ChatGPT Images 2.5 na API: o que muda para quem gera imagem em alto volume?

Fala aí, beleza? A OpenAI soltou no dia 08/09/2026 o ChatGPT Images 2.5, e junto veio o que realmente mexe com quem constrói: dois modelos novos na API, Flare e Sunburst

Se você só usa o ChatGPT, a novidade é imagem mais nítida e edição mais certeira

Mas se você tem um produto rodando, o hype do chat não paga boleto: o que importa é o que mudou no endpoint

E mudou em três eixos bem concretos: latência, custo por token e escolha de modelo

Bora destrinchar cada um? 🙂

O que a OpenAI anunciou no ChatGPT Images 2.5

O anúncio oficial apresenta o Images 2.5 como o novo modelo de imagem da OpenAI, com três promessas: detalhes mais nítidos, edição mais precisa e geração mais rápida

A parte de comportamento é a que mais interessa pra quem já apanhou de modelo de imagem

A OpenAI descreve iluminação mais natural e texturas mais ricas, melhor preservação de pessoas e objetos das fotos de referência, e edições que alteram só o elemento pedido

Esse último ponto é ouro: quem já pediu "troca só a cor da camiseta" e recebeu uma pessoa completamente diferente de volta sabe do que eu tô falando haha

O anúncio também cita renderização mais precisa de informações do mundo real, layouts mais complexos (incluindo fundos transparentes) e maior consistência de estilo

No produto, o Images 2.5 está disponível para todos os usuários de ChatGPT, ChatGPT Work e Codex, em desktop, mobile e web

E tem System Card publicado no Deployment Safety Hub, caso você precise levar documentação de segurança pra alguém aprovar o uso na empresa

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 114 aulas
• 4 projetos
• 9h 15min

Conhecer formação

Flare ou Sunburst: qual modelo usar na sua aplicação

Os dois modelos novos são gpt-image-2.5-flare e gpt-image-2.5-sunburst

O Flare carrega as mesmas melhorias de qualidade, edição e velocidade do lançamento

O Sunburst adiciona um nível extra de precisão para trabalho criativo detalhado, com tempos de geração maiores

Repara na última linha, porque ela muda a conversa inteira

O preço por milhão de tokens é o MESMO nos dois

Então a escolha entre Flare e Sunburst não é uma decisão de orçamento por tarifa, é uma decisão técnica: velocidade contra precisão de edição

Qual escolher para alto volume, na prática

Veredito curto: se o seu gargalo é volume e tempo de resposta, começa no Flare

É literalmente o critério que a documentação sugere, o Flare como ponto de partida quando velocidade é a prioridade

O Sunburst entra quando o fluxo depende de editar uma imagem existente sem estragar o resto, aquele caso em que errar a edição custa mais caro do que esperar alguns segundos a mais

E aqui vale um aviso de honestidade: eu não vou te vender benchmark que não existe

O que está publicado é o posicionamento oficial dos dois modelos: o Flare entregando qualidade superior ao GPT-Image-2 com 50% menos latência, e o Sunburst trocando velocidade por precisão de edição

Benchmark comparativo contra concorrente, ranking, nota de arena, nada disso eu vi em fonte oficial, então não entra aqui

Se alguém te mostrar tabela de posição com número redondo, desconfia e pede a fonte

O que muda para quem gera imagem em alto volume

Agora a parte que dói no bolso, beleza?

