In de inleiding van Introducing Images 2.6 van OpenAI staan snellere generatie en nauwkeurigere verfijning centraal, met als belofte dat “details van personages, producten en merken consistent blijven” tijdens bewerkingen. Aan de productkant wordt Sunburst beschreven als een model dat bij een quality van medium of high generaties van hogere kwaliteit levert en “nog meer consistentie van het beeld tijdens bewerkingen”. Klantcitaten, zoals dat van Figma Weave, worden aangehaald omdat ze helpen de details te behouden die een personage, product of merk bepalen tijdens het genereren en bewerken. Die zinnen zijn officiële marketing en klantcitaten — geen onafhankelijke consistentiescores uit een lab. Dit artikel ordent alleen mechanismen en adviezen die al in de documentatie staan; er wordt geen ranglijst verzonnen.

👉 Probeer de GPT Image 2.6 API op PoYo: prijs per afbeelding en online playground.

Waar de documentatie “consistentie” plaatst

Ten eerste het modelniveau: Sunburst is gepositioneerd voor gedetailleerd beeld en precieze bewerkingen; de gids voor prompts raadt aan gpt-image-2.6-sunburst voorrang te geven bij workflows die strenger zijn op detail, opmaak of nauwkeurigheid van bewerkingen. Als Sunburst de lat al haalt, vergelijk dan onder dezelfde omstandigheden de latentie van Flare. Ten tweede het kwaliteitsniveau: de aankondiging koppelt sterkere consistentie bij bewerkingen aan de kwaliteitsinstellingen medium/high; hetzelfde label quality betekent niet dat de beeldkwaliteit bij alle modellen gelijk is — meet het op je eigen belasting. Ten derde complexiteit: voor de meeste bewerkingstaken raadt OpenAI low aan om bewerkingen te versnellen en onnodige wijzigingen te beperken; als je het weglaat, geldt standaard high en kan extra variatie ontstaan. Bij gerichte kleurwijzigingen, aangegeven wijzigingen en aanpassingen aan verpakkingen sluit lage complexiteit meestal aan bij promptbeperkingen als “verander alleen X, behoud Y”. Ten vierde markeringen: zodra bewerken met annotaties in de API beschikbaar is, kan een transparante overlay precies aangeven waar wijzigingen horen, wat fouten door het opnieuw tekenen van het hele beeld beperkt — direct relevant voor kleurvarianten van SKU’s en lokale tekstcorrecties in merkworkflows.

De algemene beperkingen in de gids voor het genereren van afbeeldingen zeggen nog steeds dat het model “af en toe tekortschiet” in het visueel consistent houden van terugkerende personages of merkelementen; gestructureerde compositie en precieze plaatsing van tekst hebben ook grenzen. OpenAI benadrukt dus consistentie en erkent tegelijk dat afwijkingen kunnen voorkomen. Toezeggingen aan klanten moeten luiden “steekproef per workflow”, niet “voor altijd pixel-identiek”.

Gedocumenteerd advies voor workflows met meerdere beurten

De gids voor prompts voor afbeeldingen maakt van verfijnen over meerdere beurten een uitvoerbare discipline. Leg een referentie voor een personage of product vast: genereer (of upload) eerst een canoniek beeld en gebruik dat bij latere bewerkingen als invoer, terwijl je de eisen aan het uiterlijk (kleding, gezichtsvorm, verhoudingen, kleurenpalet, logogeometrie) herhaalt. Wijzig per beurt één ding, zodat je kunt zien welke bewerking daadwerkelijk werkte. Benoem zowel “wat er moet veranderen” als “wat behouden moet blijven” — identiteit, geometrie, opmaak, belichting, labels, verzadiging, camerapositie en omringende objecten kunnen allemaal als beperking worden geformuleerd. Als een gebied zeer nauwkeurig moet zijn, gebruik dan markeringen (of een masker — de twee kunnen niet worden gecombineerd); als een gebied pixel-identiek moet blijven, raadt de documentatie aan goedgekeurde bewerkingen terug te componeren op het origineel in plaats van alleen op prompts te vertrouwen. Vraag voor transparante assets expliciet om een transparante achtergrond en controleer het alfakanaal — een getekend dambordpatroon is geen echte transparantie.

Leg voor bibliotheken met merkassets acceptatiecriteria vast, zoals: logoglyph en afstanden, afwijking van de primaire kleur, productsilhouet, identiteitskenmerken van personages en verboden extra logo’s. Laat bij het migreren van 2.5-workflows prompts en referenties bij de eerste vergelijking ongewijzigd en voer daarna stap voor stap complexiteit en markeringen in. Houd mislukkingen, nieuwe pogingen en geaccepteerde kosten per afbeelding bij voordat je opschaalt. De ervaring met meerdere beurten in ChatGPT en batchverwerking via de API zijn niet hetzelfde configuratieoppervlak: voor API-productie volg je de generaties/bewerkingen van de Image API en de modelpagina’s.

Grenzen van wat je kunt beweren

Herschrijf klantcitaten niet tot technische specificaties; beweer niet dat “alle problemen met merkconsistentie zijn opgelost”; noem geen enkel standaardmodel zonder vergelijking op je eigen zakelijke corpus. Sunburst, hogere kwaliteit, lage complexiteit (voor gerichte bewerkingen) en markeringen zijn een combinatie van hulpmiddelen die de officiële documentatie naast elkaar toestaat te noemen — de resultaten hangen nog steeds af van prompts en acceptatiecriteria.

Codeer voor e-commerce- en verpakkingsassets “verander alleen de kleurband”, “wissel alleen de dop” of “corrigeer alleen het prijskaartje” als prompts met behoudclausules, en omcirkel het object met markeringen om de kans te verkleinen dat achtergronden en naastgelegen SKU’s mee worden herschreven. Leg voor doorlopende storyboards met personages eerst één canonieke referentie vast, geef bij elke edits-beurt zowel de referentie als de vorige uitvoer mee en herhaal de belangrijkste eisen aan het uiterlijk; als afwijkingen zich opstapelen, begin dan opnieuw met een korte keten vanaf de referentie in plaats van instructies te stapelen op een resultaat dat al is afgedwaald. De documentatie herinnert er ook aan: hetzelfde kwaliteitslabel is niet rechtstreeks gelijkwaardig tussen modellen; als een eindgebied pixel-identiek moet zijn, componeer het dan terug op het origineel. Niets hiervan vormt een consistentiebenchmark van een derde partij — het zet gedocumenteerde beperkingen om in werkbare productiediscipline.

Kortom: Images 2.6 formuleert “consistentere details van personages, producten en merken over bewerkingen heen” als productbelofte en biedt technische handvatten via twee niveaus, kwaliteit, complexiteit en markeringen. Verantwoord gebruik legt de identiteit vast met referenties en prompts met beperkingen, verkleint het oppervlak van wijzigingen met markeringen en bewaakt de pixelondergrens met steekproeven en compositing — en neemt de officiële beperkingen op in wat je extern toezegt.