GPT Image 2.5 Sunburst Edit

Обзор

GPT Image 2.5 Sunburst Edit — endpoint редактирования изображений (image-to-image) линейки ChatGPT Images 2.5 от OpenAI, представленной в сентябре 2026 года. Sunburst — прецизионный тир API: OpenAI описывает его как модель с дополнительным уровнем точности для детальной креативной работы при более длительной генерации по сравнению с Flare. Endpoint заточен под точечные правки по текстовой инструкции: менять только запрошенное, сохраняя лицо, композицию, свет и окружение. По позиционированию OpenAI, Sunburst рассчитан на premium-сценарии с жёстким контролем правок — продакшн-креатив кампаний, отполированная продуктовая графика и дизайн-инструменты, где критична точность бренда. Среди sibling-операций линейки 2.5 этот вариант выделяется фокусом на editing precision: Flare Edit быстрее и подходит для повседневных итераций, а Sunburst Edit — когда нужен более плотный контроль по цепочке последовательных правок. Важно: качество настраивается (low–max/auto), вход — изображения и промпт; плата за точность — более долгое ожидание ответа, а не «максимально быстрый» default-режим.

Сильные стороны

Сценари использования (use cases)

Ограничения и недостатки

Советы

• Явно разделяйте в промпте «изменить только X» и список того, что сохранить без изменений. Для GPT Image 2.5 Sunburst Edit OpenAI прямо рекомендует схему change only + preserve: лицо, геометрию, раскладку, свет, лейблы и окружающие объекты. Sunburst заточен под precision editing, но без явных ограничений всё равно может затронуть лишнее.
• Делайте по одной правке за шаг: передавайте предыдущий удачный кадр как вход и каждый раз повторяйте критичные ограничения. Официальный гайд OpenAI и обзоры Images 2.5 сходятся: pass previous output → one change → restate preserve list. Так Sunburst лучше удерживает уже утверждённые детали в multi-turn; при дрейфе вернитесь к последней стабильной версии, а не «исправляйте вперёд».
• Начинайте с quality medium и поднимайте high/xhigh/max только если на конкретной правке не хватает детализации. У Sunburst есть ступени xhigh и max, но OpenAI предупреждает: более высокий quality не гарантирует лучший кадр для каждого промпта, зато обычно растёт latency. Precision-тир не означает «всегда max»: разумный старт — medium; для мелкого текста и плотных лейблов сравните high; xhigh/max — только при измеримом выигрыше в пределах вашего бюджета по времени.
• Не собирайте в одном промпте несколько крупных правок сразу — фон, одежду, свет и текст одновременно. Перегруженный запрос чаще даёт дрейф и частичную перегенерацию кадра. OpenAI и практические гайды по Images 2.5 советуют одну цель за ход; смешение целей мешает Sunburst сохранить утверждённые области даже на precision-тире.
• Не рассчитывайте на пиксельную неизменность области только за счёт промпта — для критичных зон композить утверждённую правку в оригинал. OpenAI прямо пишет: повторные правки всё ещё могут менять детали, которые хотели сохранить. Даже при улучшенном precision editing Sunburst это не pixel-perfect guarantee; если зона должна остаться идентичной исходнику, композить, а не полагаться только на формулировку.

FAQ

Цены

Параметры

Поля тела JSON-запроса, которые используются в Playground и доступны для настройки через API. Порядок совпадает с формой на странице.

Запрос

Асинхронный запуск: POST https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/edit с заголовком Authorization: Bearer $FLIXA_API_KEY и телом JSON. Ниже — пример с полями из Playground.

curl -X POST "https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/edit" \
  -H "Authorization: Bearer $FLIXA_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "images": [
    "https://uploads.flixa.io/media/8959270cffa15b69be9588b95e85640230c592ed0f99d3aa81b28c2c3da6cc41.jpg"
  ],
  "prompt": "Превратите это фото товара в премиальную студийную рекламу: мягкий кинематографический свет, чистый бежевый фон, лёгкие тени, реалистичные отражения и эстетика люксового бренда.",
  "quality": "medium",
  "resolution": "1k",
  "aspect_ratio": "1:1",
  "output_format": "jpeg"
}'

