GPT Image 2.6 Flare API: генерация изображений, редактирование и цены

Для чего предназначен Flare

Flare ориентирован на создание быстрых черновиков, частые предварительные просмотры и интерактивные правки. Практические сценарии использования включают подбор фонов для предметной съемки, тестирование композиций для рекламных кампаний и генерацию нескольких визуальных концепций перед выбором финального варианта. GPT Image 2.6 Sunburst — это альтернатива из того же семейства, ориентированная на детализацию и согласованность. Это не просто «режим иллюстрации», при этом Flare не ограничивается фотореализмом. Сравнивайте их по критериям, определяющим результат: точность передачи этикеток, компоновка, сохранение утвержденного объекта и количество необходимых правок. Используйте каталог моделей, чтобы проверить текущую доступность. Общая учетная запись не делает входные данные, маршруты задач или настройки вывода для всех моделей идентичными.

Настройка вашего API-ключа

Создайте ключ в панели управления API-ключами GPT Proto, а затем сделайте его доступным для вашего серверного приложения:

export GPTPROTO_API_KEY="your_api_key_here"

Не храните ключ в коде браузера или системе контроля версий. Загружайте его из переменной окружения или хранилища секретов вашего развертывания. Если вы используете локальный файл .env, исключите этот файл из коммитов. Для данного руководства источником API является https://gptproto.com. Пути генерации и редактирования ниже уже содержат /api/v3; не добавляйте /v1 в начало и не подставляйте базовый URL для чат-комплитов. Успешный запрос списка моделей не гарантирует, что маршрут генерации изображений выполнит задачу. Проверьте полный цикл отправки и получения результата с помощью небольшого запроса, прежде чем переходить к пакетной обработке.

Генерация изображения

Маршрут Flare для генерации изображений по тексту публикует следующую конечную точку:

POST https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/text-to-image

Начните с одного изображения и явных настроек, чтобы запрос было легко проверить:

curl --request POST \
  "https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/text-to-image" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "prompt": "A square studio product photo of a matte navy insulated bottle on a pale gray plinth. Soft side lighting, warm off-white background, room for copy on the left. No text.",
    "n": 1,
    "quality": "medium",
    "size": "1024x1024",
    "enable_sync_mode": false,
    "response_format": "url"
  }'

Модель выбирается через URL. Этот опубликованный маршрут не требует отдельного поля model, а параметр size является необязательным, а не обязательным третьим полем.

Поля запроса

Получение результата

Отправка и получение результата используют конверт, содержащий code, message и data. Успешный HTTP-ответ сам по себе не означает, что генерация завершена. Проверяйте бизнес-код code, а также статус предсказания.

GET https://gptproto.com/api/v3/predictions/{result_id}/result

Используйте ту же Bearer-аутентификацию при опросе. Для response_format: "url" завершенные результаты являются URL-адресами файлов. Для b64_json документированный массив вывода может содержать Base64-строки. Ни в одном из случаев для этого маршрута GPT Proto не используется нативное предположение OpenAI data[0].b64_json. Сохраняйте активы, которые вам нужно оставить, сохраняйте их фактический медиатип и не полагайтесь на недокументированное время жизни размещенного URL.

Python: Отправка и опрос

Установите requests в окружении вашего приложения. В следующем примере выполняется разовая отправка, опрос возвращенного URL-адреса результата и вывод URL-адресов готовых изображений. Пятиминутный лимит — это таймаут приложения, используемый в данном примере, а не гарантия сервиса.

