Bygg med CometAPITrenger du ett API for flere modeller?Test arbeidsflyten i Playground, og opprett deretter en API-nøkkel når modellen og kostnaden passer bruksområdet ditt.
Slik bruker du GPT Image 2.6 API: SVG-generering og bilderedigering
Lær om GPT Image 2.6 API-arbeidsflyter med CometAPI: SVG-generering, gjennomsiktige PNG-er, redigering av flere bilder, markup, parametere, prissetting og migrering.
GPT Image 2.6 API i CometAPI gir utviklere en praktisk vei til bildegenerering og -redigering med to varianter: Sunburst og Flare.
Bygg bildeaktiva med Python og en CometAPI-nøkkel: start med en rasterforespørsel, og legg deretter til SVG-utdata, referansebilder eller et gjennomsiktig PNG-annotasjonslag når ruten din støtter dem. Eksemplene bruker Python 3.10 eller nyere og holder API-nøkkelen på serveren din.
Det viktigste skillet: en gjennomsiktig PNG-utdata er et ferdig aktivum; en gjennomsiktig PNG-markupfil er et input som forteller modellen hvor den skal redigere.
Viktige poenger
Bruk GPT Image 2.6 Flare for raske utkast og Sunburst for detaljerte revisjoner.
Send genereringsforespørsler og redigeringsforespørsler til sine respektive Image API-endepunkter.
Gjennomgått for klarhet, kildeangivelse og gjeldende API-terminologi.
Bruk SVG for vektoraktiva og gjennomsiktig PNG for rasterutklipp.
Hold markup separat fra kildebildet og match dimensjonene etter orientering.
Bekreft rutestøtte før du aktiverer avanserte felter i applikasjonen din.
Hva er GPT Image 2.6 API?
OpenAI introduserte GPT Image 2.6 den 4. november 2026. Modellfamilien aksepterer tekst- og bildeforsyninger for visuell skapelse og revisjon.
De to variantene deler en arbeidsflytorientert rolle, men prioriteringene deres er ulike.
Spesifikasjon
Sunburst
Flare
API-identifikator
gpt-image-2.6-sunburst
gpt-image-2.6-flare
Primært fokus
Detaljert visuelt arbeid
Rask iterasjon
Inputmodaliteter
Tekst og bilder
Tekst og bilder
Utdata
Bilder
Bilder
Praktisk startpunkt
Ferdige aktiva og nøye revisjoner
Utkast og interaktiv redigering
Lydstøtte
Nei
Nei
Hvilke parametere støtter GPT Image 2.6 API?
Start med en liten, eksplisitt konfigurasjon.
Parameter
Genereringsforespørsel
Praktisk bruk
model
Eksplisitt variantidentifikator
Hold modellvalg reproduserbart
prompt
Tekstinstruksjoner
Beskriv aktivumet og begrensningene
quality
Start med low, medium eller high
Juster gjengivelseskvalitet
complexity
low, medium eller high
Juster planleggingsinnsats
size
For eksempel 1024x1024
Fiks dimensjoner for sammenligning
n
Bruk 1 i starten
Forenkle testing og kostnadsoversikt
output_format
PNG, JPEG, WebP, SVG eller GIF, avhengig av endepunktstøtte
Match nedstrømsaktivumet
background
auto, opaque eller transparent
Kontroller bakgrunnsoppførsel for raster
For redigeringer leverer forespørselen også kildebilder. Schema for bileredigering støtter opptil 16 referansebilder.
La complexity stå på standardverdi for første generering. For en målrettet redigering som omfarging av ett objekt, start med low og sjekk at detaljer rundt forblir intakte.
Hvordan bruker du GPT Image 2.6 API med CometAPI?
Følg oppsettsveiledningen for CometAPI for å opprette en nøkkel, og lagre den deretter i miljøvariabelen nedenfor. Du trenger også lokale PNG-kildefiler for redigeringseksemplene.
Eksemplene bruker Python requests for å vise JSON- og multipart-kroppene direkte.
