GPT Image 2.6 Sunburst、Flare 與 GPT Image 2 的編修比較

目錄
  1. GPT Image 2.6 有哪些變化?
  2. GPT Image 2、2.5 與 2.6 在 Arena 上的表現如何?
  3. GPT Image 2、Sunburst 與 Flare 如何處理相同編修?
  4. 三款模型回傳時程表編修結果需要多久?
  5. 高複雜度是否改善時程表編修?
  6. 標記何時能幫助 GPT Image 2.6 選對物件?
  7. 編修測試如何進行?
  8. 常見問題
  9. GPT Image 2 的比較是否採用相同規劃程度?
  10. 是否透過 Synthorai 測試 GPT Image 2.5?
  11. 圖片編修應在何時使用標記?
  12. 高複雜度是否讓時程表編修更可靠?

GPT Image 2 與兩款 GPT Image 2.6 變體,都能更新同一張食品標籤上的三個欄位,同時保留周圍文字。處理研討會時程表時,Sunburst 在中等複雜度下有 2/4 張通過。中等複雜度的 Flare 與採用預設規劃的 GPT Image 2,各自都是 0/4。這項時程表任務要求模型對調兩場演講,並讓 FULL 標籤跟著其中一場移動。

TL;DR

  • GPT Image 2 與兩款 2.6 變體都通過同一項食品標籤編修。
  • 處理時程表時,Sunburst 在中等複雜度下通過 2/4。GPT Image 2 與 Flare 都是 0/4。
  • Sunburst 在中等與高 complexity 下,時程表圖片都通過 2/4。Flare 在中等複雜度下有 0/4 張正確對調兩場演講,高複雜度下則有 2/4 張,但兩種設定的完整通過率都是 0/4。
  • 文字未指定位置時,視覺提示讓目標選取命中率從 1/4 提升至 4/4。

GPT Image 2.6 有哪些變化?

OpenAI 於 2026 年 11 月 4 日發布 Images 2.6。Sunburst 主打細節處理與多次編修的一致性,Flare 則著重更快速的迭代。這次更新也在 API 中加入視覺標註與規劃控制,並支援輸出 GIF 和 SVG。OpenAI 發布說明

complexity 設定控制算圖前的規劃程度,另一個 quality 設定則控制算圖細節。OpenAI 文件列出 low、medium 與 high 三種規劃等級,其 API 預設為 high。2.6 的請求會明確設定這兩項參數。OpenAI 圖片生成指南

GPT Image 2、2.5 與 2.6 在 Arena 上的表現如何?

GPT Image 2.5 的數據完全取自 Arena 公開的單張圖片編修排行榜。在 2026 年 11 月 12 日的快照中,兩個 2.5 項目的顯示分數都高於列出的 2.6 Medium 項目。Arena 分數反映投票者偏好。各項目的票數與設定標籤不同,下表分數也保留 Arena 顯示的不確定性。Arena 單張圖片編修排行榜

Arena 項目顯示分數票數
GPT Image 2.5 Sunburst1519 ± 5131,648
GPT Image 2.5 Flare1484 ± 4128,720
GPT Image 2.6 Sunburst (Medium)1476 ± 113,493
GPT Image 2 (Medium)1462 ± 3364,695
GPT Image 2.6 Flare (Medium)1460 ± 103,534

「Medium」是 Arena 的項目標籤。在我們的閘道測試中,GPT Image 2 請求省略了 complexity 欄位。

GPT Image 2、Sunburst 與 Flare 如何處理相同編修?

三款模型都通過食品標籤編修。GPT Image 2 與兩款 2.6 變體,都正確修改鈉含量、批號與淨重,並保留周圍文字。Sunburst 與 Flare 也都通過六項簡單編修。只要明確指定位置,兩者在瓶蓋與參考徽章任務中也能保留周圍細節。

原始食品標籤,以及 GPT Image 2、Sunburst 與 Flare 的編修結果,顯示更新後的鈉含量、批號與淨重。

上排:原圖與 GPT Image 2。下排:Sunburst 與 Flare。GPT Image 2 採用預設規劃,兩款 2.6 變體則使用中等複雜度。

在時程表任務中,我們要求各模型對調 Studio B 10:00 與 Studio C 11:30 的演講標題和講者,再於 Sound Lab 的新時段加入 FULL。GPT Image 2 每次都把 Sound Lab 留在原時段,反而對調另外兩場演講。Sunburst 的四張中等複雜度圖片都正確移動指定的兩場演講,其中兩張卻把標籤留在舊時段。

模型規劃設定食品標籤,完整通過時程表,兩場演講都在正確時段時程表,完整通過
GPT Image 2預設,省略欄位1/10/40/4
GPT Image 2.6 Sunburst中等1/14/42/4
GPT Image 2.6 Flare中等1/10/40/4