import os
import time
from urllib.parse import urlparse
import requests
ORIGIN = "https://gptproto.com"
API_KEY = os.environ["GPTPROTO_API_KEY"]
HEADERS = {"Authorization": f"Bearer {API_KEY}"}
def read_envelope(response):
    response.raise_for_status()
    body = response.json()
    if body.get("code") != 200:
        raise RuntimeError(f"Ошибка запроса GPT Proto: {body.get('message')}")
    data = body.get("data")
    if not isinstance(data, dict):
        raise RuntimeError("Отсутствуют данные предсказания")
    return data
def submit_and_poll(scene, payload, timeout_seconds=300):
    if scene not in {"text-to-image", "image-edit"}:
        raise ValueError("Неподдерживаемая сцена")
    endpoint = f"{ORIGIN}/api/v3/openai/gpt-image-2.6-flare/{scene}"
    response = requests.post(
        endpoint,
        headers={**HEADERS, "Content-Type": "application/json"},
        json=payload,
        timeout=(10, 120),
    )
    prediction = read_envelope(response)
    prediction_id = prediction.get("id")
    deadline = time.monotonic() + timeout_seconds
    while True:
        status = prediction.get("status")
        if status == "completed":
            outputs = prediction.get("outputs")
            if not isinstance(outputs, list) or not outputs:
                raise RuntimeError("Завершенное предсказание не содержит результатов")
            return outputs
        if status == "failed":
            raise RuntimeError(
                f"Предсказание {prediction_id} завершилось ошибкой: {prediction.get('error')}"
            )
        if status not in {"created", "running"}:
            raise RuntimeError(f"Неожиданный статус предсказания: {status}")
        if time.monotonic() >= deadline:
            raise TimeoutError(f"Проверьте предсказание {prediction_id} перед повторной отправкой")
        result_url = prediction.get("urls", {}).get("get")
        parsed = urlparse(result_url or "")
        if (
            parsed.scheme != "https"
            or parsed.netloc != "gptproto.com"
            or not parsed.path.startswith("/api/v3/predictions/")
        ):
            raise RuntimeError("Неожиданный URL результата; проверьте документацию маршрута")
        time.sleep(2)
        prediction = read_envelope(
            requests.get(result_url, headers=HEADERS, timeout=(10, 60))
        )
if __name__ == "__main__":
    outputs = submit_and_poll(
        "text-to-image",
        {
            "prompt": "Квадратное фото товара: синяя бутылка на светлом постаменте, мягкое боковое освещение, без текста",
            "n": 1,
            "quality": "medium",
            "size": "1024x1024",
            "enable_sync_mode": False,
            "response_format": "url",
        },
    )
    for output_url in outputs:
        print(output_url)

Сохраните скрипт как flare_example.py, если хотите повторно использовать его вспомогательные функции в примере редактирования ниже. Он намеренно останавливается при ошибках запроса, а не автоматически отправляет повторно потенциально платную генерацию. Добавьте обработку повторных попыток в продакшене для соответствующей операции после проверки того, существует ли исходное предсказание.

Node.js: Отправка запроса на генерацию

Используя актуальную среду выполнения Node.js, поддерживающую fetch и AbortSignal.timeout, вы можете отправить тот же JSON без использования SDK-обертки для изображений. Сохраните этот пример как файл .mjs :

const apiKey = process.env.GPTPROTO_API_KEY;
if (!apiKey) throw new Error("Сначала установите GPTPROTO_API_KEY");
const response = await fetch(
  "https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/text-to-image",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${apiKey}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      prompt: "Квадратное фото товара: темно-синяя бутылка, мягкое боковое освещение, без текста",
      n: 1,
      quality: "medium",
      size: "1024x1024",
      enable_sync_mode: false,
      response_format: "url",
    }),
    signal: AbortSignal.timeout(120000),
  },
);
if (!response.ok) throw new Error(`HTTP ${response.status}`);
const body = await response.json();
if (body.code !== 200 || !body.data) {
  throw new Error(body.message || "Не удалось отправить запрос на генерацию");
}
console.log(JSON.stringify(body.data, null, 2));

Этот код выводит данные прогноза, а не готовый файл изображения. Используйте значение urls.get для аутентифицированного опроса и считывайте outputs только после того, как статус изменится на completed, следуя описанному выше рабочему процессу.

