OpenAI 于 9 月 8 日发布 ChatGPT Images 2.5，主打更锐利的细节、更丰富的纹理、更自然的光照，以及在编辑时更好保留未被要求修改的部分。公司称，与 Images 2.0 相比，图像生成延迟最多下降 50%；API 现已提供两款新模型——GPT-Image-2.5 Flare 和 GPT-Image-2.5 Sunburst，其中 Flare 为默认快速版本，Sunburst 则面向更高精度的编辑场景。
这次测试是 Decrypt 在 5 月那轮对比的延续。上一次，GPT Image 2 与 Nano Banana 2 在 8 个项目里互有胜负，GPT Image 2 赢下更多类别，但在提示词约束堆叠过多时，画面会出现明显的过度锐化伪影。新一轮测试要看的重点也很直接：OpenAI 的新模型有没有把这个问题修掉。
Decrypt 表示，这一轮继续使用同一评测视角，保留或调整了此前几轮中的 6 个类别，并向两款模型输入同样的提示词。Google 一侧使用的是 Nano Banana 2，也就是 Gemini 3.1 Flash Image，而不是速度更慢、偏重审慎生成的 Nano Banana Pro。文章将这次对比定义为同档位对决：OpenAI 的新一代“快速且精细”模型，对上 Google 的“快速且精细”模型。
OpenAI 在 2.5 版本上改了什么
Decrypt 认为，OpenAI 的图像模型此前几代都有比较鲜明的缺陷。最早的 GPT Image 1 长期带有偏暖、偏黄的色偏，网络上甚至给它起了「尿黄滤镜」的外号；OpenAI 既没有完整解释，也没有彻底修复。到 GPT Image 2，这个问题被另一类问题取代：当提示词限制太多时，输出图像会被过度锐化，呈现出粗糙、处理痕迹很重的伪影。
而在本轮测试中，Decrypt 没有再看到这两类问题。文章称，使用 Images 2.5 生成的所有图像，在高复杂度下都保持了色彩平衡和细节，没有再出现前两代中出现过的偏黄或过度锐化问题。评测认为，这是一次能直接看出来的修复，尤其在蒸汽朋克和人像测试里最明显；这两张图也被称为三代 ChatGPT 图像模型中，照片一致性最强的输出。
除了对比图中不容易直接体现的画质调整，OpenAI 还加入了几项与工作流相关的新功能，包括 Sketch，可在 ChatGPT 内直接绘制草图作为生成参考；提示词分享；针对图像特定区域的行内评论；以及海报和周边商品的格式模板。API 侧的质量档位也从低档扩展到了新的 high 和 max，高于 Images 2.0 原有上限。
文字密度测试：Kellerman's Hardware 街景
这一组被描述为高压测试：场景设定在凌晨 2 点的街头路口，几乎每个表面都有可读文字，包括幽灵招牌、喷漆涂鸦、橱窗贴字、破损演出海报、模板喷涂的路沿文字，以及贴满贴纸的公用电话亭。
Decrypt 认为，Nano Banana 2 几乎把所有文字都处理干净了。唯一的问题，是公用电话亭上的一张贴纸出现了自身文本重复且乱码的情况，但属于不太容易察觉的小瑕疵。
ChatGPT Images 2.5 则补上了 Nano Banana 2 完全略过的一处细节：提示词中提到的路灯杆，上面钉满了彼此重叠、已经破损并经风吹日晒的传单。只是它自己的街头艺术标签读起来像「STILLL HERE」，多了一个 L；而幽灵招牌里的「KELLERMAN'S」撇号也缺失或无法辨认。对于一款把精准文字渲染作为卖点的模型来说，同一张图里出现两处独立的可读性问题，被认为是明显失分。
从审美上看，Decrypt 认为 OpenAI 的图像更写实；但如果只看文字呈现，Nano Banana 2 处理得更仔细。这一项的胜者是 Nano Banana 2。
空间感知测试：蒸汽朋克钟楼
这是一组高难度航拍构图测试：画面需要有 5 个景深平面，中间是一座巨大的钟楼，钟面要用可辨认的罗马数字显示不同时间，前景到背景还分布着另外 6 个文字元素。
Decrypt 认为，ChatGPT Images 2.5 在氛围感上明显更强：屋顶上升腾的蒸汽清晰可见，中景有一条河流穿过，5 个景深层之间的色调变化也更丰富，这次生成中的文字同样更易读。
Nano Banana 2 的氛围相对平，但它可见的两个钟面都渲染出了清晰的罗马数字——XII、III、VI、IX——只是指针位置相似，并不符合提示词要求的不同时间。
这一项中，Decrypt 将胜者给到 GPT Images 2.5，理由是它在不牺牲真实感的情况下，更好地遵循了提示要求。
插画测试：动漫灵媒
这个提示词要求生成一张带有 ufotable 风格主视觉效果的插画：一名女孩站在鸟居前，正转化为灵性能量，身旁有一只九尾狐，天空则是新海诚式的暮色绘景。
