Volgens de productaankondiging van OpenAI was Image markup al beschikbaar in ChatGPT en komt het met Images 2.6 naar de API, zodat teams “precies kunnen aanwijzen waar een bepaalde wijziging moet plaatsvinden”. In de Changelog van 4 november 2026 staat verder dat bewerken met markup is toegevoegd voor ondersteunde GPT Image-modellen 2.5 en 2.6. De gids over beeldgeneratie plaatst de aanroep bij POST /v1/images/edits van de Image API. Voor teams die in ChatGPT al gewend zijn om “eerst omcirkelen en dan aanpassen”, betekent dit dat dezelfde interactie ook beschikbaar komt in batchjobs en pipelines aan de serverkant.

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

In de kern gebruikt deze functie een transparante annotatielaag van dezelfde grootte plus een prompt in gewone taal om het model naar de omcirkelde of gemarkeerde gebieden te sturen, zodat er minder fouten ontstaan doordat de hele afbeelding opnieuw wordt getekend. De officiële voorbeelden en de productteksten wijzen op toepassingen als het omkleuren van webshopproducten, het lokaal vervangen van SKU-onderdelen en het corrigeren van verpakkingsteksten; de aankondiging benadrukt ook dat details van personages, producten en merken consistent blijven over bewerkingen heen.

Requeststructuur en bestandsbeperkingen

De documentatie vraagt om requests als volgt op te bouwen. Ten eerste: houd de originele afbeelding als eerste invoerafbeelding. Ten tweede: maak apart een transparante PNG die alleen cirkels, schetsen of andere markeringen bevat; na correctie van de oriëntatie moeten breedte en hoogte van de markuplaag gelijk zijn aan die van de eerste invoerafbeelding. De PNG moet transparante pixels bevatten en de markeringen mogen niet in het origineel worden samengevoegd. Ten derde: stuur die laag mee als markup: bij multipart-requests kun je een bestand uploaden, bij JSON-requests een object dat precies één van image_url of file_id bevat (image_url mag een HTTPS-URL of een base64-data-URL zijn); het JSON-veld voor de invoerafbeeldingen bij edits heet images. Ten vierde: beschrijf in prompt zowel “wat er moet veranderen” als “wat er behouden moet blijven”, en laat een mens de resultaten controleren voordat je ze gebruikt.

Harde limieten: markup geldt alleen voor de eerste invoerafbeelding; extra afbeeldingen dienen uitsluitend als referentie; de eerste afbeelding en de markuplaag mogen elk maximaal 16.777.216 pixels groot zijn; de maximale bestandsgrootte van de markup is 50 MB. Gebruik markup niet samen met mask of prompt_rewriter. De documentatie merkt ook op dat je voor bewerkingen per gebied in de Responses API in plaats daarvan een mask gebruikt; het markuppad richt zich op het edits-endpoint van de Image API. Op de modelpagina’s van Flare en Sunburst staat bewerken met markup allebei als mogelijkheid die in de gids over beeldgeneratie wordt behandeld.

Het officiële voorbeeld met de keukenvaas (zowel in de documentatie als in de promptinggids) laat een typisch patroon zien: het origineel is een keukenfoto; een transparante overlay markeert een gestreepte vaas met een rode cirkel; de prompt vraagt om de omcirkelde vaas te veranderen in kobaltblauw keramiek, de vorm en de gedroogde bloemen te behouden en de rode cirkel uit het eindresultaat te verwijderen. De voorbeelden draaien met gpt-image-2.6-flare en gpt-image-2.6-sunburst op quality="medium" en herinneren je eraan te controleren of de rest van het origineel niet onverwacht is verschoven.

Verband met mask en productworkflows

Bij bewerken met een mask geef je met een masker de “te vervangen gebieden” aan; volgens de documentatie is maskeren bij GPT Image “volledig prompt-gestuurd”, waarbij het masker vooral als richtlijn dient en het model de vorm niet strikt hoeft te volgen. Markup lijkt meer op “aanwijzingen op de afbeelding tekenen”: zichtbare markeringen vertellen het model waar het moet wijzigen en de prompt zegt waarin. De twee kun je niet combineren. Kies op basis van de manier van werken: programmatische alfamaskers passen bij uitsneden in een pipeline; cirkels en pijlen die je in ontwerptools tekent, passen bij markup.

Voor product- en SKU-workflows formuleer je “verander alleen de kleurband van de verpakking”, “vervang alleen de dop” of “corrigeer alleen de tekst op het prijskaartje” als beperkende prompts en omcirkel je het object met markup. Zo is de kans kleiner dat achtergrond, belichting en compositie allemaal mee worden herschreven. De promptinggids adviseert bovendien om bij lokale bewerkingen aan te geven welke verzadiging, welk contrast, welke pijlen, welke camerapositie en welke omringende objecten ongewijzigd moeten blijven; pas telkens één ding aan, zodat je kunt zien welke bewerking daadwerkelijk werkte. OpenAI raadt voor de meeste bewerkingstaken ook een lage complexity aan om sneller te bewerken en extra wijzigingen te beperken. Dat advies past goed bij gerichte markup, omdat complexity standaard op high staat als je het weglaat.

Let op: markup garandeert geen afwijking van nul op pixelniveau. De algemene beperkingen blijven gelden: het model kan moeite hebben met gestructureerde composities en nauwkeurige tekstplaatsing. Voeg bij kritieke opleveringen na de automatisering een menselijke steekproef toe en plaats zo nodig goedgekeurde gebieden terug op het origineel, in plaats van op één enkele API-uitvoer te vertrouwen. De regels voor contentmoderatie blijven van kracht; pas bij fouten die de gebruiker kan oplossen, zoals moderation_blocked, eerst de prompt of de invoerafbeelding aan voordat je het opnieuw probeert, en probeer het niet blindelings opnieuw.

Kortom: Images 2.6 brengt de bewezen annotatietaal van ChatGPT naar de API, zodat gerichte wijzigingen hun weg vinden naar batch- en SKU-pipelines. Een transparante PNG van dezelfde grootte, het veld markup en de uitsluiting van mask strikt volgen, en in de prompt zowel de wijziging als wat behouden moet blijven benoemen, is de minimale complete werkwijze uit de officiële documentatie.