import json
import os
import requests

url = "https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/edit"
payload = json.loads({"aspect_ratio": "1:1", "images": ["https://uploads.flixa.io/media/8959270cffa15b69be9588b95e85640230c592ed0f99d3aa81b28c2c3da6cc41.jpg"], "output_format": "jpeg", "prompt": "\u041f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0444\u043e\u0442\u043e \u0442\u043e\u0432\u0430\u0440\u0430 \u0432 \u043f\u0440\u0435\u043c\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u0441\u0442\u0443\u0434\u0438\u0439\u043d\u0443\u044e \u0440\u0435\u043a\u043b\u0430\u043c\u0443: \u043c\u044f\u0433\u043a\u0438\u0439 \u043a\u0438\u043d\u0435\u043c\u0430\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0441\u0432\u0435\u0442, \u0447\u0438\u0441\u0442\u044b\u0439 \u0431\u0435\u0436\u0435\u0432\u044b\u0439 \u0444\u043e\u043d, \u043b\u0451\u0433\u043a\u0438\u0435 \u0442\u0435\u043d\u0438, \u0440\u0435\u0430\u043b\u0438\u0441\u0442\u0438\u0447\u043d\u044b\u0435 \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0438 \u044d\u0441\u0442\u0435\u0442\u0438\u043a\u0430 \u043b\u044e\u043a\u0441\u043e\u0432\u043e\u0433\u043e \u0431\u0440\u0435\u043d\u0434\u0430.", "quality": "medium", "resolution": "1k"})

response = requests.post(
    url,
    headers={"Authorization": f"Bearer {os.environ['FLIXA_API_KEY']}"},
    json=payload,
    timeout=120,
)
print(response.json())

const response = await fetch(
  "https://api.flixa.io/v1/image/gpt-image-2.5-sunburst/edit",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.FLIXA_API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({"aspect_ratio": "1:1", "images": ["https://uploads.flixa.io/media/8959270cffa15b69be9588b95e85640230c592ed0f99d3aa81b28c2c3da6cc41.jpg"], "output_format": "jpeg", "prompt": "\u041f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u0442\u0435 \u044d\u0442\u043e \u0444\u043e\u0442\u043e \u0442\u043e\u0432\u0430\u0440\u0430 \u0432 \u043f\u0440\u0435\u043c\u0438\u0430\u043b\u044c\u043d\u0443\u044e \u0441\u0442\u0443\u0434\u0438\u0439\u043d\u0443\u044e \u0440\u0435\u043a\u043b\u0430\u043c\u0443: \u043c\u044f\u0433\u043a\u0438\u0439 \u043a\u0438\u043d\u0435\u043c\u0430\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u0439 \u0441\u0432\u0435\u0442, \u0447\u0438\u0441\u0442\u044b\u0439 \u0431\u0435\u0436\u0435\u0432\u044b\u0439 \u0444\u043e\u043d, \u043b\u0451\u0433\u043a\u0438\u0435 \u0442\u0435\u043d\u0438, \u0440\u0435\u0430\u043b\u0438\u0441\u0442\u0438\u0447\u043d\u044b\u0435 \u043e\u0442\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0438 \u044d\u0441\u0442\u0435\u0442\u0438\u043a\u0430 \u043b\u044e\u043a\u0441\u043e\u0432\u043e\u0433\u043e \u0431\u0440\u0435\u043d\u0434\u0430.", "quality": "medium", "resolution": "1k"}),
  }
);

console.log(await response.json());

Пример ответа

Сразу после POST приходит объект с идентификатором задачи и статусом (queued или processing). Готовый результат — в поле outputs после завершения.

{
  "id": "550e8400-e29b-41d4-a716-446655440000",
  "status": "queued",
  "created_at": "2026-05-22T12:00:00Z"
}

После успешного завершения:

{
  "id": "550e8400-e29b-41d4-a716-446655440000",
  "status": "completed",
  "outputs": [
    { "url": "https://storage.example/result.png", "type": "image" }
  ]
}

Поллинг

Пока задача в работе, опрашивайте GET https://api.flixa.io/v1/predictions/{id}/result с тем же API-ключом. Рекомендуемый интервал — 1–2 секунды; остановитесь при completed, failed или cancelled.

• queued / processing — продолжайте опрос.
• completed — заберите URL из outputs.
• failed — смотрите error в теле ответа.

curl "https://api.flixa.io/v1/predictions/{id}/result" \
  -H "Authorization: Bearer $FLIXA_API_KEY"