Decrypt 认为，ChatGPT Images 2.5 交出了整个系列测试里最好的天空：画面里有真实的太阳圆盘、水面反射和山体剪影，足以支撑对「新海诚感」的描述。人物双眼的不对称设计也处理得不错。不过模型没有严格照着「溶解为能量」来表现，而是把这一描述改写成头发间穿过的电流裂纹效果，而不是提示词里那种流动、半透明的消散感。
Nano Banana 2 的蓝白色轻烟状能量轨迹，更贴近这句要求的字面意思。但两款模型都没能画出令人信服的九尾狐。
综合视觉冲击力后，Decrypt 把这一项判给了 ChatGPT Images 2.5，尽管它在具体指令理解上存在一定偏移。
写实测试：屋顶建筑师
这组是电影感人像，包含一长串彼此独立的约束：米色风衣、圆框眼镜、蓝图必须拿在左手、黄金时刻光线、浅景深、胶片颗粒。
Decrypt 认为，ChatGPT Images 2.5 的光线表现非常出色，太阳圆盘直接出现在人物身后，皮肤微观纹理也很好。虽然皮肤还是偏平滑，但整体场景非常写实，像是模拟相机拍摄的照片。
文章还提到，一个有意思的现象是，加入一些通常会让照片显得「质量变差」的命令，反而会提高真实感。举例来说，在提示词里加入「realistic, highlights, crushed shadows, uneven flash, blown out skin tones, candid moment, shot on a phone camera」等关键词后，得到的生成图更像真实拍摄。
Nano Banana 2 保留了更完整的构图，但人物把蓝图拿在右手而不是左手；同时它还生成了一个多数结果都会省略的、可读的蓝图标签：「PROJECT: 124 DUANE ST」。
这一项中，Decrypt 给出的结论是：单次输出看，Nano Banana 2 获胜；如果看反复迭代，GPT 更强。
研究能力测试：比特币时间线
两个平台都支持在出图前先做研究，因此 Decrypt 要求它们生成一张儿童绘画风格的宽屏比特币历史时间线信息图，并对事实准确性设下严格门槛。文章称，这是整轮比较里最重要的项目，也是差距最大的地方。
ChatGPT Images 2.5 生成了一张整洁的双行信息图，里面列出了多个具体日期，但其中有一个年份是错的：它把 2023 标成美国比特币 ETF 获批的年份。美国证券交易委员会实际上是在 2024 年 1 月 10 日批准首批现货比特币 ETF，整整晚了一年。文章也补充称，2023 年获批的是比特币期货 ETF，因此这也可能是一个解释层面的问题。
Nano Banana 2 的输出结构性较弱，但展示了相近事件。Decrypt 认为，这也说明该模型在重复提示下的变化不大。不过它把 ETF 批准和第四次减半写成「2023–2024」区间，而不是直接给出一个错误年份，因此至少没有技术性错误。
由于这个类别考察的正是「代理式推理」能否给出准确信息，Decrypt 将胜者判给了 Nano Banana 2，并强调一个自信却错误的日期比别的问题更严重。
抽象概念测试：由虚构词构成的提示词
这一项几乎完全由没有实际含义的词组成：「A woman eating shmfiyxl in Lyxin. Next to her, her Lymglsushing plays Lakishkark.」菜名、地点、同伴以及活动都没有词典定义，两款模型都必须先自行发明这些东西，再决定如何呈现。
ChatGPT Images 2.5 的解法，是直接把这些无意义词写进画面文字里。「Lyxin」出现在一家流线型未来主义餐厅上方的霓虹招牌中；「Lakishkark」则被印在女人身边那位外星同桌正在玩的桌游盒子上。原本抽象的虚构词，在它们变成可读招牌后，立刻获得了具体指向。
Nano Banana 2 走的是相反路线。它构建了一幅带有明确文化氛围的温暖场景：危地马拉市场摊位、穿传统 huipil 的女性、一个类似兽人的生物演奏着弦乐器和管乐器混合体。它把「plays」理解为演奏音乐，而不是玩游戏，这同样成立。但画面里没有任何元素能对应「Lyxin」或「Lakishkark」，这些虚构词从头到尾都没有以可见文字出现。
这一项里，Decrypt 将胜者给到 ChatGPT Images 2.5，理由是当提示词本身不给出其他线索时，把未定义概念转成清晰可读的标签，是更字面的回答。
最终结论
Decrypt 统计称，Nano Banana 2 在这一轮 6 个项目里拿下 3 项，整体基本可以算打平。文章认为，实际选择会更多取决于用户期待什么，以及与模型互动的方式。
就这次测试看，ChatGPT Images 2.5 的确修掉了前代长期存在的过度锐化问题；而在插画项目里，它生成的画面也可能是两轮完整测试中，双方产出过的单张视觉效果最强作品之一。
Decrypt 认为，两者真正拉开差距的，不是整体画质，而是一些很小但可核验的失误，比如文字密集场景里的拼写错误，或研究型信息图中的错误年份。若只看总体审美和成品质量，两款模型大致处在同一水平。
