A OpenAI lançou em 8 de setembro o ChatGPT Images 2.5, liberando ao mesmo tempo dois novos modelos na API. A empresa posiciona esta versão como o melhor modelo de geração de imagens disponível hoje, com melhorias concentradas em três pontos: mais fidelidade às instruções em edições de múltiplas etapas, pessoas e objetos de fotos de referência com menos distorção, e geração mais rápida. A latência cai até 50% em relação ao Images 2.0.
O lançamento abrange todos os planos do ChatGPT, ChatGPT Work e Codex, simultaneamente em desktop, celular e web.
Sunburst e Flare
Os dois modelos do lado da API têm os IDs gpt-image-2.5-sunburst e gpt-image-2.5-flare. A recomendação oficial de escolha cabe em uma frase: use Sunburst para fluxos em que a precisão de edição é essencial, e Flare para geração rápida do dia a dia. Segundo clientes que testaram a versão antecipada, o Flare gera imagens de duas a quatro vezes mais rápido que o GPT-Image-2.
Essa divisão é incomum entre modelos de imagem. Até agora, cada geração costumava trazer um único modelo, com a diferença entre rápido e lento ajustada por resolução e passos de amostragem. Fixar isso em dois IDs separados equivale a reconhecer que essas duas demandas já são grandes o suficiente para compensar conjuntos de pesos distintos.
Uma conta
O preço é cobrado por token, não por imagem: entrada de imagem a 8 dólares por milhão de tokens, 2 dólares em caso de cache; saída de imagem a 30 dólares por milhão de tokens; entrada de texto a 5 dólares por milhão de tokens, 1,25 dólar em cache.
Na prática, para quem usa a API isso significa que o custo varia conforme a resolução e a complexidade da imagem, não é um valor fixo por imagem. Numa conta rápida: uma imagem de saída de 1024×1024 convertida costuma ficar na casa de pouco mais de mil tokens, o que, a 30 dólares por milhão, dá um custo de poucos centavos por imagem — nada caro. O que realmente pesa na fatura são as rodadas de edição: edições de múltiplas etapas exigem realimentar a imagem gerada na rodada anterior como entrada de imagem, e os 8 dólares por milhão do lado da entrada vão se somando a cada rodada. O preço de cache de 2 dólares mira exatamente esse cenário: quando a mesma imagem-base é editada repetidamente, a partir da segunda rodada a entrada deveria acertar o cache.
Ou seja, essa política de preços trata os dois usos de forma diferente. Geração em lote, entregue em uma única passada, tem custo controlável; já os fluxos que usam o modelo como editor de imagens, retocando a mesma peça dezenas de vezes, fazem a conta crescer principalmente do lado da entrada, quase sem relação com o número de imagens geradas.
Um traço como referência
No lado de produto, chegam vários recursos novos: o Sketch permite desenhar à mão livre direto no ChatGPT, acionado ao digitar @Sketch, com o desenho servindo de referência; o Templates oferece pontos de partida para formatos comuns como pôsteres, produtos licenciados e fotos de produto; imagens geradas podem receber anotações diretas para ajustes pontuais; e prompts podem ser compartilhados para que outras pessoas os reexecutem com suas próprias fotos.
Esses recursos apontam todos na mesma direção: transformar 'descrever — gerar — recomeçar' em 'gerar — apontar e ajustar'. Tanto o desenho à mão quanto as anotações entregam ao modelo informação de posição, e posição é justamente o que um prompt em texto tem mais dificuldade de descrever. Para mover um elemento alguns centímetros à esquerda ou escurecer um ponto específico, um texto exige várias frases; um traço ou um toque resolve na hora.
O compartilhamento de prompts é outra frente. Ele transforma o prompt de um bem pessoal em um modelo reutilizável, que outras pessoas pegam e reexecutam com o próprio material. Esse mecanismo já existe há tempos na comunidade de geração de imagens, com sites de prompts e comunidades de modelos fazendo isso constantemente; a diferença é que agora vem embutido na própria plataforma, sem precisar passar por sites terceiros.
Um número que não fecha
O comunicado oficial cita a marca de 3 bilhões de imagens, somando ChatGPT Images e a linha GPT-Image na API. As diferentes versões dessa cifra não batem entre si: umas dizem que é acumulado, outras que é por semana, uma diferença de duas ordens de grandeza. A página oficial não abre no momento para conferência palavra por palavra, então esse número por ora só pode ser lido como 'em grande escala', sem servir de base para qualquer cálculo.
A geração anterior, Images 2.0, resolveu o problema da renderização de texto, com o exemplo clássico de cardápios e pôsteres cujo texto finalmente ficou legível. Esta geração mexe na etapa de edição, com a capacidade de destaque sendo manter o reconhecimento da mesma pessoa após dez rodadas de ajustes. O ponto em comum entre as duas gerações é que a disputa deixou de ser sobre 'conseguir desenhar' e passou a ser sobre 'ainda dá para editar depois de desenhado'.
Fontes: comunicado oficial da OpenAI, CocoLoop, blog pessoal de Simon Willison, Unite.AI, 9to5Mac; IDs de modelo, preços e latência seguem o comunicado oficial e suas reproduções, o custo por imagem é uma estimativa aproximada com base na tabela de preços pública.