Image 2.5 d’OpenAI : test de Flare et Sunburst face à Image 2

Une image peut être magnifique et inutilisable. Il suffit d’une anse en trop, d’un graphique qui raconte n’importe quoi ou d’un visage qui change pendant une petite retouche. C’est sur ces détails que j’attendais Image 2.5 d’OpenAI, annoncé le 8 septembre 2026. Pas seulement sur sa capacité à produire une belle démonstration.

J’ai donc lancé les mêmes demandes avec Image 2, Image 2.5 Flare et Image 2.5 Sunburst : un personnage, un paysage et une maquette d’interface. Puis une retouche sur une image commune et un essai de fond transparent. Vous trouverez les premières sorties, les prompts et les temps d’attente, sans sélectionner après coup une image flatteuse pour chaque modèle.

Mon premier constat est assez rassurant pour ceux qui utilisent déjà Image 2 : il n’est pas soudain devenu mauvais. Dans cette petite série, la différence la plus nette est la vitesse. La qualité, elle, demande de regarder les images et leurs contraintes une par une.

Image 2.5, Flare et Sunburst : ce qui change vraiment

ChatGPT Images 2.5 désigne l’expérience d’image dans ChatGPT. Dans l’API, il faut choisir entre deux identifiants distincts : gpt-image-2.5-flare et gpt-image-2.5-sunburst. Le modèle précédent reste gpt-image-2. Écrire simplement « Image 2.5 » dans un comparatif ne suffit donc pas à savoir ce qui a été testé.

OpenAI annonce aussi des améliorations de fidélité aux références et de retouche, ainsi que des nouveautés dans ChatGPT : dessin avec Sketch, commentaires sur l’image et modèles de mise en page. Ces fonctions d’interface ne sont pas toutes des paramètres de l’API. L’annonce officielle présente les deux volets.

Pour remettre cette évolution en perspective, notre présentation d’Image 2 couvre la génération précédente. Ici, je m’intéresse surtout à ce que le changement de modèle apporte à un travail concret.

La présentation vidéo d’OpenAI

Cette courte vidéo en anglais présente Flare et Sunburst. C’est une démonstration de l’éditeur, pas un test indépendant : elle complète les essais ci-dessous sans en tenir lieu.

Vidéo publiée par OpenAI : Introducing GPT-Image-2.5 in the API.

Le protocole : mêmes prompts, mêmes paramètres, premières sorties conservées

Les neuf images de la comparaison principale ont été générées le 9 septembre 2026 via l’API Images, avec un prompt identique pour les trois modèles sur chaque sujet. Portrait, paysage et interface sont en 1 536 × 1 024 pixels, qualité high, fond opaque et sortie PNG. Pour l’interface, les trois modèles reçoivent aussi les mêmes trois références, dans le même ordre. Je compare une seule sortie enregistrée par modèle et par brief, sans sélectionner le meilleur résultat d’une série.

C’est un essai exploratoire, pas une étude statistique. Une seule sortie par modèle et par sujet ne mesure ni le taux d’échec habituel ni la fiabilité sur cent commandes. Les appels ont été successifs, dans une seule session de travail ; la charge des serveurs peut varier. Les alias non datés ont été utilisés, pas des versions verrouillées par snapshot.

Un autre détail compte : le même prompt ne produit pas exactement le même visage ou le même chalet. La première comparaison mesure l’exécution d’une demande commune, pas la reproduction pixel par pixel d’une scène. Pour vérifier la fidélité à une image existante, j’utilise ensuite le même fichier d’entrée dans les trois retouches.

Les images affichées sont des versions WebP allégées, sans recadrage. Chacune donne accès au PNG original. Les demandes sont reproduites dans les volets de chaque test ; notre client leur a ajouté la même étiquette fixe Primary request:, sans reformulation. Le brief d’interface est en anglais ; les autres prompts utilisent du français sans accents. Cette série n’est donc pas un test complet de typographie française.

