GPT Image 2.5 vs GPT Image 2: przepuściłem te same prompty przez oba. Oto gdzie naprawdę się różnią
OpenAI wydało ChatGPT Images 2.5 8 września i podsumowało je słowami „sharper details, more precise editing, and faster generation". Po stronie API oznacza to dwa nowe modele: GPT-Image-2.5 Flare i GPT-Image-2.5 Sunburst. ZOOOP uruchomił oba następnego dnia — jako dwie wersje jednego modelu w generatorze obrazów AI.
Posty premierowe zawsze dobrze się czytają. Jeśli generujesz obrazy codziennie, tylko jedno pytanie zasługuje na odpowiedź: jestem zadowolony z GPT Image 2 — co faktycznie zyskam, przechodząc na 2.5? Przepuściłem więc ten sam zestaw promptów przez obie generacje, nie zmieniając nic poza modelem. Oto co widać, a czego nie.
Czym jest GPT Image 2.5, a czym Flare i Sunburst
Najpierw nazwy, bo OpenAI wypuściło trzy naraz.
ChatGPT Images 2.5 to nazwa produktu w ChatGPT. Nie ma modelu API o nazwie „2.5" — są dwa: Flare i Sunburst. Według OpenAI Flare to domyślny wybór dla większości zastosowań, dający obrazy lepszej jakości niż GPT-Image-2 przy połowie opóźnienia. Sunburst jest zbudowany pod premium'owe procesy, które chcą ściślejszej kontroli nad edycjami, i generuje dłużej. Oba dzielą te same prompty, parametry i formaty.
W ZOOOP nie wystawiliśmy ich jako dwóch osobnych modeli — sugerowałoby to wybór między dwiema różnymi rzeczami. To dwie wersje pod GPT Image 2.5, oddzielone jednym przełącznikiem. Dlatego wszystkie porównania w tym tekście domyślnie idą na Flare; Sunburst ma osobną sekcję niżej.
W porównaniu z GPT Image 2 na poziomie parametrów zmieniły się trzy rzeczy: skala jakości z Low / Medium / High urosła do pięciu stopni, z XHigh i Max na górze; pojawiła się rozdzielczość 4K; pojedyncze zapytanie przyjmuje teraz do 16 obrazów referencyjnych zamiast 10. Reszta bez zmian — jedenaście formatów, prompty pisane tak samo.
Metoda: te same prompty, zmienia się tylko model
Cztery prompty pokrywające cztery rzeczy, na których zależy mi najbardziej. Detal tkaniny i metalu: zbliżenie klapy granatowej marynarki w jodełkę z mosiężną szpilką do kołnierzyka. Mały tekst w kadrze: ręcznie malowany drewniany szyld piekarni. Odbicia i materiały: matowy czarny czajniczek na polerowanym kamiennym blacie. Typografia: vintage plakat koncertowy przypięty do ceglanej ściany.
Każdy prompt poszedł raz na każdym modelu — 16:9, ta sama rozdzielczość, jakość Low. Low to stopień, którego używam najczęściej, i ten, który odsłania dno modelu; na najwyższym stopniu każdy model potrafi nawarstwić detal. Dla promptu z tkaniną dodałem parę na High i jeden render na Max, dostępny tylko w 2.5, żeby zobaczyć, dokąd naprawdę sięga skala.
Nietestowane tutaj: edycja i kompozycja z wielu referencji. To obszary, o których OpenAI mówi przy 2.5 najwięcej, i zasługują na osobny tekst.
Różnica pierwsza: rozdzielony detal
W skrócie: oba rendery na Low nadają się do użytku; różnica wychodzi przy zbliżeniu. GPT Image 2 ma jodełkę, ale miękką, jak widzianą przez gazę. GPT Image 2.5 stawia każde żebro, a stębnowanie wzdłuż krawędzi klapy jest twardsze. Druga różnica to nie tekstura, lecz posłuszeństwo. Prosiłem o mosiężną szpilkę; 2.0 narysował zawieszkę w kształcie latarni, 2.5 — okrągły mosiężny guzik z herbem. Żaden nie jest podręcznikowy, ale 2.5 jest bliżej promptu.
Para czajniczków najlepiej pokazuje, co znaczy „rozdzielony detal". Oba trafiają w materiał czajniczka; różnica to blat. Odbicie 2.0 to niewyraźna ciemna smuga. 2.5 odbija uchwyt, korpus i pokrywkę jedno po drugim na kamieniu, a spod nich prześwitują żyłki marmuru. To słaby punkt, na który najczęściej trafiam w każdym generatorze obrazów AI — obiekt w porządku, a pierścień, gdzie obiekt styka się z otoczeniem, robi się papkowaty. 2.5 jest w tym pierścieniu wyraźnie gęstszy.
Co do tekstu w kadrze: „MORNING LOAF · est. 1987" na szyldzie piekarni i trzy linie na plakacie wyszły co do litery poprawnie na obu modelach. Czytelna typografia zawsze była znakiem rozpoznawczym linii GPT Image; 2.5 nie cofa się w niej, ale też nie odskakuje. Różnice są wokół liter. Szyld 2.5 to naprawdę zwietrzałe drewno na żelaznych hakach, a plakat ma zagięcia i główki szpilek. Szyld 2.0 wygląda jak świeżo malowany, a plakat dodał zabytkowy samochód, o który prompt nigdy nie prosił.
