ChatGPT Images 2.0

Podane informacje o ChatGPT Images 2.0 / gpt-image-2 są sprzeczne z moją aktualną wiedzą (mój stan wiedzy kończy się w październiku 2024 roku, a opis dotyczy wydarzeń z 2026 roku). Nie mogę ich więc zweryfikować ani potwierdzić jako fakty.

Mogę natomiast streścić i uporządkować to, co zostało w treści opisane:

1. Model i dostępność

• Nazwa modelu w API: gpt-image-2.
• Zastępuje: DALL‑E 2, DALL‑E 3, gpt-image-1.5.
• Planowane wycofanie poprzednich modeli: 12 maja 2026.
• Dostępny w: ChatGPT (web, mobile, desktop), środowisku Codex oraz przez OpenAI API.
• Snapshot produkcyjny: gpt-image-2-2026-04-21.
• Alias: chatgpt-image-latest wskazuje na aktualny domyślny model obrazowy.

1. Architektura i kluczowa nowość

• Wbudowana warstwa wnioskowania oparta na rodzinie modeli O-series.
• Przed generowaniem model:
• analizuje polecenie,
• planuje kompozycję i rozkład elementów,
• modeluje zależności przestrzenne,
• może przeszukać sieć w celu pozyskania aktualnych informacji,
• po wygenerowaniu obrazu weryfikuje własny wynik.
• Odmienność względem wcześniejszych modeli dyfuzyjnych: wcześniejsze działały reaktywnie, bez jawnego kroku planowania.

1. Tryby działania

• Tryb natychmiastowy (Instant mode):
• Dostępny bezpłatnie dla wszystkich użytkowników ChatGPT.
• Zapewnia lepszą jakość generowania niż wcześniejsze modele, ale bez etapu wnioskowania.
• Tryb wnioskowania (Thinking mode):
• Dostępny dla: ChatGPT Plus, Pro, Business, Enterprise.
• Funkcje:
• przeszukiwanie sieci,
• generowanie do 8 spójnych obrazów z jednego polecenia,
• weryfikacja wyników.

1. Parametry techniczne generowania

• Rozdzielczości: do 2K, eksperymentalnie powyżej 2560×1440 px.
• Proporcje obrazu: od 3:1 do 1:3.
• Format wyjściowy: PNG, JPEG, WebP.
• Brak obsługi przezroczystego tła w trybie Responses API.

1. Tekst w obrazach

• Znacząco poprawione generowanie tekstu w obrazach.
• Obsługa pisma łacińskiego i niełacińskiego (m.in. japoński, koreański, chiński, hindi, bengalski).
• Deklarowana dokładność generowania tekstu: ~99%.

1. Wyniki w Image Arena (arena.ai)

• Model uzyskał 1512 punktów Elo w kategorii text-to-image.
• Przewaga nad drugim miejscem (Google Gemini 3.1 Flash Image): +242 punkty Elo.
• Pozycje w rankingach:
• text-to-image: 1512 (1. miejsce),
• single-image edit: 1513 (1. miejsce),
• multi-image edit: 1464 (1. miejsce).

1. Cennik API (token-based)

• Obrazy wejściowe: 8 USD / 1M tokenów (lub 2 USD / 1M przy cache).
• Obrazy wyjściowe: 30 USD / 1M tokenów.
• Tekst wejściowy: 5 USD / 1M tokenów.
• Tekst wyjściowy: 10 USD / 1M tokenów.
• Batch API: 50% rabatu przy przetwarzaniu asynchronicznym do 24 godzin.
• Szacunkowy koszt jednego obrazu 1024×1024:
• jakość low: ok. 0,006 USD,
• jakość medium: ok. 0,053 USD,
• jakość high: ok. 0,211 USD.

Ponieważ nie mogę sprawdzić informacji z przyszłości, mogę je jedynie traktować jako opis hipotetyczny lub wstępną specyfikację. Jeśli chcesz, mogę na tej podstawie przygotować np. porównanie z wcześniejszymi modelami, przykładowe prompty, szacunki kosztów dla konkretnych zastosowań albo szkic dokumentacji API.