A abertura do Introducing Images 2.6 da OpenAI sublinha uma geração mais rápida e um refinamento mais preciso, “mantendo consistentes os detalhes de personagens, produtos e marcas” ao longo das edições. Do lado do produto, o Sunburst é descrito como capaz de oferecer uma geração de maior qualidade e “ainda maior consistência de imagem entre edições” com quality em medium ou high. São citados testemunhos de clientes, como o Figma Weave, por ajudarem a conservar os detalhes que definem uma personagem, um produto ou uma marca na geração e na edição. Essas frases são marketing oficial e citações de clientes — não pontuações de consistência de laboratórios independentes. Este artigo limita-se a organizar mecanismos e conselhos já escritos na documentação; não inventa nenhuma classificação.

👉 Experimenta a API do GPT Image 2.6 no PoYo: preço por imagem e playground online.

Onde a documentação coloca a “consistência”

Primeiro, o nível do modelo: o Sunburst é posicionado para visuais detalhados e edições precisas; o guia de prompts sugere dar prioridade ao gpt-image-2.6-sunburst em workflows mais exigentes quanto ao detalhe, ao layout ou à exatidão das edições. Se o Sunburst já cumprir o objetivo, compara a latência do Flare nas mesmas condições. Segundo, o nível de qualidade: o anúncio associa uma maior consistência nas edições às definições de qualidade medium/high; a mesma etiqueta quality não implica uma qualidade visual idêntica entre modelos — mede na tua própria carga. Terceiro, a complexidade: na maioria das tarefas de edição, a OpenAI recomenda low para acelerar as edições e reduzir alterações desnecessárias; omitir o campo assume high por predefinição e pode introduzir variações extra. Em recolorações pontuais, marcação de alterações e edições de embalagem, a complexidade low costuma alinhar-se com restrições de prompt do género “altera apenas X, preserva Y”. Quarto, a marcação: quando a edição por anotações entra na API, uma sobreposição transparente pode indicar com precisão os locais a alterar, reduzindo os erros de redesenhar a imagem inteira — diretamente relevante para recolorações de SKUs e correções locais de texto em workflows de marca.

As limitações gerais do guia de geração de imagens continuam a dizer que o modelo pode “ocasionalmente falhar” na manutenção da consistência visual de personagens ou elementos de marca recorrentes; a composição estruturada e a colocação exata de texto também têm limites. Por outras palavras, a OpenAI sublinha a consistência e reconhece, ao mesmo tempo, a possibilidade de desvios. Os compromissos de serviço perante terceiros devem dizer “amostragem por workflow”, e não “idêntico ao pixel para sempre”.

Conselhos documentados para workflows em vários turnos

O guia de prompts de imagem transforma o refinamento em vários turnos numa disciplina executável. Estabelece uma referência de personagem ou de produto: gera (ou carrega) primeiro uma imagem canónica e usa-a depois como entrada nas edições seguintes, repetindo as restrições de aparência (vestuário, forma do rosto, proporções, paleta, geometria do logótipo). Altera um elemento por turno, para saberes qual edição funcionou realmente. Indica tanto “o que alterar” como “o que tem de ser preservado”: identidade, geometria, layout, iluminação, etiquetas, saturação, posição da câmara e objetos em redor podem ser escritos como restrições. Quando uma região tem de ser muito precisa, usa marcação (ou máscara — as duas não se combinam); se uma região tiver de ficar idêntica ao pixel, a documentação recomenda compor as edições aprovadas de volta sobre o original, em vez de confiar apenas nos prompts. Em recursos transparentes, pede explicitamente um fundo transparente e inspeciona o alfa — um xadrez desenhado não é transparência verdadeira.

Nas bibliotecas de recursos de marca, fixa critérios de aceitação como: glifo e espaçamento do logótipo, variação da cor principal, silhueta do produto, traços de identidade da personagem e logótipos adicionais proibidos. Ao migrar workflows do 2.5, mantém os prompts e as referências inalterados na primeira comparação e depois introduz a complexidade e a marcação um passo de cada vez. Regista as falhas, as repetições e o custo por imagem aceite antes de escalar. A experiência em vários turnos do ChatGPT e o processamento em batch da API não são a mesma superfície de configuração: a produção via API deve seguir os generations/edits da Image API e as páginas dos modelos.

Limites das afirmações

Não reescrevas testemunhos de clientes como especificações técnicas; não afirmes que “todos os problemas de consistência de marca estão resolvidos”; não indiques um único modelo predefinido sem comparação em corpora do teu negócio. Sunburst, qualidade mais alta, complexidade low (para edições pontuais) e marcação são uma combinação de ferramentas que a documentação oficial permite apresentar lado a lado — os resultados continuam a depender dos prompts e dos critérios de aceitação.

Em recursos de comércio eletrónico e de embalagem, codifica “altera apenas a faixa de cor”, “troca apenas a tampa” ou “corrige apenas a etiqueta de preço” como prompts com cláusulas de preservação, e circunda o objeto com marcação para reduzir a probabilidade de os fundos e os SKUs vizinhos serem reescritos em conjunto. Em storyboards contínuos de personagens, fixa primeiro uma referência canónica e, em cada turno de edits, passa tanto a referência como o resultado anterior, repetindo as restrições principais de aparência; se os desvios se acumularem, recomeça uma cadeia curta a partir da referência, em vez de empilhares instruções sobre um resultado que já se desviou. A documentação lembra ainda: a mesma etiqueta de qualidade não é diretamente equivalente entre modelos; se uma região final tiver de ficar idêntica ao pixel, compõe de volta sobre o original. Nada disto constitui um benchmark de consistência de terceiros — limita-se a transformar os limites documentados em disciplina de produção que se pode pôr em prática.

Em resumo: o Images 2.6 escreve “detalhe de personagens/produtos/marca mais consistente ao longo das edições” como uma afirmação de produto e fornece alavancas de engenharia através de dois níveis, da qualidade, da complexidade e da marcação. Uma utilização rigorosa fixa a identidade com referências e prompts com restrições, reduz a superfície de alteração com marcação e protege o mínimo ao nível do pixel com amostragem e composição — incorporando as cláusulas oficiais de limitação nos compromissos perante terceiros.