| Images 2.5 | Images 2.6 | |
|---|---|---|
| Batch 端点 | 支持 | 不支持 |
| Batch 图像输出价 | $15 / 1M | 未列出 |
Flare 的模型页只列出了两个端点:image generation 和 image edit。Batch 被标记为不支持。
如果你现在的生产流程是”夜间批量生成几千张素材”:
- 2.6 不能直接替换 2.5;
- 而且 2.5 的 Batch 是半价——这一条让 2.5 在批量场景的成本优势进一步放大;
- 迁移前必须先重构为并发调用 + 自己的重试队列。
6.3 usage 字段:先验证再建成本追踪
API 参考文档里的 usage 对象描述仍然写着”applies to gpt-image-1 only”。
这意味着:不要假设 2.6 的响应一定带 usage。第三方实测也观察到某些渠道的 2.6 响应里没有 usage。
如果你要建成本追踪系统,接入第一天就先验证:
resp = client.images.generate(
model="gpt-image-2.6-flare",
prompt="一个简单的测试图",
quality="low",
)
print("has usage:", hasattr(resp, "usage"))
print(resp.usage if hasattr(resp, "usage") else "NO USAGE FIELD")
没有 usage 的话,你就无法按真实 token 记账——只能退回到”按档位估算”,而这正是成本误差的来源。
七、从 2.5 迁移的检查表
| 检查项 | 结论 | 行动 |
|---|---|---|
| 需要 GIF | 2.5 做不到 | 迁 2.6 |
| 需要 SVG | 2.5 做不到 | 迁 2.6 |
| 需要 markup 编辑 | 2.5 也支持 | 不必迁 |
| 用 Batch API | 2.6 不支持 | 留在 2.5,或重构为并发 + 重试队列 |
| 低/中质量档大批量 | 2.6 贵 3–4 倍且无 Batch 折扣 | 留在 2.5 |
| 高质量档 | 成本相同、提速约 50% | 可以迁 |
| 需要可复现快照 | 2.6 没有日期固定的 model string | 自己加输出缓存 |
成本追踪依赖 usage | 文档说仅适用于 gpt-image-1 | 先验证再上线 |
八、和 NixAPI 的关系:为什么统一端点在这里有实际价值
Images 2.6 引入了新的输出形态(GIF、SVG)、新的控制维度(complexity)、新的尺寸规则(16px 倍数、4K、1:3–3:1),而不同渠道的支持程度还不一样:
- SVG 输出并非所有渠道都支持;
usage字段的返回情况因渠道而异;- Batch 支持与否也可能不同。
这正是”统一 API 层”能解决的具体问题:
- 参数透传可控——
complexity、frame_count、frame_duration_ms这些新参数在透传时可能被静默丢弃,需要一个能验证回显的层; - 能力探测——网关可以在接入时探测目标渠道支持哪些
output_format,而不是等到运行时报错; - 统一计费——真实 token 数来自
usage,统一视图里用实测 usage 而不是档位估算; - 工作负载路由——按任务类型自动分流:批量图标 → 2.5 Batch;最终交付图 → 2.6 Sunburst;探索迭代 → 2.6 Flare。
完整模型列表与实时价格见 NixAPI 定价页。
九、结语
Images 2.6 的功能列表看起来很吸引人——GIF、SVG、markup 编辑、complexity。但对开发者来说,真正需要记住的是这三条:
complexity默认是high,且不额外收费——但会增加延迟并可能引入意外改动。显式设置它是接入第一天就该做的事。- 2.6 没有 Batch API,而 2.5 的 Batch 是半价——批量生产场景暂时没有迁移理由。
- markup 编辑 2.5 就支持——只有 GIF 和 SVG 才是必须迁移的理由。
最后提醒一句:本文没有展开成本细节,因为2.6 的低/中档成本是 2.5 的 3–4 倍这件事值得单独一篇。具体数据见 OpenAI Images 2.6 真实成本拆解。
延伸阅读:
- OpenAI 官方:GPT-Image-2.6 Flare 模型页
- OpenAI 官方:GPT-Image-2.6 Sunburst 模型页
- OpenAI 官方:Images API 指南
- OpenAI 官方:API 参考
- 配套阅读:OpenAI Images 2.6 真实成本拆解
- 配套阅读:GPT-6.1 Terra API 定价与选型指南
本文由 NixAPI 编辑团队撰写。NixAPI 是统一接入多家大模型 API 的聚合服务,支持 OpenAI / Anthropic / Google / DeepSeek 等 30+ 模型,控制台 注册即送 $1 试用额度。