Un premier appel Image 2 pour l’interface a été interrompu sans fichier récupérable, puis relancé. Sa facturation éventuelle est inconnue ; aucune image n’a été écartée sur un critère esthétique. Deux briefs d’interface antérieurs, un tableau de bord et une boutique, sont conservés séparément dans nos archives et ne sont pas mélangés à ce test avec références.

Personnage : un visage crédible, deux mains et une seule anse

La scène paraît simple : une céramiste adulte regarde une tasse verte, tenue à deux mains, dans son atelier. Mais elle réunit plusieurs petites difficultés : les doigts, la prise de l’objet, le regard, une anse à droite et une feuille portant exactement « Atelier ouvert ».

Sur ces trois sorties, la tasse possède une seule anse visible à droite et le texte demandé est lisible. Je ne vois pas de doigt surnuméraire évident. Les trois personnages regardent bien leur tasse. Image 2 livre déjà une image exploitable ; je ne lui attribuerais pas un échec pour justifier la nouveauté.

Je préfère ici la richesse du décor et des matières de Sunburst. Flare garde une lumière naturelle et une scène très lisible. Ce sont des appréciations visuelles, pas une mesure objective de réalisme. Surtout, aucune des trois femmes n’est une personne réelle : une image convaincante ne devient pas un témoignage ni une photo de cliente.

Paysage : regarder le pont et les reflets, pas seulement les montagnes

Pour le paysage, j’ai demandé un lac alpin, un chalet blanc au toit rouge, trois fenêtres sur sa façade, un ruisseau à gauche et un pont reliant réellement ses deux rives. Ce dernier point m’intéresse davantage qu’un ciel spectaculaire : une belle image peut masquer un aménagement physiquement absurde.

Les trois images placent bien le pont à gauche et présentent trois fenêtres sur la façade principale du chalet. Flare montre aussi une ouverture sur le mur latéral : cela ne contredit pas notre demande, qui portait sur la façade, mais illustre l’importance d’un comptage précisément formulé.

Image 2 donne un reflet plus proche d’un miroir. Flare et Sunburst ajoutent davantage de rides à la surface du lac et de textures au premier plan. Leurs paysages me semblent plus détaillés, sans que ce seul essai permette de déclarer leurs reflets physiquement exacts. Je garderais un contrôle humain pour une image où la géométrie sert à expliquer quelque chose.

Créer une interface à partir de trois références : le test inspiré de Reddit

Peut-on donner plusieurs directions visuelles à un modèle sans obtenir un collage ? J’ai repris l’idée du cas Film Portfolio Collision, publié par 12ui et partagé sur Reddit par u/withmagi. Il demande de séparer ce qu’une interface permet de faire de la manière dont elle est dessinée. C’est plus proche d’un travail de direction artistique qu’une liste de blocs à remplir.

Il s’agit d’une adaptation, pas d’une reproduction à l’identique du benchmark de 12ui. J’ai conservé ses trois images de référence, dans le même ordre, mais reformulé le brief et choisi un format commun de 1 536 × 1 024 pixels. Le sujet reste un catalogue de documentaires pour de petites communautés, avec découverte de films, collections, partage de ressources et publication de portfolios. Le nom, le logo, les photos et les textes doivent être inventés.

Ce que chaque référence apporte

Les trois références et le test original de 12ui permettent de voir le point de départ. Voici le rôle attribué à chacune dans notre demande :

Les trois fichiers sont joints au même appel d’édition pour chaque modèle, avec quality=high. Le brief est cette fois en anglais. Je ne mesure donc pas la qualité du français sur ces maquettes. Les images ci-dessous sont nos propres sorties, pas celles publiées par 12ui.

Image 2 : le catalogue le plus dense

CineVox associe un logo jaune, une photographie de montagne et une navigation très fournie. Les filtres par sujet, durée, région et disponibilité sont visibles, ainsi que les réalisateurs, les durées, les conditions de projection et plusieurs portfolios. Le bouton « Publish portfolio » est placé dès le haut de la page.

