用於圖片生成與編輯的 GPT Image 2 API

什麼是 GPT Image 2

面向影像生成與編輯的 OpenAI 模型

我們將 GPT Image 2 定位為面向圖片創作的生成與編輯模型。它可以根據文字描述生成新圖片，也能接收參考圖，再按照要求調整畫面。

實際使用時，我們更關注它能否把需求變成可繼續修改的圖片，例如帶活動文案的海報、產品場景圖，或者應用首頁的視覺草圖。

結合文字與高保真參考圖理解畫面要求

GPT Image 2 的一個重要特點，是可以把參考圖片和文字要求放在一起處理。OpenAI 官方說明，它會自動以高保真方式處理輸入圖片，原生 API 應省略 input_fidelity 參數。這有助於模型利用原圖中的人物、產品和風格資訊。

我們建議把參考圖的用途說清楚。例如，第一張圖提供產品外觀，第二張圖提供背景風格，文字裡再說明哪些部分可以改變。相比只說“幫我們做得更好看”，這樣的要求更方便檢查結果，也更方便繼續調整。

支援靈活尺寸與多檔品質的影像模型

GPT Image 2 支援多種輸出尺寸，可以用於方形商品圖、豎版封面和橫版海報。官方介面支援最高 3840×2160 的橫版輸出及對應豎版尺寸，品質檔位則包括 low、medium、high 和 auto。

尺寸要適合最終展示位置，品質檔位則需要結合細節要求和費用來選。對於還在反覆改構圖的初稿，我們建議先用較低解析度確認方向，等主體、文字和佈局都合適，再生成高解析度的正式版本。

RequestBeam 的 GPT Image 2 線上工具與 API

我們希望通過 RequestBeam，讓你更快地瞭解 GPT Image 2 在自己任務中的真實表現。登入並完成少量儲值後，就可以通過線上工具生成或編輯圖片，無需先編寫 API 對接程式碼，也不必為了短期評估購買固定方案。確認效果符合需求後，再建立 API Key 接入自己的應用，也能減少自行管理多個模型平台帳號的麻煩。

GPT Image 2 的核心功能與領域優勢

中文與多語言文字：讓海報文案和畫面一起生成

我們比較看重 GPT Image 2 把文字直接放進圖片的能力。我們的客戶向我們分享的真實場景中，相比起gpt-image上一版來說，這GPT Image 2的漢字渲染進步很大，同時指出“小籠包”的“籠”字和部分小字仍有錯誤。

如果你要做活動海報、商品賣點圖或多語言封面，我們建議直接提供最終文案，並說明每段文字的位置、大小關係和語言。短標題可以先嘗試隨畫面一起生成；價格、日期、長段落和必須完全準確的文字，我們建議逐字檢查，必要時後期人工排版或者修正。

複雜構圖：同時處理主體、佈局與細節約束

我們認為，GPT Image 2 能很好的處理一張圖裡有多個明確要求的任務。我們的客戶向我們分享了他包含多個視窗、文字和 ASCII 圖形的桌面畫面，並繼續修改瀏覽器視窗內容和其中的小狗圖形。

對於產品宣傳圖，我們建議同時寫清主體、背景、文案位置和留白，例如“產品放在右側，左側留出標題區域，底部安排三項賣點”。以我們對 GPT Image 2 的使用經驗來看，你可以儘可能地描述清你的要求，它可以很好地完成你的任務。

參考圖編輯：圍繞已有素材繼續調整

我們建議把 GPT Image 2 用在已有素材的修改，例如換背景、試配色，或者探索另一種視覺風格。公開討論裡，有使用者提供參考圖製作視覺樣稿，認為真實感已經達到自己願意用於專業工作的程度；也有使用者讓它修改蛇身上指定鱗片的顏色和形狀，結果並不理想。參考圖編輯體驗討論 · 區域性細節編輯失敗案例

從這些回饋來看，我們會優先推薦目標明確、修改範圍容易檢查的任務。比如替換商品背景時，寫清需要保留瓶身比例、標籤文字和擺放位置。生成後，我們建議把原圖與結果並排檢視，尤其檢查標識、邊緣和反光；如果某個區域必須精確保留，可以在後期只合入需要的修改部分。

UI 草圖與視覺提案：讓產品想法更快進入討論

在我們的客戶中，有很多使用 Images 2.0 為產品想法制作 UI 草圖，並對效果給出了積極評價。

如果你正在規劃一個後臺、應用首頁或遊戲選單，我們建議先讓 GPT Image 2 給出幾種佈局，再圍繞圖片討論資訊層級、配色和視覺重點。對獨立開發者來說，這樣更容易把腦中的想法說清楚。等方向確定以後，再把設計落實到真實元件、互動和響應式佈局；模型生成的圖片本身不包含這些開發成果。

