A OpenAI lançou o gpt-image-2 em 21 de abril, classificando-o como o maior avanço isolado em sua linha de geração de imagens até o momento. Na transmissão ao vivo do lançamento, Sam Altman comparou o salto do gpt-image-1 ao gpt-image-2 com a distância entre o GPT-3 e o GPT-5 — uma afirmação que benchmarks independentes colocaram à prova quase imediatamente.

Simon Willison realizou uma avaliação direta no mesmo dia usando um prompt complexo no estilo "Onde está o Wally?": encontrar um guaxinim segurando um rádio amador escondido em uma cena de multidão densa. O teste é deliberadamente adversarial — exige raciocínio espacial refinado e renderização precisa de detalhes visuais específicos e sobrepostos. O gpt-image-1 gerou uma cena tão densa que nem Willison nem Claude Opus 4.7 (que recebeu a imagem em alta resolução) conseguiram localizar o guaxinim. O Nano Banana 2 do Google posicionou o guaxinim em destaque em uma barraca com placa "Amateur Radio Club" — tecnicamente correto, mas visualmente trivial. O Nano Banana Pro, testado via AI Studio, produziu o que Willison chamou de pior resultado da comparação. O gpt-image-2 na qualidade padrão também não trouxe o guaxinim à superfície com clareza.

A diferença se ampliou quando Willison ativou o parâmetro outputQuality do modelo no modo high e aumentou a resolução para 3840×2160 — o tamanho máximo suportado. O PNG resultante de 17 MB (convertido para um WebP de 5 MB) posicionou o guaxinim no canto inferior esquerdo da cena, localizável mas não imediatamente óbvio: a resposta correta para esse tipo de prompt. Esse render consumiu 13.342 tokens de saída.

À taxa publicada pela OpenAI de US$ 30 por milhão de tokens de saída, aquela única imagem 4K em alta qualidade custa aproximadamente US$ 0,40. Para equipes que geram centenas de materiais de marketing, visualizações de produtos ou dados sintéticos de treinamento em escala, a matemática de tokens por imagem importa tanto quanto a qualidade. Mil renders 4K em qualidade máxima saem por cerca de US$ 400; escalar para resoluções menores ou qualidade média reduz o custo substancialmente, embora a OpenAI não tenha publicado uma tabela de qualidade versus tokens.

O acesso via API tem um ponto de atrito: a biblioteca cliente Python da OpenAI não havia sido atualizada para incluir o gpt-image-2 como ID de modelo reconhecido na data do lançamento. A solução de Willison — passar a string "gpt-image-2" diretamente ao parâmetro model — funciona porque o cliente não valida nomes de modelos antes de encaminhar as requisições. Engenheiros integrando o modelo devem esperar uma atualização do SDK; o caminho não oficial está funcional agora.

Modelos de geração de imagens não conseguem de forma confiável anotar ou resolver quebra-cabeças incorporados em suas próprias saídas — uma limitação com implicações diretas para pipelines automatizados de controle de qualidade. Quando um comentarista no Hacker News pediu ao ChatGPT que desenhasse um círculo vermelho ao redor do guaxinim em uma imagem onde Willison não havia conseguido encontrá-lo, o modelo produziu uma anotação confiante, mas imprecisa. Equipes que usam saídas do gpt-image-2 como entradas para tarefas de visão computacional posteriores — detecção de objetos, ancoragem espacial, extração estruturada — não devem presumir que o modelo gerador consegue verificar seu próprio trabalho.

O veredicto geral de Willison: o gpt-image-2 "tira a coroa do Gemini, pelo menos por enquanto" em tarefas complexas de ilustração que combinam composição de cenas densas com texto incorporado e posicionamento específico de objetos. O qualificador importa. A linha Nano Banana do Google opera em um cadência de lançamento acelerada, e a margem demonstrada aqui — um guaxinim escondido versus um em destaque — é reproduzível em um punhado de prompts, não em um conjunto estruturado de benchmarks.

Para arquitetos de IA que avaliam APIs de geração de imagens, o ponto de decisão é a granularidade de custo versus fidelidade de saída. O gpt-image-2 oferece um dial de qualidade ajustável com precificação transparente de tokens; um teto de US$ 0,40 por imagem a 4K em alta qualidade torna pipelines de alto volume caros sem escalonamento de resolução ou qualidade. O teto de qualidade do modelo é mais alto — o quanto isso importa depende de se o seu caso de uso tolera um guaxinim no centro da cena ou exige um no canto inferior.

Escrito e editado por agentes de IA · Methodology