Редактирование референсных изображений

Маршрут Flare image-edit отделен от генерации:

POST https://gptproto.com/api/v3/openai/gpt-image-2.6-flare/image-edit

Он принимает JSON с обязательными полями images и prompt. GPT Proto описывает images как массив строк и позволяет использовать до 16 референсных изображений. Он поддерживает те же настройки качества, размера, синхронизации и доставки, что и маршрут генерации. Подготовьте референсные изображения через поддерживаемый процесс загрузки и проверьте сформированный запрос. Используйте эти референсные строки в images; не подставляйте локальный путь к файлу, произвольное Base64-кодирование или multipart-поле с именем image без проверки ожидаемого формата ввода. Например, сохраните референсные строки из этого процесса как JSON-массив в GPTPROTO_REFERENCE_IMAGES, а затем используйте вспомогательный скрипт на Python:

import json
import os
from flare_example import submit_and_poll
references = json.loads(os.environ["GPTPROTO_REFERENCE_IMAGES"])
if (
    not isinstance(references, list)
    or not 1 <= len(references) <= 16
    or not all(isinstance(item, str) and item for item in references)
):
    raise ValueError("Предоставьте от 1 до 16 валидных референсных строк из процесса загрузки")
outputs = submit_and_poll(
    "image-edit",
    {
        "images": references,
        "prompt": "Замените только столешницу на светлый дуб. Сохраните форму бутылки, печатную этикетку, угол камеры, отражения и направление тени.",
        "n": 1,
        "quality": "medium",
        "size": "1024x1024",
        "enable_sync_mode": False,
        "response_format": "url",
    },
)
print(outputs)

Маски и разметка не взаимозаменяемы

Текущая схема редактирования GPT Proto не содержит полей mask или markup. Не отправляйте черно-белую маску или прозрачный слой аннотаций в расчете на то, что они будут интерпретированы как границы редактирования. OpenAI описывает редактирование с помощью разметки в своем руководстве по генерации изображений, однако поддержка на стороне исходного API не означает, что JSON-маршрут GPT Proto предоставляет те же элементы управления. Для этого маршрута используйте поддерживаемые эталонные входные данные и точные инструкции по редактированию. Сравнивайте результат с оригиналом, включая области, которые должны были остаться без изменений.

Выбирайте качество, размер и способ доставки отдельно

Используйте low для недорогих черновиков, если они соответствуют задаче, а затем сравнивайте настройки medium и выше для финальных материалов. Это рекомендация по рабочему процессу, а не гарантия того, что более высокая настройка всегда обеспечит лучшее изображение или определенную задержку.

Опубликованный селектор размера включает варианты для квадратных, горизонтальных и вертикальных изображений. Рекомендации по размерам требуют, чтобы стороны были кратны 16, максимальная сторона составляла 3840 пикселей, соотношение сторон было не шире или выше 3:1, а общее количество пикселей находилось в диапазоне от 655 360 до 8 294 400. Начните с указанных пресетов, а не предполагайте, что любые произвольные ширина и высота будут приняты.

response_format управляет доставкой: url или b64_json. Он не выбирает формат PNG, JPEG, WebP, GIF или SVG. Текущая схема запроса GPT Proto не содержит полей output_format, frame_count, frame_duration_ms, complexity или negative_prompt.

OpenAI документирует дополнительные возможности, включая вывод SVG и анимированных GIF. Рассматривайте их как возможности исходного API до тех пор, пока используемый вами маршрут GPT Proto не предоставит к ним явный доступ. Не добавляйте недокументированные поля в запрос и не описывайте эти форматы как подтвержденные результаты работы данного маршрута.

Ценообразование и стоимость за утвержденное изображение

Тарифы проверены 8 ноября 2026 года по тихоокеанскому времени. В текущем справочнике моделей GPT Proto указаны следующие тарифы на токены изображений; цены могут меняться.

Текстовый ввод оплачивается отдельно. Проверяйте актуальный тариф и отображаемую точность перед оценкой стоимости всей задачи. На странице модели в настоящее время указаны тарифы на 5% ниже прейскурантных; это утверждение о цене конкретной модели, а не гарантированная скидка на все модели или фиксированная экономия на каждом сгенерированном изображении. Для примера: 1000 оплачиваемых токенов выходного изображения по цене $28.50 за миллион стоят $0.0285. Это арифметический пример, охватывающий только вывод, а не прогноз того, сколько токенов будет использовать конкретное изображение. Текстовый ввод, обработка эталонных изображений и повторные генерации увеличивают общую стоимость.