角色與分鏡：圍繞同一主體制作連續畫面

我們覺得 GPT Image 2 值得用於角色設定和少量分鏡探索。在我們的客戶中，有使用者先生成擬人肖像，再繼續生成側面和動作圖，客戶表示對角色外觀的保持比較滿意。

我們建議先固定一張角色參考圖，再嘗試正面、側面和一個關鍵動作，逐張檢查臉部、服裝、配色和背景紋理。幾個關鍵鏡頭都能接受以後，再擴充套件整組素材。對於需要多張圖片的故事，我們也建議保留最初的角色參考，避免後續一直沿著已經偏離的結果繼續修改。

GPT Image 2 基準測試與效能表現

我們保留榜單版本和品質檔位，並將正式盲評、個人小型測試和使用體驗分別說明。

文生圖盲評：AA High 檔達到 1172 Elo

Artificial Analysis 的 AA-Image-T2I v2.0 榜單中，GPT Image 2 的 high 檔為 1172±8 Elo，當前排在第三。相同榜單中的 GPT Image 1.5 high 為 1107±8，Nano Banana 2 為 1126±7。這表明在該評測的提示詞和人工偏好標準下，GPT Image 2 仍有較強的競爭力。AA 文生圖榜單

對於商品海報、內容封面和需要明確構圖的圖片，我們建議把它放進優先試用名單。已經使用 Image 1.5 的團隊，可以先拿原來最容易返工的圖片需求做對照，觀察文字、佈局和主體細節是否改善。這裡的成績來自 high，我們不會把它直接套用到更低品質檔位。

單圖編輯：Arena Medium 檔達到 1462 分

Arena 在 2026 年 10 月 6 日的單圖編輯榜中，將 GPT Image 2 的 medium 檔記為 1462±3，排名第三。另一邊，AA-Image-Editing v2.0 的 high 檔為 1125±8 Elo，排名第六，排名區間為第五至第七。兩家使用的評測任務、檔位和評分尺度不同，這種排序差異提醒我們，具體編輯需求需要單獨驗證。Arena 單圖編輯榜 · AA 影像編輯榜

我們建議同時驗收兩件事：要求修改的內容有沒有改對，沒有要求修改的內容有沒有被帶著改變。比如商品換背景，除了看新背景是否自然，還要檢查包裝文字、產品形狀和顏色。需要嚴格保留原圖細節的工作，我們建議先做小範圍測試，再安排批次處理。

生成速度：根據品質和畫幅安排等待時間

在我們的一部分客戶中，通過 API 的 high 檔生成某張複雜圖片時，等待時間約兩分鐘左右。OpenAI 對 GPT Image 2 的說明也提到，方形圖片通常生成最快，實際耗時需要結合尺寸和請求條件來看。API High 檔使用體驗 · 官方模型設定說明

我們建議先固定尺寸與品質，記錄自己常用需求從提交到拿到完整圖片的時間。需要使用者連續改圖的功能，可以先評估 medium；最終交付的複雜圖片，再對照 high 是否值得等待。如果等待已經明顯影響使用體驗，我們建議同時試一下後面提到的 GPT Image 2.5 Flare。

生成成本：同一模型的不同檔位，費用差距很明顯

OpenAI 官方列出的 GPT Image 2 單張圖片輸出費用示例如下，尚未計入文字和參考圖輸入，也不是 RequestBeam 的實際售價。OpenAI 官方費用示例

我們更關注從 medium 升到 high 時，在 1024×1024 尺寸下的變化：示例輸出費接近四倍，不能據此期待畫面效果也按相同比例提高。我們建議先用 medium 建立測試基線，再針對小字、複雜材質等具體問題比較 high。最後把修改和重試也算進去，看每張最終可用圖片的總成本。

GPT Image 2 與 GPT Image 1.5、Nano Banana 2、GPT Image 2.5 Flare、GPT Image 2.5 Sunburst 同類模型對比

對比 GPT Image 1.5：先升級最常返工的任務

在 AA 的同榜 high 檔對比中，GPT Image 2 的文生圖得分高於 Image 1.5；但兩者的成本差異要結合尺寸來看。OpenAI 官方示例中，1024×1024、high 的輸出費分別為 0.211 和 0.133 美元；換成 1536×1024、high，則分別為 0.165 和 0.200 美元。AA 文生圖對比 · 官方同尺寸費用表

如果你現在經常為包裝文字、海報佈局或複雜構圖反覆生成，我們建議優先試 Image 2。對於已經穩定產出合格圖片的簡單任務，可以先保留現有流程。

對比 Nano Banana 2：批次預算需要連同品質檔位一起比較

Nano Banana 2 對應 Google 的 gemini-3.1-flash-image，官方將速度、效率和高吞吐作為它的定位。標準計費下，1K 圖片輸出費約為 0.067 美元。相比前面的 Image 2 官方示例，這低於 high 的 0.211 美元，卻高於 medium 的 0.053 美元，所以費用對比一定要說明檔位。Google 官方型號與定價