原始研討會時程表與各模型的一張編修結果。GPT Image 2 移動了錯誤的演講,Sunburst 正確移動兩場指定演講與標籤,Flare 則把其中一場放錯位置。

上排:原圖與 GPT Image 2。下排:一張 Sunburst 圖片與一張 Flare 圖片。表格納入每款模型的全部四張圖片。GPT Image 2 採用預設規劃,兩款 2.6 變體則使用中等複雜度。

三款模型都透過 Synthorai 接收相同來源圖片與 prompt,輸出尺寸也相同,指定的 quality: "medium" 亦一致。GPT Image 2 請求省略 complexity。下表中的兩個 2.6 請求則明確設定 complexity: "medium"。GPT Image 2 的實際規劃等級不明,因此表格比較的是實際執行的三種 API 設定。每個食品標籤分數來自一張圖片,每個時程表分數則來自同一版面的四次嘗試。

三款模型回傳時程表編修結果需要多久?

使用相同的時程表圖片與 prompt 時,Flare 回傳圖片的中位數是 7.5 秒,其次是 Sunburst 的 18.9 秒,以及 GPT Image 2 的 27.0 秒。每個中位數都涵蓋四次成功的 API 回應,測試從同一台主機透過 Synthorai 執行,計時範圍從送出請求到收到完整圖片回應。

模型與規劃設定成功回應數中位數範圍
GPT Image 2,預設427.0 s26.0 to 47.5 s
GPT Image 2.6 Sunburst,中等418.9 s18.3 to 21.3 s
GPT Image 2.6 Flare,中等47.5 s7.2 to 8.0 s

這些數據是單次編修在中等算圖品質下的端到端延遲。GPT Image 2 在另一批次執行,且省略規劃欄位。

高複雜度是否改善時程表編修?

Flare 在高複雜度下有兩張正確對調兩場演講,中等複雜度下則一張也沒有。兩款模型在兩種設定下的完整通過數都相同。這項時程表任務要求兩個變更保持連動。首先,對調 Studio B 10:00 與 Studio C 11:30 的演講標題和講者,同時讓各會議室與時間留在原時段。接著,在現在包含 Sound Lab 的卡片上加入 FULL。圖片即使正確對調兩場演講,仍可能把 FULL 加在舊位置。

下方的 Sunburst 範例正是如此。兩張圖片都把 Sound Lab 移至 Studio B 10:00,也把 Shape Lab 移至 Studio C 11:30。中等複雜度的圖片把 FULL 放在 Sound Lab 上,高複雜度的圖片卻把它放在 Shape Lab 上,也就是 Sound Lab 原本所在的時段。

原始時程表與兩張 Sunburst 編修結果。中等複雜度圖片把 FULL 放在 Studio B 10:00 的 Sound Lab 上。高複雜度圖片對調演講後,卻把 FULL 放在 Studio C 11:30 的 Shape Lab 上。

由左至右:原始時程表、正確的 Sunburst 中等複雜度圖片,以及標籤仍在舊時段的 Sunburst 高複雜度圖片。

這 16 張圖片使用相同的來源時程表,每款模型與複雜度設定各產生四張。

模型中等,兩場演講正確對調中等,完整通過高,兩場演講正確對調高,完整通過
Sunburst4/42/44/42/4
Flare0/40/42/40/4

Sunburst 在每種設定下各有兩張把 FULL 放到錯誤卡片。Flare 在高複雜度下正確對調演講的兩張圖片,也都放錯標籤。每種設定僅在同一張時程表上產生四張圖片,因此這些數字只描述這項編修。12 次重複請求在兩種設定下回報的輸入與輸出 token 數量完全相同。

若用於活動發布流程,上線前應檢查每個受影響的時段,並從最終圖片回讀標籤。如果時程表來自結構化活動資料,應直接從該資料算圖文字與標籤,確保活動換時段時,標籤也會跟著移動。

標記何時能幫助 GPT Image 2.6 選對物件?

當圖片中有多個同樣合理的目標,而文字未指定選哪一個時,標記很有幫助。我們給 GPT Image 2.6 Sunburst 和 GPT Image 2.6 Flare 一張六個相同瓶子的排列圖,要求只把一個瓶蓋改成拋光金色。各條件的文字完全相同,內容要求模型在有標註時編修被圈起的瓶蓋,但不以文字描述位置。

我們分別指定上方中間與右下方的瓶蓋作為目標。沒有覆蓋圖時,若碰巧選中指定瓶蓋,只能算偶然命中。下圖中,Flare 在沒有標記時選擇上方中間的瓶蓋。加入覆蓋圖後,它編修了右下方的瓶蓋,並讓另外五個維持黑色。

