OpenAI lanzó el 8 de septiembre ChatGPT Images 2.5 y, al mismo tiempo, liberó dos modelos nuevos en la API. La compañía posiciona esta versión como el mejor modelo de generación de imágenes disponible hasta ahora, con mejoras concentradas en tres puntos: mayor fidelidad a las instrucciones en ediciones de varias rondas, personas y objetos de fotos de referencia que se distorsionan menos, y generación más rápida. La latencia baja hasta un 50% respecto a Images 2.0.
El despliegue cubre todos los niveles de ChatGPT, ChatGPT Work y Codex, a la vez en escritorio, móvil y web.
Sunburst y Flare
Los dos modelos del lado de la API tienen los ID gpt-image-2.5-sunburst y gpt-image-2.5-flare. La recomendación oficial para elegir entre ellos cabe en una frase: Sunburst para flujos de trabajo donde importa la precisión de edición, Flare para generación rápida del día a día. Según clientes que lo probaron de forma anticipada, Flare genera imágenes entre dos y cuatro veces más rápido que GPT-Image-2.
Esta división es poco habitual entre los modelos de imagen. Hasta ahora, cada generación solía tener un único modelo, y la diferencia entre rápido y lento se ajustaba mediante la resolución y los pasos de muestreo. Fijarla en dos ID distintos equivale a reconocer que ambas demandas ya son lo bastante grandes como para justificar conjuntos de pesos separados.
Una cuenta
El precio se cobra por token, no por imagen: entrada de imagen a 8 dólares por millón de tokens, 2 dólares si hay acierto de caché; salida de imagen a 30 dólares por millón de tokens; entrada de texto a 5 dólares por millón de tokens, 1,25 dólares en caché.
Para quien usa la API, esto significa en la práctica que el costo varía según la resolución y la complejidad de la imagen, no es un precio fijo por imagen. Un cálculo aproximado: una imagen de salida de 1024×1024 suele equivaler a poco más de mil tokens, lo que a 30 dólares por millón supone un costo de unos pocos centavos por imagen, nada caro. Lo que realmente dispara la factura son las rondas de edición: las ediciones de varias rondas obligan a reintroducir la imagen resultante de la ronda anterior como entrada de imagen, y esos 8 dólares por millón del lado de la entrada se van acumulando con cada ronda. El precio de caché de 2 dólares apunta justo a ese escenario: cuando la misma imagen base se retoca una y otra vez, a partir de la segunda ronda la entrada debería acertar el caché.
Así que esta política de precios trata de forma distinta los dos tipos de uso. La generación en lote, que se entrega en una sola pasada, mantiene un costo controlable; en cambio, los flujos que usan el modelo como editor de imágenes, retocando una misma pieza una docena de veces, hacen crecer la factura sobre todo por el lado de la entrada, casi sin relación con el número de imágenes generadas.
Un trazo como referencia
En el lado de producto se suman varias funciones nuevas: Sketch permite dibujar a mano alzada directamente en ChatGPT, se activa escribiendo @Sketch, y el dibujo se usa como referencia; Templates ofrece puntos de partida para formatos habituales como pósteres, productos de merchandising y fotos de producto; las imágenes generadas se pueden anotar directamente para hacer ajustes puntuales; y los prompts se pueden compartir para que otras personas los vuelvan a ejecutar con sus propias fotos.
Todas estas funciones apuntan en la misma dirección: convertir 'describir, generar, repetir' en 'generar, señalar y ajustar'. Tanto el dibujo a mano como las anotaciones le dan al modelo información de posición, y la posición es precisamente lo más difícil de expresar con un prompt de texto. Para mover un elemento un par de centímetros a la izquierda u oscurecer un punto concreto, describirlo por escrito requiere varias frases; con un trazo o un toque basta.
Compartir prompts es otro asunto distinto. Convierte el prompt de un activo personal en una plantilla reutilizable que otras personas toman y vuelven a ejecutar con su propio material. Este mecanismo ya existe desde hace tiempo en la comunidad de generación de imágenes, con sitios de prompts y comunidades de modelos que lo llevan practicando, la diferencia es que ahora lo integra la propia plataforma, sin pasar por sitios de terceros.
Una cifra que no cuadra
El comunicado oficial menciona la cifra de 3.000 millones de imágenes, que abarca tanto ChatGPT Images como la línea GPT-Image en la API. Las distintas versiones de esta cifra no coinciden entre sí: unas hablan de un total acumulado, otras de una cifra semanal, con una diferencia de dos órdenes de magnitud. La página oficial no se puede abrir por ahora para contrastarla palabra por palabra, así que esta cifra, de momento, solo puede leerse como 'a gran escala', sin que sirva de base para ningún cálculo.
La generación anterior, Images 2.0, resolvió el problema de la renderización de texto, con el ejemplo emblemático de menús y pósteres cuyo texto por fin se podía leer. Esta generación toca la fase de edición, y su capacidad emblemática es que, tras diez rondas de ajustes, la persona sigue siendo reconocible. Lo que ambas generaciones tienen en común es que la competencia ya no está en si se puede dibujar algo, sino en si, una vez dibujado, todavía se puede editar.
Fuentes: comunicado oficial de OpenAI, CocoLoop, blog personal de Simon Willison, Unite.AI, 9to5Mac; los ID de modelo, precios y latencia siguen el comunicado oficial y sus reproducciones, el costo por imagen es una estimación aproximada según la lista de precios pública.