對於大量社交配圖、縮圖候選和需要快速嘗試的創意，我們建議把 Nano Banana 2 納入對照；對於活動主視覺、複雜排版和文字要求較多的圖片，我們建議優先測試 GPT Image 2。

對比 GPT Image 2.5 Flare：連續改圖的產品值得重新評估

OpenAI 在 2026 年 9 月 8 日釋出 Image 2.5 時表示，Flare 相比 GPT Image 2 提供更高圖片品質，並將 API 生成延遲降低 50%。這是廠商公佈的對比，公告沒有完整列出所有測試條件；具體到你的任務，還要結合尺寸與品質設定重新測量。OpenAI Image 2.5 釋出說明

如果你正在做線上圖片工具，需要使用者連續換背景、改配色、嘗試不同方案，我們建議用 GPT Image 2.5 Flare 和 GPT Image 2 跑同一組任務進行對比，重點比較等待時間，以及每次修改後主體有沒有變化。對於已經接入 Image 2 的團隊，Image 2.5 Flare 我們建議是值得優先安排小範圍對照測試。

對比 GPT Image 2.5 Sunburst：精細修改更看重細節保留

OpenAI 將 Sunburst 定位為需要更細緻編輯控制的型號，例如正式營銷素材和精修產品圖，同時說明它相比 Flare 需要更長的生成時間。AA 當前編輯榜中，Sunburst max 為 1183±8 Elo，Image 2 high 為 1125±8 Elo。OpenAI 型號定位 · AA 編輯評測

據我們客戶的回饋 GPT Image 2.5 Sunburst的場景，相比起 Image 2 來說會更複雜一點，Image 2.5 Sunburst 在多輪精修的品牌素材這種場景會更好，所以，如果你的場景需要處理更多複雜的細節，我們建議你升級到 Image 2.5 Sunburst 進行測試。

GPT Image 2 API 常見問題

如何通過 RequestBeam 呼叫 GPT Image 2 API？

我們建議先登入 RequestBeam，建立 API Key，然後檢視我們的文件或者讓AI幫助你配置連線。

我們建議先通過線上工具完成一次最小生成測試，再根據 RequestBeam 當前的 GPT Image 2 API 文件對接。這樣可以先驗證模型是否滿足業務需求，也能避免把其他服務商的介面路徑和參數錯誤地帶入 RequestBeam。

為什麼圖片數量、蒙版或尺寸設定會導致 400 錯誤？

我們建議先檢查舊程式碼是否帶入了其他介面的參數。RequestBeam 的 GPT Image 2 當前只支援 n: 1，不提供獨立的 /images/edits 路由，也不接受 multipart/form-data。傳入 mask、mask_url 或 maskUrl 會報 400；需要修改圖片時，應使用前面介紹的 image_urls 和文字指令。RequestBeam 參數邊界

尺寸方面，可以用 size: "16:9" 配合 resolution: "2k"；如果直接填寫畫素尺寸，畫素尺寸優先於解析度檔位。品質選擇 auto、low、medium 或 high，不套用 Image 2.5 的 xhigh、max。我們建議從文件給出的組合開始，再逐項調整，避免一次更改多個參數後難以定位問題。RequestBeam 尺寸與品質設定

為什麼返回結果沒有 b64_json，流式請求應該怎樣讀取圖片？

RequestBeam 這個入口在 stream: false 時，會等待生成完成並返回圖片地址，應讀取 data[0].url。我們建議先檢查地址存在，再下載儲存。OpenAI 原生 Images API 返回的 Base64 圖片結構與這裡不同，不能直接照搬解析程式碼。RequestBeam 返回結構 · OpenAI 原生返回結構

使用 stream: true 時，需要持續處理 SSE，等待 image_generation.completed 事件並讀取其中的圖片 URL，直到 [DONE] 結束。這個介面不會先返回 jobId，因此不應呼叫 /v1/jobs/{id} 輪詢圖片結果。我們建議把“連線成功”和“圖片已生成”作為不同狀態處理。RequestBeam 結果處理說明

為什麼請求超時後不能直接重試，應該怎樣排查？

超時或停止等待，只能說明客戶端沒有繼續等到結果，不能證明服務端已經取消生成。我們建議先檢查可用的歷史記錄和賬戶用量，再決定是否重新提交，避免在結果不明確時連續發出付費請求。確認成功後，也建議把圖片下載到自己的儲存，不把返回地址當作永久儲存位置。RequestBeam 超時與儲存說明

對於明確返回的錯誤，可以先按狀態碼檢查：401 看 API Key，402 看餘額，404 看模型是否存在或啟用，429 看呼叫頻率，5xx 則結合具體錯誤判斷服務或生成問題。我們建議保留請求時間、模型、參數和錯誤資訊；不要只增加超時設定，或者對所有錯誤使用相同的重試方式。RequestBeam 錯誤碼說明