OpenAI 正式发布了 GPT Image 2，附完整使用指南来了OpenAI 正式发布了 GPT Image 2。

OpenAI 正式发布了 GPT Image 2。

官方定义是"state-of-the-art image generation model"。

我花了一晚上通读官方文档和 API 规范，把核心信息整理成这篇指南。

如果你想在第一时间把 GPT Image 2 集成到你的工作流里，这篇文章就是为你写的,耽误你一些时间，耐心读完干货。

全文包含核心能力速览、两种 API 调用方式、3 个实战场景代码、成本估算和避坑指南。

所有数据来自 OpenAI 官方文档（2026-04-21 最新版）。

GPT Image 2 强在哪

GPT Image 2 是目前文本渲染能力最强的图像生成模型，没有之一。

这不是"挤牙膏式"的升级。

用 6 个具体能力来说明：

文本渲染

近乎完美的文字生成，支持复杂排版和长文本。

海报、信息图表、杂志跨页都能准确渲染文字。

多语言支持

日语、阿拉伯语、韩语、梵文、西里尔文、孟加拉语、希腊语、中文及南亚语言。

官方演示里的多语言海报，文字都能准确呈现。尺寸灵活性

支持横向、方形、纵向。

最大 3840px（4K），长宽比≤3:1。

分页生成

支持多页连续生成。

漫画书、杂志跨页可以一次性生成。

图像输入

高保真图像编辑和参考能力。

始终 high fidelity，不可调节。

思维模式

支持搜索 + 推理。

可生成基于实时信息的内容。

和 DALL-E 3 的差异

如果你用过 DALL-E 3，这几个差异点值得注意：

文本渲染

DALL-E 3 生成文字经常拼错。

GPT Image 2 基本解决了这个问题。

尺寸控制

DALL-E 3 只有固定的 1024x1024/1792x1024/1024x1792。

GPT Image 2 支持任意尺寸（在约束范围内）。

这意味着你可以直接生成适合公众号封面的 16:9 图，或者适合小红书的 3:4 竖版图。

多轮编辑

GPT Image 2 通过 Responses API 支持真正的多轮对话编辑。

你可以先生成一张图，然后说"把背景换成深色"或"让文字更大一些"。

模型会基于上一轮结果进行编辑，而不是重新生成。

价格

GPT Image 2 比 DALL-E 3 便宜约 40%（同等质量下）。

后面会详细算这笔账。

两种 API 调用方式

GPT Image 2 支持两种 API 调用方式。

选对 API 能让你的工作流效率翻倍。

Image API：单次生成

适用场景：一次性生成或编辑单张图片，不需要多轮对话。

比如你在做一个电商工具，需要批量生成 100 张产品图。

每张图都是独立的，不需要参考前一张的结果。

这种情况下用 Image API 最合适。

from openai import OpenAI
import base64

client = OpenAI()

response = client.images.generate(
    model="gpt-image-2",
    prompt="Generate a product photo of wireless earbuds",
    size="1024x1024",
    quality="medium",
    n=1
)

image_b64 = response.data[0].b64_json

Responses API：多轮对话

适用场景：需要多轮对话、逐步 refining 提示词。

比如你在做一个设计工具，用户希望先看到草稿。

然后逐步调整风格、颜色、布局。

这种情况下用 Responses API 更合适。

from openai import OpenAI
import base64

client = OpenAI()

## 第一轮：生成初始图像
response = client.responses.create(
    model="gpt-5.4",
    input="Generate an image of a cat hugging an otter",
    tools=[{"type": "image_generation"}]
)

## 第二轮：基于上一轮编辑
response_followup = client.responses.create(
    model="gpt-5.4",
    previous_response_id=response.id,
    input="Make it look more realistic",
    tools=[{"type": "image_generation"}]
)

我用下来的感受是：批量生成用 Image API，交互式应用选 Responses API。

尺寸、质量和成本

这是最容易被忽视、但直接影响成本的部分。

尺寸约束

GPT Image 2 支持任意尺寸，但必须满足以下约束：

最大边长 ≤ 3840px
两边都必须是 16 的倍数
长边:短边 ≤ 3:1
总像素数：655,360 ~ 8,294,400

常用尺寸参考：

1024x1024（方形，最快）

1536x1024（横版）

1024x1536（竖版）

2048x2048（2K 方形）

2048x1152（2K 横版）

超过 2560x1440（约 368 万像素）的输出被标记为"experimental"，生产环境建议谨慎使用。

质量等级

low：快速草稿、缩略图、批量测试（最快）

medium：一般用途（中等）

high：最终成品、印刷级（最慢）

auto：默认，模型根据提示词自动选择

一个实用的省钱技巧：在迭代提示词阶段用 low quality，确定最终版本后再用 high quality 生成。

这样可以把测试成本降到 1/5 左右。

成本估算

GPT Image 2 的定价按 token 计算：

输入：$8 / 1M tokens

输出：$30 / 1M tokens

输出 token 估算（1024x1024）：

low quality ≈ 196 tokens

medium quality ≈ 784 tokens

high quality ≈ 3136 tokens

单张成本估算：

low:    196 tokens × $30/1M = $0.00588（约 4 分钱人民币）
medium: 784 tokens × $30/1M = $0.02352（约 1 毛 7 分钱）
high:  3136 tokens × $30/1M = $0.09408（约 6 毛 8 分钱）

