A página de preços do GPT Image 2.6 parece tranquilizadora à primeira vista: Flare e Sunburst custam o mesmo, com saída de imagem a 30 dólares por milhão de tokens, entrada de imagem a 8 dólares e entrada de texto a 5 dólares, igual ao 2.5.
Antes de atualizar, os desenvolvedores devem fazer as contas de alguns pontos abaixo.
Mesmo preço unitário, nem sempre o mesmo custo por imagem
Na comunidade de desenvolvedores da OpenAI, um desenvolvedor publicou uma amostra comparativa com o mesmo prompt: na qualidade medium, o 2.5 gerou 344 tokens e o 2.6 gerou 1.136.
Calculando por alto a 30 dólares por milhão de tokens, o custo de saída por imagem sobe de cerca de 1 centavo para cerca de 3,4 centavos, ou seja, 3,3 vezes só nesse item. Esse desenvolvedor estima que o nível low tenha um múltiplo ainda maior, de cerca de 4,2 vezes, e que de high para cima os valores fiquem praticamente iguais.
Trata-se apenas de uma amostra pessoal e de uma estimativa; a OpenAI não divulgou números semelhantes. O que ela mostra é que, antes de migrar, não dá para olhar só a tabela de preços. O caminho prático é rodar o mesmo conjunto de cerca de 20 prompts no 2.5 e no 2.6, comparar os tokens de saída de cada imagem e só então decidir se vale trocar.
Duas coisas que faltam
Batch. As páginas dos dois modelos 2.6 marcam v1/batch como não suportado. O 2.5 Flare ainda pode usar Batch, com preço de saída pela metade do padrão, 15 dólares por milhão de tokens. Para quem gera grandes lotes de imagens bitmap todas as noites, ficar no 2.5 compensa claramente mais.
Snapshots fixos. O 2.6 tem por enquanto apenas o snapshot padrão, enquanto o 2.5 tem versões datadas, como gpt-image-2.5-flare-2026-09-08. Para serviços em produção sensíveis à estabilidade da saída, esse ponto entra no cálculo de risco.
Como usar o novo parâmetro
O novo complexity tem três níveis, low, medium e high, e controla quanto planejamento o modelo faz antes de renderizar. Se for omitido, o padrão é high, e ajustá-lo não gera cobrança extra.
O padrão high passa facilmente despercebido. A documentação oficial é clara: valores mais baixos servem para edições focadas, como trocar o fundo; valores mais altos ajudam com texto denso e layouts complexos, mas podem aumentar a latência e introduzir alterações indesejadas. Em interfaces de edição localizada, a sugestão é passar low explicitamente como ponto de partida.
As restrições dos demais recursos, reunidas:
| Recurso | Como usar | Limitações |
|---|---|---|
| SVG | output_format: "svg", pelo endpoint de geração | n deve ser 1; não suporta streaming nem imagens parciais; o endpoint de edição não gera SVG |
| GIF | output_format: "gif", com frame_count e frame_duration_ms | Padrão de 9 quadros de 200 milissegundos cada; o limite de quadros aparece na documentação de duas formas, 64 e 16 |
| Edição por markup | POST /v1/images/edits, enviando uma camada de anotação em PNG transparente | Largura e altura devem ser iguais às da imagem original; não pode ser usada com mask nem com prompt_rewriter |
Além disso, pode ser preciso concluir a verificação da organização antes de usar os modelos GPT Image; contas novas devem reservar esse prazo.
Como encarar as alegações de velocidade e qualidade
“50% mais rápido” e “o mais rápido em cerca de 6 segundos” são ambas afirmações da OpenAI. Uma reportagem aponta que os 6 segundos correspondem à configuração de baixa qualidade do Flare, e a base de comparação e o método de medição dos 50% não foram divulgados.
Os dados externos ainda são poucos. Segundo um levantamento de terceiros, no ranking preliminar da Arena de 4 de novembro, em texto para imagem, o Sunburst tem 1409 pontos e fica em segundo, e o Flare tem 1384 pontos e fica em quarto, ambos na configuração medium; a Artificial Analysis ainda não tinha uma entrada para o 2.6 na ocasião. Essas posições podem mudar em algumas semanas, então sirvam apenas de referência na escolha.
Também quisemos testar o GIF nativo, mas a ferramenta de geração de imagens integrada do Codex na máquina local não expõe os parâmetros de modelo e de formato de saída; o pedido direto devolveu apenas um PNG de quadro único, e não foi possível confirmar a versão do modelo por trás. A animação de carregamento desta página teve de ser montada com um sprite sheet de seis quadros; o trajeto da primeira versão ficou irregular e foi redesenhado, mas a órbita ainda apresenta um leve desvio.
Para usar esse tipo de animação pequena num produto, o parâmetro GIF da API ou uma animação CSS escrita à mão são mais controláveis do que esse caminho. O método do sprite basta para ilustrações de conteúdo, mas ainda falta precisão para ativos de interface.
Como escolher conforme o caso
- Geração em lote toda noite: fique primeiro no 2.5 e use o Batch com metade do preço.
- Precisa de ícones vetoriais ou animações curtas em loop: essas duas são capacidades novas do 2.6 e justificam migrar só por elas.
- Funções de edição online: antes de adotar Sunburst ou Flare, registre por uma semana os tokens de saída de cada imagem e defina explicitamente
complexityequality. - Design e operações da equipe precisam usar: não é necessário esperar o cronograma da API.
Esse último caso é muito comum. A engenharia ainda está rodando comparações e aguardando a verificação da organização, enquanto a operação precisa entregar imagens de campanha na semana que vem. Nesse intervalo, eles podem usar uma bancada pronta, como pixpix.com/gpt-image-2-6, onde dá para escolher Flare e Sunburst, usar após o login, e as imagens de referência e as configurações do modelo ficam na própria bancada. A cobrança é por créditos, e o consumo exato deve ser consultado na bancada; a página do modelo não lista preços nem menciona GIF e SVG, de modo que ela resolve o uso inicial de imagens estáticas, e a integração ao produto continua passando pela API.
Se a operação gerar primeiro um lote de demandas e prompts reais, a engenharia terá um conjunto de testes pronto ao comparar 2.5 e 2.6, mais próximo do ambiente real do que inventar 20 prompts do nada.
Fontes: página de modelos e documentação de geração de imagens da OpenAI, comunidade de desenvolvedores da OpenAI, CocoLoop, DEV Community, Kingy AI, Digit; os dados de tokens da comunidade são uma amostra pessoal e os custos são cálculos aproximados desta redação.