OpenAI hat am 8. September ChatGPT Images 2.5 veröffentlicht und gleichzeitig zwei neue Modelle in der API freigeschaltet. Das Unternehmen positioniert diese Version als derzeit bestes Bildmodell, mit Verbesserungen an drei Stellen: Anweisungen werden bei mehrstufigen Bearbeitungen besser eingehalten, Personen und Objekte aus Referenzfotos verändern sich weniger stark, und die Bilder entstehen schneller. Die Latenz sinkt gegenüber Images 2.0 um bis zu 50 Prozent.
Der Rollout betrifft alle Stufen von ChatGPT, ChatGPT Work und Codex, gleichzeitig auf Desktop, Mobilgeräten und im Web.
Sunburst und Flare
Die beiden API-Modelle tragen die IDs gpt-image-2.5-sunburst und gpt-image-2.5-flare. Die Empfehlung von OpenAI zur Auswahl lässt sich in einem Satz zusammenfassen: Sunburst für Workflows, bei denen Bearbeitungsgenauigkeit zählt, Flare für schnelle Bilder im Alltag. Nach Angaben früher Testkunden erzeugt Flare Bilder zwei- bis viermal schneller als GPT-Image-2.
Diese Aufteilung ist bei Bildmodellen selten. Bisher gab es pro Generation meist nur ein Modell, und der Unterschied zwischen schnell und langsam wurde über Auflösung und Sampling-Schritte geregelt. Sie in zwei feste IDs zu gießen, heißt im Grunde anzuerkennen, dass beide Bedarfsarten inzwischen groß genug sind, um sich getrennte Gewichtssätze zu lohnen.
Eine Rechnung
Abgerechnet wird nach Token, nicht pro Bild: Bildeingabe 8 US-Dollar pro Million Token, bei Cache-Treffer 2 US-Dollar; Bildausgabe 30 US-Dollar pro Million Token; Texteingabe 5 US-Dollar pro Million Token, im Cache 1,25 US-Dollar.
Für Nutzer bedeutet das in der Praxis, dass die Kosten mit Auflösung und Bildkomplexität schwanken und nicht pro Bild fest sind. Grob gerechnet: Ein Ausgabebild mit 1024×1024 Pixeln liegt umgerechnet meist im Bereich von gut tausend Token, was bei 30 US-Dollar pro Million einem Preis von wenigen Cent pro Bild entspricht – das ist nicht teuer. Was die Rechnung wirklich in die Höhe treibt, sind Bearbeitungsrunden: Bei mehrstufigen Bearbeitungen muss das Ergebnis der vorherigen Runde als Bildeingabe erneut eingespeist werden, wodurch sich die 8 US-Dollar pro Million auf der Eingabeseite mit jeder Runde summieren. Der Cache-Preis von 2 US-Dollar zielt genau auf dieses Szenario: Wird dasselbe Ausgangsbild immer wieder verändert, sollte die Eingabe ab der zweiten Runde eigentlich im Cache landen.
Diese Preisgestaltung behandelt zwei Nutzungsarten also unterschiedlich. Massenerzeugung, bei der ein einziger Durchlauf zum fertigen Bild führt, bleibt kostenmäßig gut kontrollierbar. Workflows, die das Modell wie einen Bildeditor nutzen und ein Bild ein Dutzend Mal überarbeiten, treiben die Rechnung vor allem über die Eingabeseite in die Höhe – unabhängig davon, wie viele Bilder am Ende entstehen.
Ein Strich als Referenz
Auf Produktseite kommen mehrere neue Funktionen hinzu: Sketch erlaubt direktes Freihandzeichnen in ChatGPT, aufgerufen über die Eingabe @Sketch, wobei die Zeichnung als Referenz dient; Templates bieten Ausgangspunkte für gängige Formate wie Poster, Merchandise oder Produktfotos; erzeugte Bilder lassen sich direkt mit Anmerkungen gezielt nachbearbeiten; Prompts lassen sich teilen, sodass andere sie mit eigenen Fotos erneut ausführen können.
All diese Funktionen zielen in dieselbe Richtung: aus 'beschreiben – erzeugen – neu versuchen' wird 'erzeugen – hinzeigen und ändern'. Sowohl Freihandzeichnen als auch Anmerkungen übergeben dem Modell Positionsinformationen – und gerade Position lässt sich per Text-Prompt am schwersten ausdrücken. Soll ein Element zwei Zentimeter nach links rücken oder eine Stelle etwas dunkler werden, braucht es in Textform mehrere Sätze; mit einem Strich oder einem Tipp ist es erledigt.
Das Teilen von Prompts ist eine andere Sache. Es macht aus einem Prompt vom persönlichen Besitz eine wiederverwendbare Vorlage, die andere übernehmen und mit eigenem Material erneut ausführen können. Dieses Prinzip gibt es in der Bild-Community längst, entsprechende Prompt-Plattformen und Modell-Communities praktizieren es seit Langem – neu ist nur, dass die Plattform es jetzt selbst eingebaut hat, ohne den Umweg über Drittanbieter-Seiten.
Eine Zahl, die nicht aufgeht
In der offiziellen Ankündigung taucht die Größenordnung von 3 Milliarden Bildern auf, bezogen auf ChatGPT Images und die GPT-Image-Reihe in der API. Verschiedene Wiedergaben dieser Zahl widersprechen sich: mal ist von einer kumulierten Summe die Rede, mal von einem Wert pro Woche – ein Unterschied von zwei Größenordnungen. Die offizielle Seite lässt sich derzeit nicht öffnen, um es Wort für Wort nachzuprüfen, weshalb sich diese Zahl vorerst nur als 'sehr groß' lesen lässt und sich nicht für weitere Berechnungen eignet.
Die Vorgängerversion Images 2.0 löste das Problem der Textwiedergabe – das Vorzeigebeispiel waren Speisekarten und Poster, deren Schrift endlich lesbar war. Diese Generation setzt bei der Bearbeitung an, die Vorzeigefähigkeit ist, dass eine Person nach zehn Änderungsrunden immer noch erkennbar dieselbe bleibt. Gemeinsam ist beiden Generationen, dass der Wettbewerb nicht mehr darum geht, ob sich etwas überhaupt zeichnen lässt, sondern ob es sich nach dem Zeichnen noch bearbeiten lässt.
Quellen: offizielle Ankündigung von OpenAI, CocoLoop, persönlicher Blog von Simon Willison, Unite.AI, 9to5Mac; Modell-IDs, Preise und Latenzangaben folgen der offiziellen Ankündigung und ihren Wiedergaben, die Kosten pro Bild sind eine grobe Schätzung auf Basis der öffentlichen Preisliste.