Disse eksemplene bruker OpenAIs Image API-forespørselsformat via CometAPI. Før du kjører dem, bekreft at den valgte CometAPI-ruten støtter modellen og feltene som brukes i eksemplet.
Installer avhengighetene
pip install requests pillow
Sett nøkkelen i skallet:
export COMETAPI_KEY="YOUR_COMETAPI_KEY"
PowerShell-brukere kan bruke:
$env:COMETAPI_KEY = "YOUR_COMETAPI_KEY"
Opprett delte forespørselshjelpere
Lagre de delte hjelperne som image_workflows.py. Legg hver arbeidsflyt i et eget skript og importer hjelperne som den bruker. Kjør bare arbeidsflyten du vil teste.
Denne hjelperen kaster en feil for en mislykket HTTP-respons eller ugyldige base64-data. Den forventer data[0].b64_json; hvis ruten din returnerer en annen struktur, inspiser responsen før du endrer lagringsfunksjonen.
Behold den returnerte bruksloggen sammen med utdataene. Hvis en forespørsel avbrytes med tidsavbrudd, inspiser statusen eller faktureringsposten før du sender på nytt: et tidsavbrudd betyr ikke nødvendigvis at genereringen feilet.
Generer et første bilde
Kjør denne kallet etter de delte hjelperne for å generere ett produktbilde og lagre det som cup.png.
For de senere redigeringseksemplene, lag en kopi av cup.png med navnet product.png i samme arbeidskatalog. Behold cup.png uendret som originalen. Du kan i stedet bruke ditt eget produktfoto, lagret som product.png.
Forbered setting.png separat: bruk et PNG-fotografi av bakgrunnen eller settingen der du vil at koppen skal vises, med nok klar plass til produktet. Bruk et bilde du har tillatelse til å laste opp. Lagre det ved siden av product.png; flerreferanseforespørselen bruker det for settingen, ikke som en andre produktreferanse.
generate(
prompt=(
"Create a studio product photograph of an unbranded teal "
"ceramic travel cup on a warm cream background. "
"Show one cup, a clean silhouette, and a soft contact shadow. "
"No text or decorative objects."
),
destination="cup.png",
output_format="png",
)
Sjekk resultatet mot en kort akseptlitelist: én kopp, riktig farge, ren silhuett og ingen ekstra objekter.
Hvordan genererer du SVG med GPT Image 2.6?
Bruk SVG-utdata for redigerbare vektoraktiva. Be om det via genereringsendepunktet med n=1, og dekod responsen til en .svg-fil. SVG-utdata støtter ikke strømming.
generate(
prompt=(
"Design an original minimalist icon of a teal travel cup "
"with a small leaf motif. Use simple closed vector shapes, "
"two flat colors, and generous negative space. "
"No text, gradients, photographs, or background scenery."
),
destination="cup-icon.svg",
output_format="svg",
)
En nyttig SVG-aksepttest går lenger enn å åpne filen:
Inspiser ikonet i små og store størrelser.
Sjekk om former og farger er enkle å redigere.
Bekreft at resultatet passer inn i det tiltenkte visuelle systemet.
Sjekk XML-en før du bygger inn eksternt levert SVG i en applikasjon.
Ikke send en SVG tilbake som et rasterredigeringsinput. Hold vektor-revisjon og bilde-redigeringsarbeidsflyter separate.
Hvordan lager du gjennomsiktige PNG-aktiva med GPT Image 2.6?
For en frilagt variant, be om PNG-utdata og gjennomsiktig bakgrunn. Det offisielle transparent-logo-eksemplet understreker også rene alfa-kanter og fravær av et malt sjakkbrettmønster.
generate(
prompt=(
"Create a single teal ceramic travel cup as an isolated "
"e-commerce asset. Center the entire cup with generous padding. "
"Keep clean edges and a fully transparent background. "
"No floor, backdrop, checkerboard pattern, or text."