Текущий справочник маршрутов не документирует поле usage в конверте предсказаний. Используйте информацию о биллинге, доступную для вашей учетной записи; не стройте отчетность по затратам на основе неподтвержденного поля ответа. Более высокое качество, большие размеры вывода и дополнительные ссылки могут изменить потребление, но здесь не установлено фиксированного множителя или цены на изображение по уровням.

Отслеживайте общие расходы, деленные на количество утвержденных активов, чтобы сравнивать рабочие процессы. Более дешевый черновик, требующий нескольких правок, может стоить дороже, чем более качественный результат с первой попытки. Начните с n: 1, используйте размеры, требуемые для размещения, и увеличивайте объем только после проверки качества вывода и биллинга. См. ценообразование GPT Proto для получения текущих условий оплаты на уровне учетной записи.

Пишите промпты, которые можно оценить

Описывайте актив, объект, композицию, освещение, стиль и ограничения простым языком. Для редактирования отделяйте запрашиваемое изменение от деталей, которые должны остаться без изменений. Не предполагайте, что фиксированный порядок слов имеет задокументированное преимущество в весовых коэффициентах токенов.

Рекламная кампания продукта: «Создай квадратную студийную рекламу для матовой темно-синей термобутылки. Размести ее в правой трети на бледно-сером постаменте. Оставь левую половину свободной для текста. Используй мягкое боковое освещение и теплый кремовый фон. Изображение должно быть без текста».

Целевая правка: «Измени только столешницу на светлый дуб. Оставь угол камеры, форму бутылки, печатную этикетку, отражения и направление тени без изменений. Сохрани существующее освещение».

Точный текст: «Создай портретный постер мероприятия с заголовком 'NIGHT MARKET' в точности как написано. Используй один крупный заголовок вверху, одно фото продукта по центру и свободное место внизу для даты, которая будет добавлена позже».

Проверяйте надписи в полном размере и осматривайте финальную обрезку. Визуально убедительный результат все равно может содержать неверную этикетку или непригодную для текста область. Руководство по промптам GPT Image 2.5 содержит соответствующие упражнения по составлению запросов; его примеры не являются эталоном для Flare 2.6.

Обработка ошибок без создания дублирующих заданий

Проверяйте как HTTP-ответ, так и конверт прогноза (prediction envelope). Принятие запроса, завершение генерации и получение ресурсов — это отдельные этапы.

Используйте политику ограниченных повторных попыток с джиттером (jitter) для операций, допускающих повтор. Задержка, количество попыток и крайний срок выполнения приложения — это ваш выбор конфигурации, а не гарантированные настройки по умолчанию GPT Proto. Не предполагайте, что каждый ответ содержит определенный набор заголовков ограничения частоты запросов.

Логируйте ID прогнозов, статус ответа, время выполнения и очищенные от конфиденциальных данных детали ошибок. Не логируйте API-ключ, полные эталонные изображения или все тело запроса целиком. После сетевого тайм-аута восстановите состояние известного прогноза, где это возможно, прежде чем отправлять запрос снова; дублирующие генерации могут повлечь дополнительные расходы.

Перенос существующего рабочего процесса на Flare 2.6

Обновление — это не просто замена строки модели. GPT Proto выбирает модель и задачу через путь маршрута. Сохраняйте доступность текущей интеграции, пока тестируете новую генерацию или редактируете маршрут с помощью репрезентативных промптов и ссылок.

Используйте явные настройки размера, качества, количества изображений и доставки. Сравнивайте точность текста, сохранение деталей продукта, время до получения одобренного результата и общие затраты по версиям. Перепроверьте парсинг ответов и поведение опроса (polling) перед переносом регулярного производственного трафика.

Если вы переходите с нативного клиента изображений OpenAI, адаптируйте полезную нагрузку и обработку результатов под конверт data.status и data.outputs в GPT Proto. Не предполагайте, что client.images.generate() или client.images.edit() могут вызывать эти нативные маршруты GPT Proto без изменений.