GPT Image 2.5 vs GPT Image 2: Jeg kørte de samme prompts gennem begge. Her adskiller de sig faktisk

OpenAI udgav ChatGPT Images 2.5 den 8. september og opsummerede det som "sharper details, more precise editing, and faster generation". På API-siden betyder det to nye modeller, GPT-Image-2.5 Flare og GPT-Image-2.5 Sunburst. ZOOOP havde begge live dagen efter, som to versioner af én model i AI-billedgeneratoren.

Lanceringsindlæg læser altid godt. Genererer du billeder hver dag, er der kun ét spørgsmål, der fortjener et svar: Jeg er glad for GPT Image 2 — hvad får jeg egentlig ud af at skifte til 2.5? Så jeg kørte det samme sæt prompts gennem begge generationer og ændrede intet andet end modellen. Her er, hvad man kan se, og hvad man ikke kan.

Hvad GPT Image 2.5 er, og hvad Flare og Sunburst er

Navnene først, for OpenAI udgav tre af dem på én gang.

ChatGPT Images 2.5 er produktnavnet inde i ChatGPT. Der findes ingen API-model kaldet "2.5" — der er to: Flare og Sunburst. Ifølge OpenAI er Flare standarden til de fleste formål og leverer bedre billeder end GPT-Image-2 med halv latenstid. Sunburst er bygget til premium-workflows, der vil have strammere kontrol over redigeringer, og den er længere tid om at generere. De to deler samme prompts, parametre og billedformater.

På ZOOOP har vi ikke listet dem som to separate modeller — det ville antyde, at man vælger mellem to forskellige ting. De er to versioner under GPT Image 2.5, én kontakt fra hinanden. Derfor kører alle sammenligninger i dette indlæg som standard på Flare; Sunburst får sit eget afsnit længere nede.

Sammenlignet med GPT Image 2 er tre ting ændret på parameterniveau: kvalitetsstigen går fra Low / Medium / High til fem trin med XHigh og Max øverst; der er en ny 4K-opløsning; og en enkelt forespørgsel tager nu op til 16 referencebilleder i stedet for 10. Alt andet er det samme — elleve billedformater, prompts skrevet på samme måde.

Metode: samme prompts, kun modellen skifter

Fire prompts, der dækker de fire ting, jeg går mest op i. Stof- og metaldetalje: et nærbillede af reverset på en marineblå sildebensblazer med en messing kravenål. Lille tekst i billedet: et bageris håndmalede træskilt. Refleksioner og materialer: en matsort tekande på en poleret stenbordplade. Typografi: en vintage koncertplakat sat fast på en murstensvæg.

Hver prompt kørte én gang på hver model — 16:9, samme opløsning, kvalitet Low. Low er det trin, jeg bruger mest, og det trin, der afslører en models bund; på det øverste trin kan enhver model stable detaljer. Til stofprompten tilføjede jeg et High-par og én Max-rendering, som kun 2.5 tilbyder, for at se hvor langt stigen faktisk rækker.

Ikke testet her: redigering og komposition med flere referencer. Det er de områder, OpenAI taler mest om ved 2.5, og de fortjener deres eget indlæg.

Forskel ét: opløst detalje

Den korte version: begge Low-renderinger er brugbare; kløften viser sig, når man zoomer. GPT Image 2 har sildebenet, men det er blødt, som set gennem gaze. GPT Image 2.5 rejser hver ribbe, og stikningen langs reverskanten er fastere. Den anden kløft er ikke tekstur men lydighed. Jeg bad om en messing kravenål; 2.0 tegnede et lanterneformet vedhæng, 2.5 en rund messingknap med våbenskjold. Ingen af dem er skolebogseksemplet, men 2.5 er tættere på prompten.

Tekandeparret illustrerer klarest, hvad "opløst detalje" betyder. Begge rammer kandens materiale; forskellen er bordpladen. 2.0's refleksion er en vag mørk smøre. 2.5 spejler hank, krop og låg ét for ét på stenen, med marmorets årer skinnende igennem nedenunder. Det er det svage punkt, jeg oftest løber ind i med enhver AI-billedgenerator — motivet er fint, ringen hvor motivet møder omgivelserne bliver grødet. 2.5 er mærkbart tættere i den ring.

Hvad angår tekst i billedet: "MORNING LOAF · est. 1987" på bagerskiltet og de tre linjer på plakaten kom bogstavret ud på begge modeller. Læsbar typografi har altid været GPT Image-linjens kendetegn; 2.5 går ikke tilbage på det, og trækker heller ikke fra. Forskellene ligger rundt om bogstaverne. 2.5's skilt er ægte forvitret træ hængt på jernkroge, og dens plakat har folder og nålehoveder. 2.0's skilt ser nymalet ud, og dens plakat tilføjede en vintagebil, som prompten aldrig bad om.

