OpenAI推出GPT Image 2.6 Flare和Sunburst：Flare面向快速迭代，低质量设置最快约6秒；Sunburst面向复杂构图和高精度编辑，强调多轮一致性。
两个模型分别适合什么
Flare适合社交配图、方案草图、批量商品背景和需要快速比较多个方向的产品；Sunburst适合品牌主视觉、复杂海报、产品细节和多轮修改后仍需保持人物与商品一致的任务。
不要默认所有任务使用Sunburst。先用Flare生成候选方向，锁定构图后再用Sunburst精修，可以同时控制时间和成本。
质量与复杂度不是一回事
质量参数控制图像细节和清晰度，complexity控制模型为满足多项约束投入的规划程度。简单换背景或局部编辑通常使用低复杂度配合所需质量；包含多人、多商品、文字和空间关系的场景再提高复杂度。
参数提高不保证一次成功。每轮只修改一个或一组相关元素，并明确“其他区域保持不变”。保存原图和编辑链，避免多轮生成导致无法回退。
企业评测怎么做
准备人物一致性、商品结构、文字排版、局部编辑、透明背景和不同尺寸六类样本。盲评构图、细节、指令遵循、身份保持和人工修图分钟数，同时记录生成时间与费用。
可以结合Qwen图像生成与编辑选型方法做同任务横向比较，不要使用不同提示词为某个模型单独优化后再声称公平。
API接入注意事项
单次生成或编辑使用Images API；需要连续对话和多步骤工作流可使用Responses中的图像工具。输入图片、提示和输出关联同一任务编号，限制尺寸、并发和重试。
上传人物、证件和客户商品图前确认授权与保存策略。生成结果仍需内容审核、版权检查和品牌复核，不能因模型能生成专业视觉就自动发布。
落地结论
采用新模型不能只看演示或厂商基准。应使用真实、脱敏、可复现的任务建立基线，同时记录质量、时延、成本、人工修改量与失败类型。涉及外部发布、生产修改、网络安全、个人数据或不可逆动作时，必须设置最小权限、人工确认、完整日志和快速回退。
资料来源：OpenAI：Introducing Images 2.6。本文依据公开资料独立整理并补充实操建议，厂商数据按其公开口径表述。