Różnica druga: trzy stopnie jakości stają się pięcioma
Przy trzech stopniach GPT Image 2 moja zasada brzmiała: Low wystarcza, Medium do gęstych kompozycji, High rzadko. 2.5 dokłada XHigh i Max nad High, a pierwsza reakcja to „czyli droższy High".
Znalazłem coś innego: przejście o stopień wyżej nie wyostrza tego samego obrazu — generuje nowy. Między renderami Low, High i Max szpilka zmieniła się z okrągłego herbu w kształt liścia, a warstwa pod marynarką z białej koszuli w kremowy sweter i z powrotem. Kompozycja się ruszyła; jedyne, co stabilnie rosło, to tkanina. Jodełka Max jest na tyle gęsta, że da się liczyć nitki, High tuż za nią, a Low w rozmiarze webowym jest niemal nieodróżnialny od High. Więc jeśli plan zakładał „zablokuj kompozycję na Low, potem wyrenderuj ten sam kadr na Max do druku", tej drogi nie ma. Wchodź po skali, dopóki jeszcze akceptujesz zmianę kompozycji.
Moja rada jest taka sama jak przy 2.0, tylko skala dłuższa: eksploruj na Low, zablokuj kompozycję, podnoś tylko ten kadr, który faktycznie oddajesz. Który stopień — zależy od tego, jak duży będzie oglądany. Drukowany plakat, hero landing page'a, plansza 4K — tam jest miejsce XHigh i Max. Podnoszenie posta na social media po prostu kosztuje więcej.
Różnica trzecia: panoramiczne 4K i 16 obrazów referencyjnych
4K to namacalny dodatek. GPT Image 2.5 wypuszcza 3840×2160 i 2160×3840 bezpośrednio, bez 2K i skalowania — a natywne kontra przeskalowane to inna rzecz w detalu wysokiej częstotliwości, jak liście i włosy.
Jedno trzeba wiedzieć z góry: 4K jest dostępne tylko dla czterech szerokich i pionowych proporcji — 21:9, 16:9, 9:16 i 9:21. Pozostałe siedem formatów kończy się na 3K. To pikselowy pułap modelu, nie ograniczenie ZOOOP; wyszarzamy kombinacje, których nie da się wybrać, żebyś nie płacił, nie czekał pół minuty i nie dostawał błędu.
Wzrost limitu referencji z 10 do 16 obrazów to realna wygoda dla kompozytów e-commerce i pracy nad layoutem: packshoty, rekwizyty, karta kolorów i zgrubny układ — wszystko w jednym zapytaniu, a prompt opisuje rozmieszczenie. Nie robiłem tu porównania, ale „lepsze zachowanie obiektów z twoich zdjęć referencyjnych" to jeden z głównych wątków ogłoszenia OpenAI, i zgadza się z tym, co widzieliśmy w rozproszonych testach w edytorze obrazów AI.
Różnica czwarta: czy Flare i Sunburst renderują inaczej?
To chciałem rozstrzygnąć najbardziej, bo w ZOOOP obie wersje kosztują tyle samo. Jeśli Sunburst jest wolniejszy i nie lepszy, po co on jest?
Przepuściłem prompt z klapą z różnicy pierwszej przez Sunburst z identycznymi parametrami. Obok siebie gęstość tkaniny, metal szpilki i spadek głębi ostrości to remis; każda różnica jest losowa — Flare dał okrągły mosiężny guzik, Sunburst szpilkę w kształcie liścia dębu i dorzucił poszetkę. Innymi słowy: w generowaniu od zera Sunburst nie jest lepszy od Flare.
Wolniejszy jest, ale liczby nie podam. Ten sam zestaw sparowanych przebiegów zmierzyłem dwa razy: w obu turach mediana Sunbursta wypada za Flare, tyle że różnica między turami była spora, a pojedyncze komórki potrafiły się odwrócić. Trzyma się kierunek, nie mnożnik. To zgadza się z pozycjonowaniem OpenAI: siła Sunbursta to edycja — ta w rodzaju „zmień tylko to jedno, resztę zostaw" — nie text-to-image.
Zasada jest więc prosta. Domyślnie Flare. Przełącz na Sunburst tylko wtedy, gdy robisz precyzyjną edycję na istniejącym obrazie i zmiana musi wylądować dokładnie tam, gdzie wskazujesz. Do text-to-image i szkiców wsadowych Sunburst każe ci tylko czekać.
Co przenieść na 2.5, a co zostawić
Cztery różnice na jednej liście.
Przenieś na GPT Image 2.5: wszystko, co będzie oglądane w dużym rozmiarze — drukowane key visuale, hero na landing page'ach, tła na duże ekrany; wszystko z małym tekstem lub gęstą typografią; wszystko, co wymaga natywnego panoramicznego 4K; wszystko, co składa tuzin lub więcej obrazów referencyjnych. Tu różnica jest widoczna.
Bez pośpiechu: codzienne obrazy na social media, obrazy oglądane tylko na telefonie, szkice czystej eksploracji stylu. Na Low różnica między generacjami nie uzasadnia ponownego puszczenia istniejącego zestawu. Jeśli masz serię zrobioną na GPT Image 2 i potrzebujesz kilku pasujących więcej, pozostanie na 2.0 jest bezpieczniejsze.
Nową pracę zaczynaj na 2.5. W generatorze obrazów AI ZOOOP stoi na liście przed GPT Image 2, Flare jest wersją domyślną, a pięć stopni jakości i 4K są w tym samym panelu. Kredyty są wspólne dla obu modeli, więc przeskakiwanie między nimi nie wymaga drugiego budżetu.