A cobrança é por tokens, não por um SKU fixo de imagem

Ou seja: não existe "preço da imagem", existe o preço dos tokens necessários pra renderizar aquela imagem

Tamanhos maiores e qualidade mais alta geram mais tokens, e mais tokens significam mais custo E mais latência ao mesmo tempo

As tarifas na página de preços da API são estas:

• US$ 5 por milhão de tokens de texto de entrada
• US$ 8 por milhão de tokens de imagem de entrada
• US$ 2 por milhão de tokens de imagem de entrada em cache
• US$ 30 por milhão de tokens de imagem de saída

E são as mesmas tarifas por milhão de tokens do GPT-Image-2, ou seja, não teve aumento de tarifa por token no lançamento

O custo final por imagem varia conforme tamanho, qualidade e imagens de referência, e o guia de geração de imagem tem uma calculadora de custo pra você fazer a conta do seu caso em vez de chutar

Não vou colocar aqui "custa X centavos por imagem", porque esse número depende dos seus parâmetros e eu acho zoado botar valor por achismo

Os níveis de qualidade e o truque do quality=low:

Os dois modelos aceitam os níveis low, medium, high, xhigh, max e auto

A recomendação da própria documentação para casos sensíveis a latência ou de alto volume é começar em quality="low" e avaliar se aquilo já atende ao requisito visual

O argumento é simples: em muitos casos a fidelidade é suficiente, com geração bem mais rápida

{
  "model": "gpt-image-2.5-flare",
  "prompt": "infográfico simples sobre reciclagem, fundo claro",
  "size": "1024x1024",
  "quality": "low"
}

O erro clássico aqui é subir direto pro max "porque é o melhor"

Você paga mais tokens, espera mais tempo, e muitas vezes o usuário final nem percebe a diferença no card de 1024×1024 que vai aparecer no feed

Batch API para o que não é interativo:

A Batch API suporta os endpoints /v1/images/generations e /v1/images/edits, e tem 50% de desconto em relação às APIs síncronas

Então tudo que não precisa de resposta na hora (geração noturna de miniaturas, reprocessamento de catálogo, backlog de variações) tem um caminho natural pra sair da rota síncrona

Um porém honesto: a documentação confirma o desconto da Batch e o suporte aos endpoints de imagem, mas eu não achei confirmação explícita do desconto aplicado a esses dois modelos novos

Antes de montar planilha em cima disso, roda um lote pequeno e confere a fatura

O que dá para embutir no produto: geração em volume, busca visual e experiências interativas

Dá pra traduzir os caminhos de integração em três decisões de arquitetura bem diferentes

Geração em volume: fila assíncrona apontando pra Batch API, com /v1/images/generations e /v1/images/edits

O usuário não fica olhando pro spinner, o job roda, o resultado cai no storage

Fluxo conversacional e multi passo: aqui entra a Responses API, que permite gerar imagens dentro de conversas ou fluxos de múltiplos passos, informando o modelo no campo de modelo

É o caminho pra quando a imagem é uma etapa de um raciocínio maior, e não um botão isolado de "gerar"

Experiência interativa: streaming com imagens parciais

O parâmetro partial_images aceita valores entre 0 e 3

Com 0, a resposta é uma única imagem enviada em um evento de streaming

E se liga nesse detalhe, porque ele quebra implementação ingênua: a imagem final pode chegar ANTES de todas as parciais

Se o seu front assume "parcial, parcial, parcial, final" nessa ordem certinha, você vai renderizar um rascunho por cima do resultado bom

E os tamanhos, quais entram?

Os tamanhos padrão são 1024×1024, 1536×1024 e 1024×1536

Para gpt-image-2.5-flare e gpt-image-2.5-sunburst também são aceitas resoluções arbitrárias no formato LARGURAxALTURA, com largura e altura divisíveis por 16 e proporção entre 1:3 e 3:1

Acima de 2560×1440 é experimental, e o máximo suportado é 3840×2160

Tome cuidado com a regra do divisível por 16: é o tipo de coisa que passa batido quando você monta o tamanho dinamicamente a partir de um input do usuário e aí a chamada volta errada em produção, não no seu teste local

Montando um agente de redes sociais com a API do GPT Images

Agora saindo da documentação e indo pro que eu construí

No vídeo abaixo eu monto um fluxo de múltiplos agentes no n8n usando a nova API de geração de imagens, e ele me ensinou umas coisas que a doc não conta

O desenho foi assim:

