GPT Image 2 API：图像生成与编辑指南

什么是 GPT Image 2

面向图像生成与编辑的 OpenAI 模型

我们将 GPT Image 2 定位为面向图片创作的生成与编辑模型。它可以根据文字描述生成新图片，也能接收参考图，再按照要求调整画面。

实际使用时，我们更关注它能否把需求变成可继续修改的图片，例如带活动文案的海报、产品场景图，或者应用首页的视觉草图。

结合文字与高保真参考图理解画面要求

GPT Image 2 的一个重要特点，是可以把参考图片和文字要求放在一起处理。OpenAI 官方说明，它会自动以高保真方式处理输入图片，原生 API 应省略 input_fidelity 参数。这有助于模型利用原图中的人物、产品和风格信息。

我们建议把参考图的用途说清楚。例如，第一张图提供产品外观，第二张图提供背景风格，文字里再说明哪些部分可以改变。相比只说“帮我们做得更好看”，这样的要求更方便检查结果，也更方便继续调整。

支持灵活尺寸与多档质量的图像模型

GPT Image 2 支持多种输出尺寸，可以用于方形商品图、竖版封面和横版海报。官方接口支持最高 3840×2160 的横版输出及对应竖版尺寸，质量档位则包括 low、medium、high 和 auto。

尺寸要适合最终展示位置，质量档位则需要结合细节要求和费用来选。对于还在反复改构图的初稿，我们建议先用较低分辨率确认方向，等主体、文字和布局都合适，再生成高分辨率的正式版本。

RequestBeam 的 GPT Image 2 在线工具与 API

我们希望通过 RequestBeam，让你更快地了解 GPT Image 2 在自己任务中的真实表现。登录并完成少量充值后，就可以通过在线工具生成或编辑图片，无需先编写 API 对接代码，也不必为了短期评估购买固定套餐。确认效果符合需求后，再创建 API Key 接入自己的应用，也能减少自行管理多个模型平台账号的麻烦。

GPT Image 2 的核心功能与领域优势

中文与多语言文字：让海报文案和画面一起生成

我们比较看重 GPT Image 2 把文字直接放进图片的能力。我们的客户向我们分享的真实场景中，相比起gpt-image上一版来说，这GPT Image 2的汉字渲染进步很大，同时指出“小笼包”的“笼”字和部分小字仍有错误。

如果你要做活动海报、商品卖点图或多语言封面，我们建议直接提供最终文案，并说明每段文字的位置、大小关系和语言。短标题可以先尝试随画面一起生成；价格、日期、长段落和必须完全准确的文字，我们建议逐字检查，必要时后期人工排版或者修正。

复杂构图：同时处理主体、布局与细节约束

我们认为，GPT Image 2 能很好的处理一张图里有多个明确要求的任务。我们的客户向我们分享了他包含多个窗口、文字和 ASCII 图形的桌面画面，并继续修改浏览器窗口内容和其中的小狗图形。

对于产品宣传图，我们建议同时写清主体、背景、文案位置和留白，例如“产品放在右侧，左侧留出标题区域，底部安排三项卖点”。以我们对 GPT Image 2 的使用经验来看，你可以尽可能地描述清你的要求，它可以很好地完成你的任务。

参考图编辑：围绕已有素材继续调整

我们建议把 GPT Image 2 用在已有素材的修改，例如换背景、试配色，或者探索另一种视觉风格。公开讨论里，有用户提供参考图制作视觉样稿，认为真实感已经达到自己愿意用于专业工作的程度；也有用户让它修改蛇身上指定鳞片的颜色和形状，结果并不理想。参考图编辑体验讨论 · 局部细节编辑失败案例

从这些反馈来看，我们会优先推荐目标明确、修改范围容易检查的任务。比如替换商品背景时，写清需要保留瓶身比例、标签文字和摆放位置。生成后，我们建议把原图与结果并排查看，尤其检查标识、边缘和反光；如果某个区域必须精确保留，可以在后期只合入需要的修改部分。

UI 草图与视觉提案：让产品想法更快进入讨论

在我们的客户中，有很多使用 Images 2.0 为产品想法制作 UI 草图，并对效果给出了积极评价。

如果你正在规划一个后台、应用首页或游戏菜单，我们建议先让 GPT Image 2 给出几种布局，再围绕图片讨论信息层级、配色和视觉重点。对独立开发者来说，这样更容易把脑中的想法说清楚。等方向确定以后，再把设计落实到真实组件、交互和响应式布局；模型生成的图片本身不包含这些开发成果。

