GPT Image 2.6 manteve o preço por token e elevou a fatura

A OpenAI lançou o GPT Image 2.6 em 4 de novembro de 2026, como dois modelos na API de Images. Onze dias depois, o par em conjunto respondia por cerca de 29 por cento do volume de requisições do par que ele substitui. O primeiro fato é uma nota de lançamento. O segundo está sendo lido em alguns lugares como um veredito, e não deveria ser.
O que saiu em 4 de novembro
gpt-image-2.6-flare é posicionado para iteração rápida e trabalho de imagem do dia a dia. gpt-image-2.6-sunburst é posicionado para trabalho visual detalhado, precisão e consistência entre edições em qualidade média ou alta. Ambos sucedem o GPT Image 2.5, que chegou em setembro de 2026.
A lista de recursos é longa. A edição guiada por marcação permite sobrepor um PNG transparente marcando a região que você quer mudar, descrever a mudança e receber de volta um resultado com a anotação removida. A remoção é a metade útil. Descrever uma região em palavras é exatamente onde as edições costumam dar errado, e uma máscara que volta limpa significa uma passada a menos para tirar um contorno perdido do canto.
Saída SVG no endpoint de gerações, n=1. Saída GIF animado em gerações ou edições, frame_count de 2 a 16, frame_duration_ms de 20 a 2000. A criação de GIF também apareceu dentro do ChatGPT naquela semana.
Depois a que importa para o dinheiro: um controle de complexidade. Low, medium ou high, padrão high, descrito como quanto planejamento acontece antes da renderização. Sem cobrança separada. Configurações mais altas podem aumentar a latência.
As tarifas não mudaram
Os dois modelos 2.6 têm tarifas idênticas às do 2.5: 5 dólares por milhão de tokens de entrada de texto, 1.25 dólar para entrada de texto em cache, 8 dólares por milhão de entrada de imagem, 2 dólares para entrada de imagem em cache, 30 dólares por milhão de saída de imagem.
Numa tabela de preços, isso se lê como um upgrade grátis. Recursos novos, mesmos preços, mais uma promessa de velocidade. A OpenAI diz que o 2.6 gera cerca de 50 por cento mais rápido que antes, e não publicou a linha de base, então a afirmação não pode ser checada diretamente. Testadores iniciais relataram de 6.7 a 8.9 segundos para uma imagem 1024x1024 em qualidade média, contra cerca de 12 segundos no 2.5. A 8.9 segundos é uma vitória modesta. A 6.7 é quase o dobro, e essa variação é a parte honesta de uma linha de base não publicada.
A fatura acompanha a contagem de tokens, não os segundos.
Onde a fatura realmente se move
Custo por imagem 1024x1024, medido a partir do usage retornado:
| Qualidade | Custo por imagem |
|---|---|
| Low | $0.025 |
| Medium | $0.043 |
| High | $0.053 |
| Xhigh | $0.094 |
| Max | $0.21 |
Um teste publicado de uma geração Sunburst em qualidade média usou 109 tokens de entrada de texto e 1,449 tokens de saída de imagem, o que dá cerca de 0.044 dólar. Fica perto o bastante da tabela para confiar na aritmética em vez de aceitá-la por fé.
A dobra está na ponta barata. Uma tarifa fixa por token só produz um preço fixo por imagem se a imagem consumir o mesmo número de tokens, e no 2.6 não consome. Em qualidade baixa e média, o 2.6 usa mais tokens de saída do que o 2.5. Uma análise colocou a faixa de qualidade baixa em cerca de 4.2 vezes a contagem antiga de tokens. Esse multiplicador é de uma análise, não um número publicado pela OpenAI, e eu o seguraria com cautela. O que eu confio é a direção: rascunhado em qualidade baixa, o modelo novo faz mais trabalho que o antecessor, e nada na tabela de preços diz isso.
Qualidade baixa também é onde o volume mora. Quem gera uma imagem de capa por semana não vai notar 0.018 dólar. Quem gera mil miniaturas antes do almoço vai notar, e esse é o cliente que uma tabela inalterada tranquiliza melhor.
O botão de complexidade inclina mais um pouco. Não custa nada, vem em high por padrão, e high significa mais planejamento antes da renderização. Então a configuração padrão é a lenta e, se o planejamento gasta tokens, a cara. Chegar ao caminho mais barato exige saber que a configuração existe e decidir baixá-la. Padrões definem preços. Quase ninguém os arquiva em precificação.
Dois nomes, um preço, dois custos
Flare e Sunburst custam o mesmo por token. Não custam o mesmo por imagem.