Je trouve cette proposition utile pour discuter des fonctions à développer. En revanche, les petits textes deviennent vite serrés et l’ensemble ressemble davantage à un catalogue dense qu’à une direction graphique très singulière. Les compteurs de membres, de films et de projections sont inventés : je les retirerais avant d’en faire la maquette d’un vrai service.

Flare : plus d’espace pour les images et les résumés

Terraview privilégie un grand visage, une typographie large et un accent jaune citron. Les cinq films disposent chacun d’une image, d’une durée, d’une catégorie et d’un court résumé. En bas, trois zones distinctes donnent accès aux collections, au portfolio et aux projections.

C’est celle que je lis le plus facilement à première vue. Le bouton « Publish your portfolio » est explicite, mais placé plus bas qu’avec Image 2. Les filtres détaillés et le pied de page ne sont pas visibles dans cette sortie. La page respire davantage, au prix d’une partie de la densité fonctionnelle.

Sunburst : une identité plus contrastée et des actions franches

Framecommons reprend le contraste rouge/noir dans son logo, les boutons et les états actifs. Six documentaires sont présentés avec leurs durées et des filtres thématiques. La création d’un portfolio apparaît dans le premier écran et dans une seconde section, à côté de l’organisation de projections et de la communauté.

Je trouve la continuité entre logo, boutons et pictogrammes convaincante. La page est moins chargée qu’Image 2 et conserve un pied de page. Mais elle ajoute aussi des statistiques fictives et plusieurs textes blancs reposent sur des photos : leur lisibilité demanderait un vrai contrôle de contraste.

Ce que cette comparaison permet vraiment de choisir

Mon choix ici : Flare pour explorer une direction visuelle rapidement, Image 2 pour discuter d’un catalogue riche en fonctions, Sunburst pour sa cohérence rouge/noir. Ce n’est pas un podium général. Les trois convergent aussi vers une formule assez proche : grand visuel en haut, films au milieu, communauté en bas. Donner trois références ne garantit pas une composition radicalement originale.

Ces maquettes restent des images. Aucun filtre, lecteur, bouton ou formulaire n’a été développé ni testé. Une belle proposition desktop ne prouve pas non plus son adaptation au mobile. Pour passer à un vrai site, je garderais les éléments utiles, supprimerais les données inventées et vérifierais les contrastes, les interactions et les états d’erreur.

Retouche ciblée : changer la tasse, pas la personne

J’ai repris le portrait initial de Sunburst comme fichier d’entrée commun, puis demandé aux trois modèles de changer uniquement la tasse verte en bleu cobalt. Ce choix garde une scène identique, mais il comporte un biais possible : la source vient de Sunburst. Ce n’est pas un test de références photographiques variées.

Les trois retouches changent bien la couleur, conservent l’anse, le texte et l’apparence générale de la personne. À l’échelle de lecture, aucun déplacement majeur de la composition ne saute aux yeux. Je ne vois pas ici de motif suffisant pour réserver la retouche à Sunburst : Image 2 et Flare réussissent aussi cette consigne simple.

En revanche, « conserver le reste » ne doit pas devenir une promesse de pixels identiques. Je vérifierais les zones non demandées avant de valider une déclinaison de produit ou une photo professionnelle. Et une retouche réussie ne prouve pas que dix corrections successives préserveront tout aussi bien l’image. Ce second scénario n’a pas été testé.

Fond transparent : vérifier le fichier, pas seulement son apparence

J’ai demandé à Flare et Sunburst un flacon en verre, sans marque, avec un bouchon noir et une ombre douce. Réglages : background=transparent, PNG, qualité high et 1 024 × 1 024 pixels. Image 2 n’a pas été inclus dans cet essai, qui vérifie la fonction des deux nouveaux modèles.

Les images suivantes sont affichées sur un fond partagé entre blanc et gris foncé. Ce fond appartient à la page, pas au PNG : il aide à voir les contours et la manière dont le flacon se détache.

Le contrôle des pixels confirme la présence d’une vraie transparence : 714 471 pixels totalement transparents avec Flare et 739 902 avec Sunburst, sur 1 048 576 pixels par fichier. Il ne s’agit donc pas simplement d’un damier dessiné derrière le produit.