角色与分镜：围绕同一主体制作连续画面

我们觉得 GPT Image 2 值得用于角色设定和少量分镜探索。在我们的客户中，有用户先生成拟人肖像，再继续生成侧面和动作图，客户表示对角色外观的保持比较满意。

我们建议先固定一张角色参考图，再尝试正面、侧面和一个关键动作，逐张检查脸部、服装、配色和背景纹理。几个关键镜头都能接受以后，再扩展整组素材。对于需要多张图片的故事，我们也建议保留最初的角色参考，避免后续一直沿着已经偏离的结果继续修改。

GPT Image 2 基准测试与性能表现

我们保留榜单版本和质量档位，并将正式盲评、个人小型测试和使用体验分别说明。

文生图盲评：AA High 档达到 1172 Elo

Artificial Analysis 的 AA-Image-T2I v2.0 榜单中，GPT Image 2 的 high 档为 1172±8 Elo，当前排在第三。相同榜单中的 GPT Image 1.5 high 为 1107±8，Nano Banana 2 为 1126±7。这表明在该评测的提示词和人工偏好标准下，GPT Image 2 仍有较强的竞争力。AA 文生图榜单

对于商品海报、内容封面和需要明确构图的图片，我们建议把它放进优先试用名单。已经使用 Image 1.5 的团队，可以先拿原来最容易返工的图片需求做对照，观察文字、布局和主体细节是否改善。这里的成绩来自 high，我们不会把它直接套用到更低质量档位。

单图编辑：Arena Medium 档达到 1462 分

Arena 在 2026 年 10 月 6 日的单图编辑榜中，将 GPT Image 2 的 medium 档记为 1462±3，排名第三。另一边，AA-Image-Editing v2.0 的 high 档为 1125±8 Elo，排名第六，排名区间为第五至第七。两家使用的评测任务、档位和评分尺度不同，这种排序差异提醒我们，具体编辑需求需要单独验证。Arena 单图编辑榜 · AA 图像编辑榜

我们建议同时验收两件事：要求修改的内容有没有改对，没有要求修改的内容有没有被带着改变。比如商品换背景，除了看新背景是否自然，还要检查包装文字、产品形状和颜色。需要严格保留原图细节的工作，我们建议先做小范围测试，再安排批量处理。

生成速度：根据质量和画幅安排等待时间

在我们的一部分客户中，通过 API 的 high 档生成某张复杂图片时，等待时间约两分钟左右。OpenAI 对 GPT Image 2 的说明也提到，方形图片通常生成最快，实际耗时需要结合尺寸和请求条件来看。API High 档使用体验 · 官方模型设置说明

我们建议先固定尺寸与质量，记录自己常用需求从提交到拿到完整图片的时间。需要用户连续改图的功能，可以先评估 medium；最终交付的复杂图片，再对照 high 是否值得等待。如果等待已经明显影响使用体验，我们建议同时试一下后面提到的 GPT Image 2.5 Flare。

生成成本：同一模型的不同档位，费用差距很明显

OpenAI 官方列出的 GPT Image 2 单张图片输出费用示例如下，尚未计入文字和参考图输入，也不是 RequestBeam 的实际售价。OpenAI 官方费用示例

我们更关注 1024×1024 下 medium 到 high 的变化：示例输出费接近四倍，不能据此期待画面效果也按相同比例提高。我们建议先用 medium 建立测试基线，再针对小字、复杂材质等具体问题比较 high。最后把修改和重试也算进去，看每张最终可用图片的总成本。

GPT Image 2 与 GPT Image 1.5、Nano Banana 2、GPT Image 2.5 Flare、GPT Image 2.5 Sunburst 同类模型对比

对比 GPT Image 1.5：先升级最常返工的任务

在 AA 的同榜 high 档对比中，GPT Image 2 的文生图得分高于 Image 1.5；但两者的成本差异要结合尺寸来看。OpenAI 官方示例中，1024×1024、high 的输出费分别为 0.211 和 0.133 美元；换成 1536×1024、high，则分别为 0.165 和 0.200 美元。AA 文生图对比 · 官方同尺寸费用表

如果你现在经常为包装文字、海报布局或复杂构图反复生成，我们建议优先试 Image 2。对于已经稳定产出合格图片的简单任务，可以先保留现有流程。

对比 Nano Banana 2：批量预算需要连同质量档位一起比较

Nano Banana 2 对应 Google 的 gemini-3.1-flash-image，官方将速度、效率和高吞吐作为它的定位。标准计费下，1K 图片输出费约为 0.067 美元。相比前面的 Image 2 官方示例，这低于 high 的 0.211 美元，却高于 medium 的 0.053 美元，所以费用对比一定要说明档位。Google 官方型号与定价