1. Separei responsabilidades entre dois agentes: um escreve o texto do post, outro cuida só da geração da imagem
2. Coloquei a chamada da API de imagem dentro do fluxo, em vez de gerar imagem na mão no chat e colar depois (o objetivo era automatizar a produção de conteúdo de ponta a ponta)
3. Adicionei uma busca na web pro texto não depender só do conhecimento interno do modelo, e trazer informação atualizada
4. Integrei esse serviço de busca por HTTP Request, com método POST, body em JSON e o header de autorização
5. Guardei o token numa credencial de header auth genérica, em vez de escrever a chave direto no header do nó (é mais seguro e ainda dá pra reaproveitar em outros nós)
6. Converti o retorno da API em arquivo de imagem, porque a resposta vem em base64 e base64 não se posta em rede social
7. Fechei salvando a imagem convertida no Google Drive junto com um documento contendo o texto do post
8. Rodei tudo do início ao fim a partir de um formulário com dois campos obrigatórios: assunto do post e orientações adicionais

O passo 6 é a pegadinha que mais derruba quem tá começando: você olha o JSON, vê aquele calhamaço de caracteres e acha que deu ruim

Não deu, é a imagem mesmo, só que você precisa converter antes de qualquer coisa

A sacada que me convenceu foi ver a imagem sair mais realista e com texto legível DENTRO dela, coisa que eu não conseguia com a geração de imagens anterior

É isso que faz texto e imagem finalmente combinarem no mesmo post

O que travou: lidar com imagem é bem mais complicado do que lidar com texto puro

Sem travas na system message do agente de imagem, apareciam umas coisas estranhas, gente parecendo boneco, aquele visual de IA de 2023 😛

A solução foi encher a system message de limites e cravar um estilo fixo de infográfico de marketing, com exemplos dentro do prompt

E tem o custo de tempo: a chamada de geração de imagem demora mais que a resposta de texto do modelo, porque envolve mais processamento

É o mesmo raciocínio de outras automações que tiram passo manual do caminho, tipo a indexação de código que se atualiza sozinha: o ganho não é a mágica, é não precisar lembrar de fazer a etapa chata

No vídeo você acompanha a montagem do fluxo inteiro, do formulário de entrada até o arquivo salvo no Drive, incluindo as travas de prompt que eu precisei colocar pra imagem parar de fugir do estilo

O que continua sendo trabalho manual

Agora a parte que ninguém coloca no post de lançamento

O Sketch, aquele recurso de desenhar como referência pra imagem final, é do produto ChatGPT, não da API

Desenhar um rabisco de referência não é chamada de endpoint, então não conta com isso no seu backlog de integração

Curadoria continua sendo sua: alguém precisa olhar a saída e dizer se aquilo vai pro ar

Definir tamanho e nível de qualidade caso a caso também é decisão de time, e é justamente onde mora o controle de custo, já que qualidade e tamanho viram tokens

E prompt de estilo não se resolve sozinho: no meu fluxo, o que estabilizou o resultado foi eu escrever limites e exemplos na mão, testar, e ajustar de novo

Não existe prompt mágico pra isso, existe iteração

Conclusão

Recapitulando o que muda de fato com o ChatGPT Images 2.5 na API:

dois modelos novos (gpt-image-2.5-flare e gpt-image-2.5-sunburst), mesmas tarifas por token do GPT-Image-2, e o Flare entregando qualidade superior ao GPT-Image-2 com 50% menos latência

Se você já tem um fluxo rodando, o próximo passo é bem simples

Troca o modelo pelo ID novo, mede a latência real em quality="low" antes de subir a qualidade, e manda pra Batch API tudo que não precisa de resposta imediata

Mede primeiro, sobe depois

Quem faz o caminho inverso descobre a conta no fim do mês e aí já era haha

Se curtiu, fica de olho por aqui e no canal, que tem mais coisa vindo sobre agentes e automação com IA…

até o próximo post! 😀