Forskel to: tre kvalitetstrin bliver til fem

Med GPT Image 2's tre trin var min regel: Low er nok, Medium klarer travle kompositioner, High sjældent. 2.5 lægger XHigh og Max over High, og den første reaktion er "altså en dyrere High".

Hvad jeg fandt var anderledes: at gå et trin op skærper ikke det samme billede — det genererer et nyt. Over Low-, High- og Max-renderingerne skiftede nålen fra et rundt våbenskjold til en bladform, og laget under gik fra hvid skjorte til cremefarvet sweater og tilbage. Kompositionen flyttede sig; det eneste, der steg støt, var stoffet. Max's sildeben er tæt nok til at tælle trådene, High kommer derefter, og Low er næsten umuligt at skelne fra High i webstørrelse. Så hvis planen var "lås kompositionen på Low, og render så samme billede på Max til tryk", findes den vej ikke. Gå op ad stigen, mens du stadig kan acceptere, at kompositionen ændrer sig.

Mit råd er det samme som med 2.0, bare på en længere stige: udforsk på Low, lås kompositionen, løft kun det billede, du faktisk leverer. Hvilket trin afhænger af, hvor stort det bliver set. En trykt plakat, en landingsside-hero, en 4K-plate — der hører XHigh og Max hjemme. At løfte et opslag til sociale medier koster bare mere.

Forskel tre: 4K widescreen og 16 referencebilleder

4K er den håndgribelige tilføjelse. GPT Image 2.5 leverer 3840×2160 og 2160×3840 direkte, ingen 2K-og-så-opskalering — og native mod opskaleret er noget andet i højfrekvente detaljer som blade og hår.

Én ting man skal vide fra start: 4K er kun tilgængelig i fire brede og høje formater — 21:9, 16:9, 9:16 og 9:21. De andre syv billedformater stopper ved 3K. Det er modellens pixelloft, ikke en ZOOOP-grænse; vi gråtoner de kombinationer, man ikke kan vælge, så du ikke betaler, venter et halvt minut og får en fejl.

At referencegrænsen går fra 10 til 16 billeder er en reel bekvemmelighed for e-handelskompositioner og layoutarbejde: packshots, props, et farvekort og et groft layout, alt i én forespørgsel, med prompten der beskriver opstillingen. Jeg lavede ingen sammenligning her, men "bedre til at bevare motiverne i dine referencefotos" er en af hovedtrådene i OpenAI's annoncering, og det stemmer med, hvad vi har set i spredte tests i AI-billededitoren.

Forskel fire: renderer Flare og Sunburst forskelligt?

Det var det, jeg helst ville afgøre, fordi de to versioner koster det samme på ZOOOP. Hvis Sunburst er langsommere og ikke bedre, hvad er den så til?

Jeg kørte reversprompten fra forskel ét gennem Sunburst med identiske parametre. Side om side er stoftæthed, nålens metal og dybdeskarphedens fald uafgjort; hver forskel er tilfældig — Flare gav en rund messingknap, Sunburst en egebladsnål og tilføjede et lommetørklæde. Med andre ord: til generering fra bunden er Sunburst ikke bedre end Flare.

Langsommere er den, men et tal kan jeg ikke give dig. Jeg målte det samme sæt matchede par to gange: i begge runder ligger Sunbursts median efter Flares, men forskellen varierede meget mellem runderne, og enkelte celler vendte om. Retningen holder, faktoren gør ikke. Det passer med OpenAI's positionering: Sunbursts styrke er redigering — den slags "lav kun denne ene ting om, lad resten stå" — ikke text-to-image.

Så reglen er enkel. Flare som standard. Skift kun til Sunburst, når du laver en præcis redigering på et eksisterende billede, og ændringen skal lande præcis hvor du peger. Til text-to-image og batch-skitser får Sunburst dig bare til at vente.

Hvad der skal flyttes til 2.5, og hvad der kan blive

De fire forskelle i én liste.

Flyt til GPT Image 2.5: alt, der bliver set stort — trykte key visuals, landingsside-heroes, baggrunde til store skærme; alt med lille tekst eller tæt typografi; alt, der kræver native 4K widescreen; alt, der sætter et dusin eller flere referencebilleder sammen. I disse tilfælde er kløften synlig.

Ingen hast: hverdagsbilleder til sociale medier, billeder der kun ses på en telefon, skitser til ren stiludforskning. På Low retfærdiggør forskellen mellem generationerne ikke at køre et eksisterende sæt igen. Har du en serie lavet med GPT Image 2 og skal have et par mere, der matcher, er det sikrere at blive på 2.0.

Start nyt arbejde på 2.5. I ZOOOP's AI-billedgenerator står den foran GPT Image 2 på listen, Flare er standardversionen, og de fem kvalitetstrin og 4K ligger i samme panel. Kreditter deles mellem begge modeller, så at skifte frem og tilbage kræver ikke et andet budget.