OpenAI merilis ChatGPT Images 2.5 pada 8 September, sekaligus meluncurkan dua model baru di API. Perusahaan memposisikan versi ini sebagai model gambar terbaik yang mereka miliki saat ini, dengan perbaikan yang terpusat pada tiga hal: kemampuan mengikuti instruksi yang lebih baik dalam editing bertahap, orang dan objek pada foto referensi yang lebih jarang berubah bentuk, dan proses generate yang lebih cepat. Latensi turun hingga 50% dibanding Images 2.0.
Peluncuran ini mencakup semua paket ChatGPT, ChatGPT Work, dan Codex, dan didorong bersamaan ke desktop, mobile, serta web.
Sunburst dan Flare
Di sisi API, dua model ID tersebut adalah gpt-image-2.5-sunburst dan gpt-image-2.5-flare. Panduan pemilihan dari OpenAI hanya satu kalimat: gunakan Sunburst untuk alur kerja yang mengutamakan presisi editing, dan Flare untuk generate cepat sehari-hari. Menurut pelanggan awal yang sudah mengujinya, Flare dua hingga empat kali lebih cepat dibanding GPT-Image-2.
Pemisahan seperti ini jarang terjadi pada model gambar. Sebelumnya, satu generasi biasanya hanya punya satu model, dengan perbedaan kecepatan dan presisi diatur lewat resolusi dan jumlah sampling step. Menjadikannya dua ID terpisah secara permanen sama saja dengan mengakui bahwa dua jenis kebutuhan ini sudah cukup besar sehingga lebih masuk akal untuk tidak berbagi satu set bobot yang sama.
Menghitung biayanya
Skema harga dihitung per token, bukan per gambar: input gambar dikenakan biaya 8 dolar per satu juta token, atau 2 dolar jika kena cache; output gambar 30 dolar per satu juta token; input teks 5 dolar per satu juta token, atau 1,25 dolar jika kena cache.
Bagi pengguna API, konsekuensi praktisnya adalah biaya berfluktuasi mengikuti resolusi dan kompleksitas gambar, bukan tarif tetap per gambar. Hitungan kasarnya: satu gambar output 1024×1024, dalam konversi umum, berada di kisaran seribu-an token, sehingga dengan tarif 30 dolar per satu juta token, biaya per gambar hanya beberapa sen — tidak mahal di sisi ini. Yang mendorong tagihan naik adalah jumlah putaran editing. Editing bertahap berarti hasil dari putaran sebelumnya harus dimasukkan lagi sebagai input gambar, sehingga biaya input 8 dolar per satu juta token menumpuk setiap putaran. Tarif cache sebesar 2 dolar memang ditujukan untuk skenario ini: merevisi gambar dasar yang sama berulang kali, sehingga input dari putaran kedua dan seterusnya seharusnya kena cache.
Jadi skema harga ini memperlakukan dua jenis penggunaan secara berbeda. Generate massal yang selesai dalam satu kali proses, biayanya relatif mudah diperkirakan; sementara alur kerja yang memperlakukan model sebagai editor gambar, merevisi satu gambar belasan kali, sebagian besar tagihannya menumpuk di sisi input, dan tidak terlalu berkaitan dengan jumlah gambar akhir yang dihasilkan.
Menggambar sebagai referensi
Di sisi produk, ada beberapa penambahan: Sketch memungkinkan pengguna menggambar langsung di dalam ChatGPT, dipanggil dengan mengetik @Sketch, dan gambar tersebut digunakan sebagai referensi; Templates menyediakan titik awal untuk format umum seperti poster, merchandise, dan foto produk; gambar yang dihasilkan bisa langsung diberi anotasi untuk revisi yang lebih spesifik; dan prompt bisa dibagikan agar orang lain bisa mengganti dengan foto mereka sendiri dan menjalankannya ulang.
Semua fitur ini mengarah ke tujuan yang sama: mengubah pola "deskripsikan — generate — ulangi dari awal" menjadi "generate — lalu tunjuk bagian yang mau diubah". Baik menggambar maupun anotasi sama-sama menyerahkan informasi posisi ke model, dan posisi justru hal yang paling sulit dijelaskan lewat prompt teks. Untuk meminta suatu elemen bergeser dua sentimeter ke kiri, atau cahaya di satu titik diredupkan sedikit, dibutuhkan beberapa kalimat jika dijelaskan lewat teks, tapi cukup dengan satu goresan atau satu ketukan saja.
Berbagi prompt adalah fitur yang berbeda jenisnya. Fitur ini mengubah prompt dari aset pribadi menjadi template yang bisa dipakai ulang, di mana orang lain bisa mengambilnya dan menjalankannya lagi dengan materi mereka sendiri. Mekanisme semacam ini sebenarnya sudah ada padanannya di komunitas gambar — situs-situs prompt dan komunitas model sudah lama melakukan hal serupa — bedanya kali ini platform sendiri yang membangunnya secara bawaan, tanpa perlu lagi melalui situs pihak ketiga.
Satu angka yang tidak sinkron
Pengumuman resmi mencantumkan angka 3 miliar gambar, mencakup ChatGPT Images dan keluarga GPT-Image di API. Berbagai pemberitaan tidak sepakat soal cakupan angka ini — ada yang menyebutnya sebagai angka kumulatif, ada yang menyebutnya sebagai angka mingguan, selisihnya sampai dua orde besaran. Halaman resmi saat ini tidak bisa diakses untuk dicek kata demi kata, sehingga angka ini untuk sementara hanya bisa dibaca sebagai "skalanya besar", dan tidak cocok dijadikan dasar perhitungan apa pun.
Generasi sebelumnya, Images 2.0, menyelesaikan masalah rendering teks, dengan contoh andalannya adalah tulisan di menu dan poster yang akhirnya terbaca dengan benar. Generasi ini menyasar proses editing, dengan kemampuan andalannya adalah subjek yang masih dikenali sebagai orang yang sama setelah direvisi sepuluh kali. Kesamaan dari kedua generasi ini adalah, persaingannya bukan lagi soal "bisa atau tidak menghasilkan gambar", melainkan soal "setelah jadi, apakah gambar itu masih bisa diubah".
Sumber: pengumuman resmi OpenAI, CocoLoop, blog pribadi Simon Willison, Unite.AI, 9to5Mac; ID model, harga, dan angka latensi mengikuti pengumuman resmi beserta pemberitaan turunannya, dan biaya per gambar merupakan estimasi kasar berdasarkan daftar harga yang dipublikasikan.