Plus surprenant, l’alpha maximal est de 254 sur 255 dans les deux PNG. Des zones qui paraissent opaques sont donc, techniquement, très légèrement transparentes. Compter tous les pixels intermédiaires comme du « verre transparent » aurait donné une conclusion trompeuse. Ce constat décrit ces deux fichiers, pas une règle garantie pour toutes les générations.

Je ne considérerais pas pour autant le détourage comme validé pour tous les usages. Il faut encore regarder les halos, les ombres et la lisibilité sur le fond final. Un verre représenté avec des reflets n’est pas nécessairement une simulation correcte de ce qu’on devrait voir à travers. Pour une fiche produit, je testerais le PNG sur les couleurs réelles du site avant de l’intégrer.

Combien de temps prennent Image 2, Flare et Sunburst ?

Voici les durées rapportées par notre client API pour les neuf images comparées ci-dessus. Ce sont des temps d’appel observés, avec le réseau et l’attente côté service, pas des mesures du calcul interne du modèle. Le format est identique, mais l’interface utilise trois images en entrée et l’endpoint d’édition. Son temps ne mesure donc pas exactement la même tâche que les deux générations à partir de texte seul. L’appel interrompu décrit plus haut est exclu des durées ci-dessous.

Flare est le plus rapide dans nos trois cas, puis Sunburst, puis Image 2. L’écart est important, mais je ne le transformerais pas en promesse valable pour toutes les images. Une autre résolution, une image de référence lourde, une autre qualité ou un service plus chargé peuvent changer le résultat.

Dans mon usage, attendre moins longtemps change surtout la manière de travailler : on peut examiner plusieurs pistes avant de consacrer du temps à une finition. Cela ne dispense pas de vérifier chaque sortie. Gagner une minute à la génération puis en perdre dix à corriger un mauvais détail reste une mauvaise affaire.

Les détails d’API qui méritent de ne pas être survolés

« High », « xhigh » et « max » ne désignent pas un niveau de réflexion de ChatGPT

Les fiches de Flare et de Sunburst documentent les qualités low, medium, high, xhigh, max et auto. Il s’agit du réglage de génération d’image, pas du paramètre de raisonnement d’un assistant textuel.

Nos essais restent tous en high. Je n’ai pas testé xhigh ni max, et je ne déduis pas leur intérêt de leur nom. Comparer Image 2 en high avec Sunburst en max répondrait à une autre question : jusqu’où chacun peut aller avec des réglages différents. Ce serait intéressant, mais ce ne serait plus notre comparaison à paramètres communs.

Une résolution acceptée n’est pas une garantie de détails utiles

Le guide de génération autorise des dimensions personnalisées sous contraintes : côtés multiples de 16, grand côté au plus égal à 3 840 pixels et ratio au plus égal à 3:1. Au-delà de 3 686 400 pixels, la sortie est présentée comme expérimentale. Une image de 3 840 × 2 160 appartient donc à cette zone, même si elle est acceptée.

Je choisirais la définition en fonction du livrable. Une vignette d’article ne demande pas la même finesse qu’un visuel imprimé. Et agrandir une image après génération ne prouve pas que le modèle a produit davantage de détails. Dans les comparatifs ci-dessus, toutes les dimensions sont celles des fichiers réellement reçus.

Images API et Responses API ne mesurent pas exactement la même chaîne

La documentation de l’API Images distingue l’appel direct et l’outil de génération utilisé dans Responses. Dans ce second cas, le modèle principal de la conversation et le modèle d’image sont deux choix distincts. Le prompt peut aussi être reformulé, avec un champ revised_prompt.

Pour comparer deux moteurs d’image, je conserverais donc le texte effectivement transmis, pas seulement la phrase tapée dans une conversation. Sinon, on risque d’évaluer à la fois le modèle d’image et le travail de reformulation qui l’a précédé. Nos neuf essais utilisent l’appel Images direct.

