一句话结论
GPT-Image-2.6全量上线，通过解耦复杂度与画质参数实现最快6秒出图，并原生支持GIF动图与SVG矢量格式导出。
关键要点
- GPT-Image-2.6在ChatGPT、Codex及API中全量上线，免费及付费用户均可直接使用，整体生成时间缩短50%。
- API端首次拆分出Flare与Sunburst两个型号，Flare主打速度与排版优化，Sunburst专注于高画质下的多轮修图一致性。
- 新增complexity（复杂度）参数控制场景规划算力，与原有quality（画质）参数解耦，局部微调时可设low复杂度以节省时间。
- 原生支持生成GIF动图，采用3×2序列帧（Sprite Sheet）技术实现无缝循环，避免重型视频模型的推理延迟。
- 支持直接导出SVG矢量格式，并将此前仅限网页端的图像标记（Image markup）局部重绘功能正式开放给API。
背景与事实
OpenAI近期推出了图像生成模型GPT-Image-2.6，该模型已在ChatGPT、Codex以及API中全量上线，面向免费及付费用户开放。此次更新的核心性能指标显示，整体生成时间缩短了50%，在特定低画质档位下，单张图的生成时间最快可压缩至6秒。在模型架构层面，API端首次引入了两个具体的子型号：Flare和Sunburst。Flare模型专门针对海报、电商产品图等商业视觉场景进行布局优化，主打速度和排版；Sunburst模型则负责处理高画质档位下的复杂任务，核心解决多轮对话修改中人物和商品特征发生漂移的一致性问题。
在底层控制逻辑上，GPT-Image-2.6引入了名为“complexity”（复杂度）的新参数。过去开发者调用生图API时，通常只能调整分辨率或笼统的画质档位，即使是修改背景颜色等局部操作，模型也需要重新进行完整的构图规划。现在，complexity参数专门用于控制模型在生成前用于场景规划的算力投入，而原有的“quality”（画质）参数则纯粹负责视觉细节和保真度。这种将“构思精力”和“渲染精度”解耦的设计，允许开发者在日常局部微调时将complexity调低并保持高quality输出，从而省去重新排兵布阵的时间，仅执行高精度重绘；只有在多元素同框或限制条件极多的复杂场景下，才需要调高complexity。
除了静态图像生成，GPT-Image-2.6原生支持生成GIF动图。官方通过与OpenArt合作的案例展示了其实现路径：模型并非调用重型视频生成模型进行时空扩散计算，而是采用了游戏工业中的序列帧思路。通过提示词让模型生成一张包含6个连续帧的动画序列图（Sprite Sheet），按3列×2行网格排列，固定机位、角色、服装和背景，并确保第六帧平滑过渡回第一帧。这种处理方式绕开了视频模型高昂的推理延迟，同时保证了每一帧中角色五官、衣服褶皱和背景物体的相对固定。目前，初创公司Town已将此功能通过API接入其AI办公助手，用于生成虚拟助手的打字、反馈等实时微表情动图。
此外，此次更新还带来了两项工程化能力。一是原生支持SVG矢量图导出，解决了AI生成位图放大后边缘模糊的问题，开发者在Codex中编写前端代码时可直接生成无限缩放的图标、组件和插画并写入代码库，省去了中间转换环节。二是将此前仅在ChatGPT网页端可用的图像标记（Image markup）功能正式开放给API，企业团队可在产品后台通过坐标或遮罩圈定局部重绘区域，配合Sunburst模型实现批量修图的流水线作业。值得注意的是，在生图模型更新之外，GPT-6.2 Astra模型也已现身谷歌云平台。
影响分析
对于中文开发者与从业者而言，GPT-Image-2.6的参数解耦设计显著降低了开发成本和迭代效率门槛。明确区分complexity与quality，使得在构建自动化图像工作流时，可根据任务复杂度动态调整算力分配，避免在简单修改任务中浪费昂贵的规划资源。原生SVG导出功能直接打通了AI生成内容与前端开发的壁垒，UI设计师和前端工程师无需依赖第三方矢量化工具即可在代码库中集成高质量矢量资源，提升了产品开发的原子化能力。GIF动图的原生支持则为社交内容和数字营销提供了低延迟、低成本的动态素材生成方案，尤其适合需要高频更新表情包的社交场景。需明确指出，以上为基于技术特性对开发效率与工程落地场景的分析判断。
适用边界
该模型的优势在低复杂度局部修改、商业排版图生成及静态/简单动态素材生成中表现显著，但不适用于需要复杂时空叙事、长时长连贯视频或极高物理一致性的高保真视频生成场景。对于非商业排版的纯艺术创作或需要深度多轮复杂逻辑推理的图像生成任务，仍需根据具体需求权衡使用高complexity档位或探索其他专型视频模型。
孤本观察
本次更新将游戏工业的序列帧技术引入图像生成，并通过参数解耦实现算力精细化调度，表明主流生图模型正从“黑盒生成”向“可精确控制的工程化管线”演进。此为基于公开技术细节的编辑判断。
常见问题
GPT-Image-2.6如何原生支持GIF动图生成？
采用3×2序列帧（Sprite Sheet）技术，生成包含6个连续帧的动画序列图，按3列×2行排列并固定机位、角色等元素，确保第六帧平滑过渡回第一帧，避免重型视频模型的推理延迟。
API端新增的Flare与Sunburst型号分别侧重什么功能？
Flare主打速度与排版优化，针对海报、电商产品图等商业视觉场景；Sunburst专注于高画质下的多轮修图一致性，解决多轮对话中人物和商品特征漂移问题。
GPT-Image-2.6中complexity参数与quality参数有何不同？
complexity控制生成前用于场景规划的算力投入；quality纯粹负责视觉细节和保真度。两者解耦，允许在局部微调时设低复杂度以保持高画质，节省时间。
GPT-Image-2.6支持导出哪些原生格式？
支持原生生成GIF动图，并支持直接导出SVG矢量格式，解决AI生成位图放大后边缘模糊的问题，便于在代码库中集成高质量矢量资源。
哪些用户可以使用GPT-Image-2.6的图像标记局部重绘功能？
此前仅限网页端的图像标记（Image markup）局部重绘功能已正式开放给API，企业团队可通过坐标或遮罩圈定区域，配合Sunburst模型实现批量修图。
来源：量子位