GPT Image 2.5 の Flare と Sunburst を比較：23回の生成でわかったこと

先に結果をお伝えすると、Flare と Sunburst の料金は同じです。比較できたすべての品質段階で、課金対象のトークン数が完全に一致しました。トークン課金の経路では、毎回 Sunburst の方が遅くなりました。4つのプロンプトで画質も比べましたが、どちらが上とは言えませんでした。OpenAI が Sunburst の強みとして挙げるのは編集精度で、今回はそこを検証していません。普段は Flare を使い、編集用に Sunburst を残しておくのが妥当です。

以下の数値は、2026年11月2日に TokLab で完了した23回の生成と、失敗した Sunburst の生成1回から得たものです。各設定での実行は1回ずつです。ベンチマークではなく、観測結果として読んでください。

Flare と Sunburst のトークン数は同じ

OpenAI の料金は両モデルで共通です。100万トークンあたり、テキスト入力が $5、画像入力が $8、画像出力が $30。Batch API の出力は $15 です（OpenAI の料金、2026年11月2日確認）。気になったのは、同じ画像でも Sunburst の方が多くのトークンを使うかどうかです。結果は同じでした。

3つのエリアにラベルを付けた、アイソメトリックの温室カフェという同じプロンプトを、全品質段階・1024×1024で両モデルに送りました。

low から xhigh までは同じ数値です。Sunburst の max は生成に失敗したため、その行は比較できません。プロンプトのテキスト入力トークンは、両モデルとも50でした。トークン数も単価も同じなら、料金も同じです。モデル選びで価格を気にする必要はありません。品質ごとの費用は GPT Image 2.5 の API 料金で計算しています。

Sunburst の方が遅かった課金経路

時間はタスクに記録された、作成から完了までの秒数です。私たちの処理パイプラインでの待ち時間も含むので、絶対値よりも差を見てください。

-official ID で、同じカフェのプロンプトを1024×1024で生成した結果です。

すべての品質で Sunburst が遅く、medium 以上では16〜22秒の差がありました。失敗した max の生成では画像は返らず、台帳でも課金額はゼロでした。TokLab では、失敗したタスクはこのように課金されません。

画像単位で課金する Standard ID では、結果が異なりました。high と max で Flare と Sunburst を7組比較したところ、Flare が先に終わったのは3回、Sunburst は4回でした。大きな差が出た例も両方向にあります（カフェの high は42秒対59秒、ポスターの max は64秒対39秒）。この経路でも Flare の方が速いのかもしれませんが、各設定1回では確認できませんでした。

4つのプロンプトで生成画像を比較

以下はすべて未加工の生成画像です。ラベルにモデル名と品質を記載しています。

漁師のプロンプトでは、夜明けの霧、オレンジ色の網、手元に合った鮮明なピントを指定しました。両モデルとも3点を満たしています。人物も船も光も違います。Flare は霧が濃く、Sunburst は灯台を加え、日差しを強くしました。以前なら生成画像だとわかったような、指の不自然なゆがみはどちらにもありません。

ポスターは文字のテストです。両モデルとも BLUE HOUR SESSIONS と FRIDAY 9 PM のつづりが正しく、2色を守り、指定どおり FRIDAY 9 PM を縦長の書体で下部に配置しました。Sunburst は、頼んでいない街灯を加えました。これは誤りというより、好みの問題です。

指定した3つのラベルはどちらも正しく、両モデルとも独自の看板や読めるドリンクメニューを追加しました。Sunburst の建物はかっちりとした建築的な形で、Flare は柔らかい印象です。どちらも、独自に追加された小さな文字は公開前に校正した方がよいでしょう。

夜市のプロンプトでは、言語も都市も指定していません。両モデルが自ら中国語の看板を選びました。確認した文字（夜市、烤串、臭豆腐など）は、実在する語で、使い方も正しいものでした。Flare は反射の描写がにぎやかで、Sunburst は通りがすっきりし、光がより均一です。

差が出たのは正確さよりも作風でした。自分のプロダクトに合う見た目で選ぶのは、十分な理由になります。追加料金もかかりません。

今回検証していないこと

最大の未検証項目は編集です。OpenAI は Sunburst を「編集精度を最も重視するワークフロー向け」、Flare を「日常的な高品質画像生成のための最速モデル」と説明しています（モデルのページ）。私たちも3回連続で編集するテストを予定していましたが、今回は見送りました。そのため、どちらがよいかを判断する独自の証拠はありません。編集が主な用途なら、採用前に手元の参照画像を両方で試してください。

ほかにも2つ留保があります。トークン数はすべて1024×1024で測ったもので、大きな画像では増えます。また、所要時間はいずれも1回だけの記録です。

使ったモデルが Flare か Sunburst かを確認する方法

YouTube のコメント欄には、「sunburst と flare、どっちを使ってるかどうやってわかるの？」という質問がありました。API なら推測は不要です。モデルは ID で選び、裏で切り替わることはありません。タスクのレスポンスにも記録されます。

{ "id": "task_...", "model": "gpt-image-2.5-sunburst", "status": "completed" }

使用履歴にも、タスクごとに使ったモデルと課金額が表示されます。

コードに指定するモデル ID の選び方

TokLab では、各モデルに画像ごとの固定料金で使う Standard ID と、トークンで課金する -official ID があります。

• gpt-image-2.5-flare と gpt-image-2.5-sunburst
• gpt-image-2.5-flare-official と gpt-image-2.5-sunburst-official

4つともリクエストボディの形式は同じなので、切り替えは1語の変更で済みます。私たちなら、まず gpt-image-2.5-flare の low で調整を重ねます。編集の際に、自分たちのテストで Sunburst の方が元画像をよく保つと確認できたら、その処理を Sunburst に移します。GPT Image 2.5 のプレイグラウンドでは、API と同じフィールドを使い、ご自身の残高で両モデルを試せます。パラメータの全一覧は API リファレンスにあります。