GPT-Image-2.5 Flare vs Sunburst vs gpt-image-2：怎么选，每张图多少钱

OpenAI 于 2026 年 9 月 8 日发布 ChatGPT Images 2.5，带上两个 API 模型：gpt-image-2.5-flare 和 gpt-image-2.5-sunburst。它们与 gpt-image-2 的每 token 单价相同，并且在 OpenAI 定价计算器里共用一个条目。所以单看 token 表帮不了你做选择。变的是底下的质量档位，重贴标签会让一张 quality: "high" 图像大约差 4 倍。

这是决策页：每 token 单价、五种 2.5 质量档相对 gpt-image-2 的每图估算、标签重映射、10,000 张月预算、“涨价 2 倍”的传言，以及迁移清单。如果想先看请求语法，去读如何使用 gpt-image-2.5 API。OpenAI 定价页 是下面每个费率的来源。每张图数字都是计算器估算，因为 OpenAI 提醒 token 消耗“can differ by model and quality setting”；账单来自 usage.output_tokens 来自响应。

每 token 单价：三个模型完全相同

OpenAI 定价页给两个 2.5 模型列了相同的 Standard 费率，各模型页也写 “Token rates match GPT Image 2”。下面是完整表，包括发布时造成混淆的 Batch 行。

所有数字都是每 100 万 tokens。这里每个模型的输出都只有图像，所以账单上不会出现 text output。

早期报道里的“涨价 2 倍”：来自把 2.5 Standard 行拿去对比 gpt-image-2 的 Batch 行，后者打五折。在定价页把 Standard 对 Standard，所有费率都没变。

每个质量档一张图要花多少钱

每 token 持平就是相似之处的尽头。OpenAI 计算器（读取于 2026-09-09）在同一个条目 “GPT Image 2.5 (Sunburst and Flare)” 下给出这些 image output token 数。费用是 tokens × $30/100 万，只算 output tokens。

下面是同一文档页、相同尺寸的 gpt-image-2 表。

有两件事很显眼。横向尺寸每一行都比正方形便宜，OpenAI 文档也点了这个规律。而且 2.5 的 high 行和 gpt-image-2 的 high 行完全不是一档。这就是重贴标签。

Prompt 文本和参考图要另计。发到 images/edits 的参考图按 image input tokens、$8/100 万计费；OpenAI 不公布每张图的 input token 数，所以从 usage.input_tokens.

质量档位被重新贴了标签

把 token 预算对齐，映射就清楚了。在 2.5 上，high 是 1,756 个 output tokens，相当于 gpt-image-2 花在 medium。在 2.5 上，max 是 7,024 tokens，相当于 gpt-image-2 花在 high. low 仍是 196 tokens，没变。

因此一次保持 quality: "high" 的迁移，每张图大约便宜 4 倍，并按旧 medium 预算渲染。想要旧 high 预算必须改到 max，价格基本等于旧账单。xhigh 是新的中间档，gpt-image-2 没有对应项。

月度账，来自 OpenAI 计算器对 1024x1024 的估算：

• 10,000 张图，2.5 high：10,000 × $0.05268 = $526.80
• 10,000 张图，gpt-image-2 high：10,000 × $0.211 = $2,110
• 10,000 张图，2.5 max：10,000 × $0.21072 = $2,107.20，基本等于旧的 high
• 流式加上 partial_images: 3 会多 300 tokens，即 每图 $0.009，因为每张 partial 要 100 个 image output tokens

Flare vs Sunburst：溢价买到的是什么

两个模型共用计算器条目，所以文档里的 token 数相同。Sunburst 并不更贵；溢价是时间。OpenAI 的 发布博文 把 Flare 对准“高并发生成”，把 Sunburst 对准“能从更紧编辑控制中受益的高端视觉工作流”。文档压成一句：“编辑精度最重要时选 Sunburst，快速、高质量的日常生图选 Flare。”

社区信号，按社区信号处理：

• 在 HN 讨论帖，用户 jjcm 说自己的 AI UI 设计工具在 gpt-image-2 上大约跑过 50,000 张，平均延迟“一直在 104s 左右”，2.5 则是“大约 35-40s”。一个数据点、一种负载；OpenAI 自己的宣称是延迟“最多低 50%”。
• 这个 Arena 文生图榜（社区投票，更新于 2026 年 9 月 7 日）Sunburst 第一 1421，Flare 第二 1399，gpt-image-2 medium 第三 1381，然后是 Microsoft 的 mai-image-2.6 1331；Nano Banana 2 在 1261。在 图像编辑榜 上差距拉大：Sunburst 1520、Flare 1491、gpt-image-2 1461。这是众包偏好分，不是 OpenAI 基准。

决策规则：默认 Flare。多轮编辑、参考主体必须撑过好几轮指令时再换 Sunburst。Arena 文生图差 22 分、编辑差 29 分，支持 OpenAI 的框架：编辑才是 Sunburst 值得等待的地方。如果这个差距在你自己的 prompt 上不出现，你就是在为延迟付钱。

何时 gpt-image-2 仍然合理

Batch 折扣。 定价页的 Batch 标签只列出 gpt-image-2，每 100 万 output tokens $15；/v1/batch 是否接受 2.5 id，写作时文档没写。如果你的负载能接受 Batch API 的周转，gpt-image-2 的 Batch medium（$0.053 的一半）会比 2.5 high 的 Standard 费率更便宜，token 预算却相同。