Rejouer les essais sans changer les paramètres

Voici les prompts du portrait, du paysage, de l’interface avec trois références, de la retouche et de la transparence. Ces fichiers contiennent le texte transmis, étiquette comprise.

Le corps de la requête vers POST /v1/images/generations suit cette structure pour le portrait et le paysage. Le texte du fichier choisi remplace la valeur illustrative du champ prompt ; à sujet identique, seul l’identifiant du modèle change entre les trois essais.

{
  "model": "gpt-image-2.5-flare",
  "prompt": "CONTENU DU FICHIER PROMPT CHOISI",
  "size": "1536x1024",
  "quality": "high",
  "background": "opaque",
  "output_format": "png",
  "n": 1
}

Ce JSON n’est pas un appel complet : l’authentification et l’enregistrement de l’image retournée restent à gérer dans votre client. Gardez la clé API côté serveur, jamais dans une page publique. Pour la retouche, utilisez l’endpoint d’édition avec le PNG original du portrait Sunburst comme image jointe, pas une capture de la vignette WebP.

Pour l’interface, utilisez POST /v1/images/edits en joignant les trois fichiers de référence du cas P12 de 12ui, dans l’ordre 1, 2, 3. Gardez les mêmes valeurs de taille, qualité, fond et format. Un prompt textuel seul, ou des captures réduites des références, ne reproduiraient pas les conditions de cet essai.

Prix d’Image 2.5 : même tarif au token ne veut pas dire même prix par image

À la date de nos essais, les tarifs standards de l’API affichent les mêmes montants pour Image 2, Flare et Sunburst. Ils sont exprimés en dollars par million de tokens, et non sous la forme d’un prix unique par image.

Le piège serait de reprendre un calculateur d’Image 2 et d’en déduire le coût de Sunburst. Sa fiche précise justement que ce calculateur n’estime pas la consommation de tokens d’Image 2.5. Résolution, qualité, références et retouches peuvent changer la quantité facturée.

Notre outil de test a conservé les images et les durées, mais pas le détail usage de chaque réponse. Je ne présente donc pas de coût mesuré par image pour cette série. Un calcul sérieux utiliserait les tokens de chaque catégorie, les prix correspondants et les éventuels coûts du modèle principal si l’on passe par Responses. Il intégrerait aussi les essais rejetés, pas uniquement l’image finalement publiée.

Pour un petit site, je regarderais le coût d’un visuel validé plutôt que le coût minimal affiché d’une génération. Cette logique rejoint le choix d’outils IA pour une petite activité web : la bonne solution est celle qui rend le travail plus simple, pas celle qui ajoute une étape de contrôle à chaque clic.

Avis ToolsBoxSEO en bref : je commencerais par Flare, sans jeter Image 2

Pour préparer des pistes visuelles, une illustration de contenu ou une première maquette, Flare est le choix que je testerais d’abord. Dans notre série, il combine des sorties convaincantes et une attente très courte. Je passerais à Sunburst lorsqu’un détail important, une référence ou une retouche mérite une comparaison plus attentive.

Je ne remplacerais pas automatiquement une méthode Image 2 déjà fiable. Les images de cette page montrent qu’il sait encore très bien répondre à des contraintes de texte, d’objets et de chiffres. Un changement de modèle se justifie par un gain constaté sur vos visuels, pas par le numéro de version.

Pour l’IA générative en e-commerce, je serais particulièrement exigeant : matière, couleur, forme et accessoires doivent rester fidèles au produit vendu. Une belle variante qui change le produit n’est pas une amélioration. Pour un tutoriel, je garderais de vraies captures de l’application. Pour une mascotte, je fournirais une référence stable puis je vérifierais son visage et sa silhouette à chaque nouvelle scène.

Enfin, une image de texte n’est pas du texte accessible. Les informations importantes doivent aussi exister dans la page, les images doivent recevoir un ALT utile et les fichiers être adaptés au rendu mobile. Le gain éditorial vient de ce que le visuel explique ou prouve, pas du seul fait qu’il a été généré avec le dernier modèle.