),
destination="cup-transparent.png",
output_format="png",
background="transparent",
)
Valider faktisk transparens:
from PIL import Image
with Image.open("cup-transparent.png") as image:
alpha = image.convert("RGBA").getchannel("A")
minimum, maximum = alpha.getextrema()
if minimum == 255:
raise RuntimeError("The output contains no transparent pixels.")
if maximum == 0:
raise RuntimeError("The output is entirely transparent.")
print("The output contains visible content and transparency.")
Dette fanger opp et ugjennomsiktig bilde som utgir seg for å være et frilagt utklipp. Det vurderer ikke kantkvalitet; inspiser aktivumet mot både lyse og mørke bakgrunner.
Hvordan redigerer du bilder med flere GPT Image 2.6-referanser?
Gi hver referanse en spesifikk rolle. I dette eksemplet leverer det første bildet produktidentiteten og det andre den ønskede settingen.
with (
open("product.png", "rb") as product,
open("setting.png", "rb") as setting,
):
response = requests.post(
f"{BASE_URL}/images/edits",
headers=HEADERS,
data={
"model": "gpt-image-2.6-sunburst",
"prompt": (
"Use the cup in the first image as the exact product "
"reference. Use the second image only for the setting. "
"Place the cup naturally in that setting. Preserve its "
"silhouette, lid, color, and printed details. "
"Do not copy other products from the second image."
),
"quality": "high",
"complexity": "medium",
"output_format": "png",
},
files=[
("image[]", ("product.png", product, "image/png")),
("image[]", ("setting.png", setting, "image/png")),
],
timeout=(15, 300),
)
save_result(response, "product-in-setting.png")
Multipart-eksemplet bruker image[]. JSON-redigeringsforespørsler bruker en images-liste; ikke bland de to kodingsformene.
For repeterbar testing, hold referanserekkefølgen fast. Sammenlign det opprinnelige produktet med utdata i full oppløsning, spesielt håndtak, etiketter, kanter og refleksjoner.
Hvordan fungerer gjennomsiktig PNG-markup i GPT Image 2.6?
Markup er et annotasjonslag. Tegn en sirkel eller annen visuell instruksjon på en separat gjennomsiktig PNG, og send deretter den filen sammen med originalbildet.
Markup-arbeidsflyten anvender annotasjoner på det første inputbildet. Overlegget må matche dets dimensjoner etter orientering, inneholde transparente piksler og forbli separat fra originalen. Ikke kombiner markup med mask eller prompt_rewriter.
OpenAIs demonstrasjon viser en markert vase:
Den resulterende redigeringen endrer vasen:
Dette er offisielle demonstrasjonsbilder, ikke utdata fra koden nedenfor.
Forbered et annotasjonslag
Boksen under definerer annotasjonsellipsen. Juster koordinatene for å omslutte objektet du vil redigere, og inspiser deretter overlegget før innsending.
with (
open("product-oriented.png", "rb") as source,
open("markup.png", "rb") as markup,
):
response = requests.post(
f"{BASE_URL}/images/edits",
headers=HEADERS,
data={
"model": MODEL,
"prompt": (
"Change the body of the cup inside the red circle "
"to matte cobalt blue. Preserve the lid, shape, "
"lighting, and surrounding scene. "
"Remove the annotation from the finished image."
),
"quality": "medium",
"complexity": "low",
"output_format": "png",
},
files={
"image": ("product.png", source, "image/png"),
"markup": ("markup.png", markup, "image/png"),
},
timeout=(15, 300),
)
save_result(response, "cup-edited.png")
Det viktige designvalget er å spesifisere både den ønskede endringen og detaljene som skal bevares. En annotasjon identifiserer målet; teksten definerer operasjonen.
GPT Image 2.6 API-priser: tokensatser og SVG-kostnader
Begge variantene har følgende publiserte OpenAI-tokensatser.
Tokenkategori
Sunburst-sats per 1M tokens
Flare-sats per 1M tokens
Tekstinput
$5.00
$5.00
Bufret tekstinput
$1.25
$1.25
Bildeinput
$8.00
$8.00
Bufret bildeinput
$2.00
$2.00
Bildeutdata
$30.00
$30.00
Dette er OpenAI-satser, ikke et verifisert CometAPI-tilbud.