三個圖格分別顯示被圈起的右下方目標、Flare 在沒有標記時修改上方中間瓶蓋,以及 Flare 在有標記時修改右下方瓶蓋。

由左至右:以紅色顯示覆蓋圖的輸入、沒有標記的 Flare,以及有標記的 Flare。請求將來源圖片與覆蓋圖作為兩個獨立輸入送出。

指定瓶蓋Sunburst 無標記Sunburst 有標記Flare 無標記Flare 有標記
上方中間上方中間上方中間右上方上方中間
右下方上方中間右下方上方中間右下方
目標命中1/22/20/22/2

全部八張輸出中,模型都只修改一個瓶蓋,讓另外五個維持黑色,也沒有在算出的圖片中保留圓圈。覆蓋圖改變的是編修落在哪個瓶蓋。在另外兩項文字已指定目標位置的任務中,也就是更換指定瓶蓋及在包裝上放置徽章,每種條件下都有 4/4 張符合測試條件。

這項位置測試使用一張合成圖片上的兩個目標,每款模型與條件各產生一張圖片。若工作流程允許使用者在畫布上選取物件,這個結果直接展示了選取資訊的用途。當文字已能唯一識別目標時,在上述兩項任務中沒有觀察到額外覆蓋圖帶來的效益。

編修測試如何進行?

我們透過 Synthorai 圖片生成端點傳送 JSON 請求。每個請求都產生一張 1024 × 1024 PNG,並將 quality 固定為 medium。瓶子比較將複雜度維持在中等,只調整有無覆蓋圖。時程表比較則在每款模型與設定下取得四張成功輸出。GPT Image 2 請求在另一批次執行,評分者評分時知道模型名稱。重複測試中的 2.6 圖片以編號呈現,由同一位評分者依相同任務檢查表評估。時程表必須同時滿足以下條件才算通過:兩張目標卡片正確、標籤跟著 Sound Lab 移動、其餘四張卡片和會議室/時間標籤保持不變,以及頁尾與格線完整。

範例使用 Synthorai 位於 /v1/images/generations 的 JSON 端點。OpenAI 文件則說明如何透過其原生 /v1/images/edits 端點進行標記引導的編修。OpenAI 圖片生成指南 Synthorai Image API

若要重現帶標記的 Flare 請求,請將兩個檔案與指令碼存放在同一目錄。覆蓋圖是與來源圖片尺寸相同的透明 PNG,並以圓圈標出右下方瓶蓋。來源 PNG · 覆蓋圖 PNG

import base64
import json
import os
from pathlib import Path
from urllib.request import Request, urlopen

def png_data_url(path):
    return "data:image/png;base64," + base64.b64encode(Path(path).read_bytes()).decode()

payload = {
    "model": "gpt-image-2.6-flare",
    "prompt": (
        "Change exactly one bottle cap from black to polished gold. "
        "If a cap is circled in the annotation, change that cap. "
        "Keep all other caps black and preserve the six bottles and layout. "
        "Do not reproduce the circle."
    ),
    "image": png_data_url("bottles.png"),
    "markup": png_data_url("cap-overlay.png"),
    "complexity": "medium",
    "quality": "medium",
    "size": "1024x1024",
    "n": 1,
    "output_format": "png",
}

request = Request(
    "https://synthorai.io/v1/images/generations",
    data=json.dumps(payload).encode(),
    headers={
        "Authorization": f"Bearer {os.environ['SYNTHORAI_API_KEY']}",
        "Content-Type": "application/json",
    },
)
with urlopen(request, timeout=240) as response:
    result = json.load(response)

Path("edited.png").write_bytes(base64.b64decode(result["data"][0]["b64_json"]))
print(result.get("usage"))

常見問題

GPT Image 2 的比較是否採用相同規劃程度?

GPT Image 2 請求省略 complexity。Sunburst 與 Flare 在三模型表格中明確使用中等複雜度。輸入與輸出設定一致,結果僅適用於這些特定 API 設定。

是否透過 Synthorai 測試 GPT Image 2.5?

GPT Image 2.5 Sunburst 與 Flare 只出現在公開的 Arena 表格中。Synthorai 實驗使用的是 GPT Image 2、GPT Image 2.6 Sunburst 與 GPT Image 2.6 Flare。Arena 單張圖片編修排行榜

圖片編修應在何時使用標記?

若能直接在圖片上指出目標物件,尤其是有多個外觀相似的物件時,請使用 markup。將標註以獨立的透明 PNG 傳送,並在 prompt 中描述編修內容。在六個瓶子的圖片上,帶標記請求有 4/4 次選中指定瓶蓋,未標記請求則只有 1/4。

高複雜度是否讓時程表編修更可靠?

在這個版面上,Sunburst 於兩種設定下都通過 2/4,Flare 則都是 0/4。Flare 在兩張高複雜度圖片中正確放置兩場演講,但兩張仍都放錯 FULL 標籤。

← 返回部落格