Sunburst é feito para precisão e consistência entre edições, o que significa mais detalhe de cena e mais tokens gastos descrevendo isso. Flare é feito para iteração, o que normalmente significa gerar candidatos e jogar a maioria fora. Mesmas tarifas, queima diferente. A tabela de preços te dá um número para os dois e nenhum jeito de saber em qual nome um dado prompt sai mais barato. Dois nomes a um preço é uma forma de lançar um nível de velocidade sem lançar um nível de preço, e empurra a decisão para usuários que, em sua maioria, não vão medi-la.
Não acho que seja um esquema. Quando a diferença entre duas variantes é latência e fidelidade de edição em vez de custo, nomeá-las separadamente é uma decisão de produto justa. O efeito colateral é que você escolhe a variante por reputação, a faixa de qualidade por instinto, deixa a complexidade no padrão, e a fatura chega sem uma linha que se explique sozinha.
O que os 29 por cento podem e não podem dizer
Os números de volume vêm do ranking público de imagens do OpenRouter para 14 de novembro de 2026. Um dia, image_output_requests, extraído da página:
| Modelo | Requisições |
|---|---|
| gpt-image-2.5-sunburst | 1,185,863 |
| gpt-image-2.5-flare | 893,853 |
| gpt-image-2.6-sunburst | 374,843 |
| gpt-image-2.6-flare | 230,996 |
O par do 2.5 soma 2,079,716. O do 2.6 soma 605,839. Isso é 29 por cento, e a leitura óbvia é um lançamento fraco.
A leitura óbvia ignora o calendário. O 2.5 teve cerca de dois meses para ferramentas de terceiros integrarem, bibliotecas wrapper adicionarem, padrões serem reapontados para ele. O 2.6 teve onze dias. Pesar uma pegada de integração de onze dias contra uma de dois meses mede distribuição, não preferência. Um modelo pode ser mais rápido, melhor em edições e com preço idêntico por token e ainda assim ficar em 29 por cento no dia onze, porque o software que o chama ainda não foi atualizado.
Para escala: o modelo de imagem líder naquele dia era google/gemini-3.1-flash-image com 2,345,139 requisições. Os 20 primeiros somaram 10,873,674.
Duas fronteiras no próprio número. Ele conta requisições que retornaram uma imagem, num agregador, num dia. O tráfego de agregador pende para desenvolvedores testando um modelo em vez de pipelines de produção rodando um, então se o volume de rascunhos em qualidade baixa está na produção e a produção cobra em primeira parte, este ranking está olhando para a sala errada. É uma medição real de uma coisa estreita.
O número a observar
Os 29 por cento vão derivar para cima só pela integração e dirão pouco em qualquer direção. A tarifa por token não mudou e não vai mudar. O número que vale acompanhar são os tokens de saída por imagem em qualidade baixa e média, lidos do usage retornado, conferidos daqui a um mês, quando o 2.6 tiver tido a janela de integração que o 2.5 teve. Se ficar perto de onde as primeiras medições o colocaram, o 2.6 é um aumento de preço vestindo uma tabela inalterada, e o ganho de velocidade é em parte pago em novas tentativas e upscales. Se cair numa versão menor, a tabela de preços nunca foi o documento interessante.
Uma data para manter à vista ao lado disso: 1 de dezembro de 2026, quando a OpenAI remove gpt-image-1-mini, gpt-image-1.5 e chatgpt-image-latest da API. Todo mundo que ainda roda esses tem que ir para algum lugar, e o 2.6 é a porta mais próxima. Se o par 2.5 segura seu volume nessa migração, ou entrega um pedaço dele aos modelos novos numa única semana, dirá mais sobre adoção do que qualquer instantâneo de onze dias.
Artigos relacionados
Uma planilha comunitária de toques que desliga os anúncios dos Android chineses
Não mexe no sistema, não desbloqueia nada, não faz flash de nada. Só vira os botões que os fabricantes já deixaram à mostra. O preço é uma lista que alguém precisa continuar escrevendo.
Alguém reconstruiu o IDM por fora e anotou o que não tocou
Uma reimplementação em Rust do Internet Download Manager promete 5 vezes a velocidade e 86 idiomas. O documento mais interessante é o parágrafo que explica como ela foi feita sem copiar nada.
Rune é um framework de UI em Rust feito para que um agente possa verificar o próprio trabalho
Rune renderiza sem interface, despeja sua árvore de elementos e aceita entrada roteirizada, o que dá a um agente de código um sinal diffável que um screenshot nunca oferece. O framework está em pré-lançamento e não aceita pull requests.
agent-autoloop guarda a espera por um humano como uma linha no banco de dados
Um hub local pequeno que deixa um agente de código de linha de comando trabalhar em segundo plano e só interrompe o humano quando há uma decisão. O interessante é o que ele pega das filas de mensagens, os dois pontos em que se recusa a ser esperto e o risco de cadeia de suprimentos que uma instalação limpa não elimina.