For en ikke-bufret forespørsel er den tilsvarende beregningen:
For eksempel vil en rasterforespørsel som bruker 1,000 tekstinput-tokens, ingen bildeinput-tokens, og 2,000 bildeutdata-tokens koste $0.065.
For GPT Image 2.6 API i CometAPI, bruk prisen som vises for den valgte ruten din og gjennomgå belastningen som er registrert for forespørselen din. OpenAI-satsene over er en referanseberegning, ikke en CometAPI-pris.
En nyttig forretningsmetrik er:
Cost per accepted asset =
total workflow spending ÷ number of approved assets
Ta med avviste genereringer og revisjonsrunder i telleren.
Hvordan migrerer du en eksisterende bildearbeidsflyt til GPT Image 2.6?
Hvis du allerede bruker GPT Image 2.5, oppdater først modellidentifikatoren og hold endepunktet og responsbehandlingen eksplisitt. Legg til valgfrie utdataformater først etter at en grunnleggende forespørsel lykkes.
Sett model="gpt-image-2.6-flare" eller model="gpt-image-2.6-sunburst" i stedet for å stole på en standardmodell. Behold de eksisterende inputfilene og prompten mens du sjekker den første responsen.
For SVG, bruk genereringsendepunktet, lagre dekodede bytes med .svg-utvidelsen, og utelat strømming. For rasterredigeringer, behold kildebildene i redigeringsforespørselen. Legg til markup først etter at du har forberedt et separat gjennomsiktig overlegg.
Oppdater også filserveringslaget ditt: et SVG-aktivum og et PNG-aktivum trenger ulike medietyper. Behold den opprinnelige kilden og godkjente revisjoner. Start hver nye redigering fra versjonen som inneholder endringene du vil bevare.
Konklusjon
Start med produktbilde-eksemplet, og velg deretter arbeidsflyten som matcher utdataene dine: SVG for redigerbar vektorgrafikk, gjennomsiktig PNG for frilagte utklipp, bilereferanser for å kombinere visuelle input, eller markup for målrettede endringer. Sammenlign Flare og Sunburst med samme prompt og innstillinger, og følg kostnad per godkjent aktivum.
Vanlige spørsmål
Hvordan bør jeg håndtere et tidsavbrudd for en GPT Image 2.6-forespørsel?
Et tidsavbrudd kan oppstå mens serveren fortsatt behandler forespørselen. Lagre forespørsels-ID-en og sjekk leverandørens forespørselslogg før du forsøker på nytt for å unngå dobbelt arbeid og kostnader.
Hvorfor mislykkes applikasjonen min i å lagre det returnerte bildet?
Hjelperen forventer en JSON-respons som inneholder data[0].b64_json. Sjekk først HTTP-status og responsstrukturen. Hvis ruten din returnerer en bilde-URL i stedet, implementer den dokumenterte URL-nedlastingsflyten i stedet for å sende den URL-en til en base64-dekoder. Hold den lagrede filendelsen konsistent med det forespurte formatet.
Hvordan kan jeg hindre at redigeringsfiler overskrives?
Lagre kilden, overlegget og hver utdata under separate navn. For eksempel, bruk product-source.png, product-markup.png og product-edit-01.png. Lagre prompten ved siden av utdataene. Dette lar deg gå tilbake til en revisjon uten å miste originalen eller ved et uhell laste opp en annotert forhåndsvisning som kilden.
Hva bør jeg sjekke før jeg bygger inn en generert SVG?
Åpne aktivumet i målrenderereren din og inspiser XML-en med dine vanlige SVG-valideringsverktøy. Sjekk dimensjoner, klipping, stier og eventuell tekst før publisering. Bruk applikasjonens SVG-sanitiseringspolicy, tjen den med riktig medietype, og bekreft at den forblir lesbar på den minste størrelsen som brukes i grensesnittet ditt.