钉死的快照。 gpt-image-2-2026-04-21 从 4 月上线到 2026-09-09 没有弃用通知。如果你的流水线依赖有人目视过的输出，一个不再变化的快照就是特性；我们的 gpt-image-2 API 指南覆盖它的参数。跨厂商锚点可以对比同一输出尺寸下的 Nano Banana 2 API 定价和 FLUX.2 API；2.5 high 大约五美分一张方图，是需要被打赢的数字。

从 gpt-image-2 迁到 2.5 的清单

• 换模型 id。 gpt-image-2 变成 gpt-image-2.5-flare（或 -sunburst）；钉死 gpt-image-2.5-flare-2026-09-08 以保持输出稳定。
• 重映射质量标签。 旧的 medium 变成新的 high，旧的 high 变成新的 max, low 保持 low。写在配置里，不要写在每个调用点。
• 考虑 xhigh 和 max. 两者都是 2.5 新增；xhigh 在 3,122 tokens，落在旧 medium 和旧 high 预算之间。
• 丢掉对 thinking 的假设。 2.5 文档没有描述 thinking 参数；从模板里删掉它，而不是假设它会被接受或忽略。
• 重新测量 usage. 记录 usage.output_tokens 和 usage.input_tokens 连续一周真实 prompt；计算器数字只是估算。
• 核对 Batch 资格。 如果你依赖 50% 的 Batch 折扣，先确认 /v1/batch 接受 2.5 id，再切换。

用一个保存的请求，在 Apifox 里对比三个模型

Apifox 是 API 客户端和测试平台。它发送 images/generations 请求并对响应做断言；它不生成图像，也不跑模型。所以这里适合用你自己的 prompt 了结 Flare vs Sunburst vs gpt-image-2。

建一个请求到 POST https://api.openai.com/v1/images/generations，把模型做成变量，然后创建三个环境，分别叫 flare, sunburst 和 gpt-image-2。各自设置 {{model}} 并保存 OPENAI_API_KEY 作为环境变量，key 就不会进请求 body。

{
  "model": "{{model}}",
  "prompt": "Product photo of a matte black ceramic mug on a walnut desk, soft window light",
  "size": "1024x1024",
  "quality": "high",
  "output_format": "jpeg",
  "output_compression": 80
}

再加一段后置操作脚本，记下数字，token 预算滑了就让这次运行失败：

const body = pd.response.json();
const tokens = body.usage.output_tokens;
pd.environment.set("last_output_tokens", tokens);
pd.environment.set("last_wall_clock_ms", pd.response.responseTime);
pd.test("output tokens within budget", () => {
  pd.expect(tokens).to.be.below(2000);
});

在每个环境跑这个请求。Apifox 的响应时间是你的墙钟数字，last_output_tokens 是拿去对照计算器 1,756 的实测计数，flare 与 sunburst 两次运行的差距就是这个 prompt 的 Sunburst 溢价。同样的环境切换也适用于 images/edits 的 multipart 调用；在那里断言 usage.input_tokens，就能知道一张参考照片要花多少。下载 Apifox，在改生产代码之前先跑对比。

常见问题

gpt-image-2.5 比 gpt-image-2 更贵吗？ 按 token，不贵。两个 2.5 模型和 gpt-image-2 Standard 都是 $30/100 万 image output、$8/100 万 image input、$5/100 万 text input。按图算，2.5 的 high 请求在 1024x1024 大约 $0.053，gpt-image-2 high.

Sunburst 比 Flare 更贵吗？ 不。两个模型共用一个计算器条目，所以每个质量和尺寸下文档 token 数相同。Sunburst 的溢价是更长的生成时间，OpenAI 称之为编辑向工作的“extra level of precision”。

哪个质量设置替换我旧的 gpt-image-2 high? max。它在 1024x1024 用 7,024 tokens，与 gpt-image-2 high 相同，计算器费用 $0.21072。把 high 留着，你会得到旧 medium 预算，价格大约是原来的四分之一。ChatGPT Images 2.5 的主文覆盖了其余变化。

付钱给 API 之前，有免费办法试 Images 2.5 吗？ 有。该模型在每个 ChatGPT 档位都可用，带分套餐生成上限，见如何免费使用 ChatGPT Images 2.5。API 的图像接口没有免费档；low 质量大约每张方图 $0.006，是最便宜的实路。

该选哪个模型

高并发或对延迟敏感的场景用 Flare，大多数工作用 high 应付大多数工作，max 当旧的 gpt-image-2 high 外观是硬性要求。Sunburst 用于参考主体必须存活的多轮编辑，先在你自己的 prompt 上并排看过；gpt-image-2 用于 Batch 任务和你还不打算重新目视的钉死流水线。无论选谁，都从真实响应读 usage.output_tokens；在 Apifox 里三个环境和一个保存的请求，一个下午就能拿到这个数字。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。

获取专属报价与部署方案

详细的私有化部署系统架构与安全白皮书

针对您公司规模的专属报价单

免费的 1v1 专属产品演示 (Demo) 机会

获取部署方案

* 提交后，我们的客户经理将在 1 个工作日内与您联系

林俊锋 企业微信

@Apifox 专属顾问

扫码备注: 私有化 + 公司名