对比 DALL-E 3：

DALL-E 3 标准质量：$0.040/张（1024x1024）

GPT Image 2 medium：$0.024/张（1024x1024）

GPT Image 2 在同等质量下比 DALL-E 3 便宜约 40%。

下面这个脚本可以帮你快速估算成本：

def estimate_cost(width, height, quality):
    """估算 GPT Image 2 生成成本（美元）"""
    pixels = width * height
    
    multipliers = {
        "low": 1 / 5000,
        "medium": 1 / 1250,
        "high": 1 / 312.5
    }
    
    tokens = pixels * multipliers.get(quality, 1 / 1250)
    cost = (tokens / 1_000_000) * 30
    
    return cost

## 示例：1024x1024 medium
print(f"${estimate_cost(1024, 1024, 'medium'):.5f}")

三个实战场景

来看三个真实场景的完整代码。

场景 1：电商产品图批量生成

假设你有一个电商工具，需要为 100 个商品生成产品图。

每个商品有名称和风格描述。

你需要批量生成并保存图片。

from openai import OpenAI
import base64

client = OpenAI()

products = [
    {"name": "无线蓝牙耳机", "style": "minimalist white background"},
    {"name": "机械键盘", "style": "dark moody lighting, RGB"},
    {"name": "咖啡杯", "style": "warm morning light, cozy"},
]

def generate_product_image(name, style):
    prompt = f"Generate a product photo of {name}, {style}"
    
    response = client.images.generate(
        model="gpt-image-2",
        prompt=prompt,
        size="1024x1024",
        quality="medium",
        n=1
    )
    
    safe_name = name.replace(" ", "_")
    image_data = response.data[0].b64_json
    
    with open(f"products/{safe_name}.png", "wb") as f:
        f.write(base64.b64decode(image_data))

## 批量生成
for product in products:
    generate_product_image(product["name"], product["style"])

真正让我觉得这个工作流有用的是：你可以把风格描述模板化。

比如"minimalist white background"可以复用到所有产品。

只需要换产品名称。

这样能保证整个店铺的图片风格一致。

场景 2：多语言海报生成

GPT Image 2 的多语言文本渲染能力是代际差异。

下面这个示例展示了如何用不同语言生成海报：

from openai import OpenAI

client = OpenAI()

prompts = [
    "生成一张日式风格海报，标题用日文写着'桜祭り 2026'",
    "Generate a French café poster with text 'Café de Paris'",
    "创建一张中文书法风格海报，写着'知行合一'",
    "한국 전통 한옥과 '서울 여행' 텍스트가 있는 포스터",
]

def generate_poster(prompt, output_name):
    response = client.images.generate(
        model="gpt-image-2",
        prompt=prompt,
        size="1024x1536",  ## 竖版海报
        quality="high",
        n=1
    )
    
    with open(f"posters/{output_name}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))

## 生成多语言海报
for i, prompt in enumerate(prompts):
    generate_poster(prompt, f"poster_{i}")

建议先用 low quality 测试文字效果，确认无误后再用 high quality 生成最终版本。

场景 3：基于参考图的产品设计

这个场景更复杂一些。

你有 3 张参考图（可能是竞品图片、灵感图、材质样本）。

需要生成一个融合所有元素的新设计。

from openai import OpenAI
import base64

client = OpenAI()

def encode_image(file_path):
    with open(file_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

def create_file(file_path):
    with open(file_path, "rb") as f:
        result = client.files.create(file=f, purpose="vision")
        return result.id

prompt = """
Generate a new product design that combines elements 
from all reference images.
The final product should be a modern minimalist desk lamp.
"""

## 准备参考图
image1_b64 = encode_image("reference_lamp_1.jpg")
image2_b64 = encode_image("reference_lamp_2.jpg")
file_id_3 = create_file("reference_lamp_3.jpg")

response = client.responses.create(
    model="gpt-5.4",
    input=[{
        "role": "user",
        "content": [
            {"type": "input_text", "text": prompt},
            {"type": "input_image", "image_url": f"data:image/jpeg;base64,{image1_b64}"},
            {"type": "input_image", "image_url": f"data:image/jpeg;base64,{image2_b64}"},
            {"type": "input_image", "file_id": file_id_3},
        ]
    }],
    tools=[{"type": "image_generation", "quality": "high"}]
)

## 提取结果
image_data = [
    output.result
    for output in response.output
    if output.type == "image_generation_call"
]

if image_data:
    with open("final_lamp_design.png", "wb") as f:
        f.write(base64.b64decode(image_data[0]))

这个工作流的核心价值是：你可以把"灵感收集→设计生成"变成一个连续的流程。

比如先收集 10 张参考图到文件夹。

然后批量生成 10 个设计方案。

再人工筛选。

已验证的限制

GPT Image 2 很强，但不是万能的。

以下是根据官方文档总结的限制：

不支持透明背景

GPT Image 2 目前不支持 transparent 背景。

如果你需要透明背景的产品图，只能用 PNG 格式生成后，用其他工具（如 remove.bg 或 Photoshop）抠图。

复杂提示词可能耗时 2 分钟

官方文档明确说明：

Complex prompts may take up to 2 minutes to process.

我的建议：

在生产环境设置合理的 timeout（建议 180 秒）
对于批量任务，使用异步处理或队列
简单提示词通常 10-30 秒完成

文本渲染仍有局限

虽然比 DALL-E 3 强很多，但以下情况仍可能翻车：

超长文本（超过 50 个字符）

特殊字体风格（手写体、哥特体等）

文本和复杂背景的融合

避坑建议：生成带文字的海报时，先用 low quality 测试文本渲染效果。

确认无误后再用 high quality 生成最终版本。

需要 API Organization Verification

首次使用 GPT Image 系列模型前，需要完成 API Organization Verification。

操作路径：

登录 platform.openai.com/settings/or…
完成组织验证（通常需要企业信息）
等待审核通过（通常 1-3 个工作日）

一致性控制有限

官方承认：

While capable of producing consistent imagery, the model may occasionally struggle to maintain visual consistency for recurring characters or brand elements across multiple generations.

workaround：