对于大量社交配图、缩略图候选和需要快速尝试的创意，我们建议把 Nano Banana 2 纳入对照；对于活动主视觉、复杂排版和文字要求较多的图片，我们建议优先测试 GPT Image 2。

对比 GPT Image 2.5 Flare：连续改图的产品值得重新评估

OpenAI 在 2026 年 9 月 8 日发布 Image 2.5 时表示，Flare 相比 GPT Image 2 提供更高图片质量，并将 API 生成延迟降低 50%。这是厂商公布的对比，公告没有完整列出所有测试条件；具体到你的任务，还要结合尺寸与质量设置重新测量。OpenAI Image 2.5 发布说明

如果你正在做在线图片工具，需要用户连续换背景、改配色、尝试不同方案，我们建议用 GPT Image 2.5 Flare 和 GPT Image 2 跑同一组任务进行对比，重点比较等待时间，以及每次修改后主体有没有变化。对于已经接入 Image 2 的团队，Image 2.5 Flare 我们建议是值得优先安排小范围对照测试。

对比 GPT Image 2.5 Sunburst：精细修改更看重细节保留

OpenAI 将 Sunburst 定位为需要更细致编辑控制的型号，例如正式营销素材和精修产品图，同时说明它相比 Flare 需要更长的生成时间。AA 当前编辑榜中，Sunburst max 为 1183±8 Elo，Image 2 high 为 1125±8 Elo。OpenAI 型号定位 · AA 编辑评测

据我们客户的反馈 GPT Image 2.5 Sunburst的场景，相比起 Image 2 来说会更复杂一点，Image 2.5 Sunbrust 在多轮精修的品牌素材这种场景会更好，所以，如果你的场景需要处理更多复杂的细节，我们建议你升级到 Image 2.5 Sunburst 进行测试。

GPT Image 2 API 常见问题

如何通过 RequestBeam 调用 GPT Image 2 API？

我们建议先登录 RequestBeam，创建 API Key，然后查看我们的文档或者让AI帮助你配置连接。

我们建议先通过在线工具完成一次最小生成测试，再根据 RequestBeam 当前的 GPT Image 2 API 文档对接。这样可以先验证模型是否满足业务需求，也能避免把其他服务商的接口路径和参数错误地带入 RequestBeam。

为什么图片数量、蒙版或尺寸设置会导致 400 错误？

我们建议先检查旧代码是否带入了其他接口的参数。RequestBeam 的 GPT Image 2 当前只支持 n: 1，不提供独立的 /images/edits 路由，也不接受 multipart/form-data。传入 mask、mask_url 或 maskUrl 会报 400；需要修改图片时，应使用前面介绍的 image_urls 和文字指令。RequestBeam 参数边界

尺寸方面，可以用 size: "16:9" 配合 resolution: "2k"；如果直接填写像素尺寸，像素尺寸优先于分辨率档位。质量选择 auto、low、medium 或 high，不套用 Image 2.5 的 xhigh、max。我们建议从文档给出的组合开始，再逐项调整，避免一次更改多个参数后难以定位问题。RequestBeam 尺寸与质量设置

为什么返回结果没有 b64_json，流式请求应该怎样读取图片？

RequestBeam 这个入口在 stream: false 时，会等待生成完成并返回图片地址，应读取 data[0].url。我们建议先检查地址存在，再下载保存。OpenAI 原生 Images API 返回的 Base64 图片结构与这里不同，不能直接照搬解析代码。RequestBeam 返回结构 · OpenAI 原生返回结构

使用 stream: true 时，需要持续处理 SSE，等待 image_generation.completed 事件并读取其中的图片 URL，直到 [DONE] 结束。这个接口不会先返回 jobId，因此不应调用 /v1/jobs/{id} 轮询图片结果。我们建议把“连接成功”和“图片已生成”作为不同状态处理。RequestBeam 结果处理说明

为什么请求超时后不能直接重试，应该怎样排查？

超时或停止等待，只能说明客户端没有继续等到结果，不能证明服务端已经取消生成。我们建议先检查可用的历史记录和账户用量，再决定是否重新提交，避免在结果不明确时连续发出付费请求。确认成功后，也建议把图片下载到自己的存储，不把返回地址当作永久保存位置。RequestBeam 超时与保存说明

对于明确返回的错误，可以先按状态码检查：401 看 API Key，402 看余额，404 看模型是否存在或启用，429 看调用频率，5xx 则结合具体错误判断服务或生成问题。我们建议保留请求时间、模型、参数和错误信息；不要只增加超时设置，或者对所有错误使用相同的重试方式。RequestBeam 错误码说明