Параметр Complexity в GPT Image 2.6: как три уровня «глубины мышления» меняют композицию генерируемых изображений

Примечание автора: новый параметр Complexity в GPT Image 2.6 управляет тем, сколько усилий модель тратит на планирование сцены перед рендерингом. На примере команды футболистов в стиле бумажной аппликации из официального сравнения OpenAI разберём три уровня Complexity, его отличие от Quality и способы выбора и тестирования параметра через API.

Если использовать один и тот же промпт, размер и качество, но изменить Complexity с low на high, могут измениться цвета формы игроков, украшения на кубке и расположение надписи «CHAMPIONS». Такой результат сравнения OpenAI опубликовала в руководстве по промптам для GPT Image 2.6.

4 ноября 2026 года OpenAI представила Images 2.6, выпустив для разработчиков две модели — gpt-image-2.6-flare и gpt-image-2.6-sunburst — и добавив параметр complexity. Этот параметр не позволяет просматривать цепочку рассуждений модели и не работает как переключатель качества, где «чем выше, тем лучше». Он управляет тем, сколько усилий модель тратит на планирование сцены, прежде чем приступить к её созданию.

Главное: из статьи вы узнаете, как OpenAI определяет параметр Complexity в GPT Image 2.6, что меняют три его уровня на реальном примере и с какого уровня стоит начать тестирование через API.

GPT Image 2.6 Complexity: главное

Для начала соберём подтверждённые официальные данные в одной таблице. Дальнейший анализ и выводы опираются на них.

Здесь легко неправильно понять два момента. Во-первых, официально речь идёт об «объёме планирования»: как именно распределяются вычислительные ресурсы на каждом уровне, не раскрывается. Также не утверждается, что каждому уровню соответствует фиксированное число токенов рассуждения. Во-вторых, «без надбавки» не означает, что все три уровня стоят одинаково: итоговая сумма по-прежнему зависит от фактически оплачиваемого количества токенов.

Чем отличаются Complexity и Quality в GPT Image 2.6

Когда люди впервые видят Complexity, они часто принимают его за другое название Quality. На самом деле эти параметры отвечают за разные этапы генерации изображений: Complexity определяет, как организована сцена, а Quality — насколько детально она прорисована.

Эти два параметра независимы, поэтому при поиске причины сначала нужно определить тип проблемы. Если структура инфографики и связи между элементами, обозначенные стрелками, верны, но мелкий текст на подписях плохо читается, стоит сначала повысить Quality. Дальнейшее увеличение Complexity здесь вряд ли поможет. А если несколько основных объектов постоянно оказываются не на своих местах относительно друг друга, стоит обратить внимание на Complexity.

Представьте, что Complexity — это время, которое дизайнер тратит на набросок перед началом работы, а Quality — тщательность финальной раскраски и обводки. Долгая работа над наброском не означает, что линии будут тоньше. И наоборот: тонкие линии не исправят ошибки в структуре наброска.

Официальный пример сравнения Complexity в GPT Image 2.6: футбольная команда из вырезанной бумаги

Абстрактные определения легко понять по-разному, поэтому в официальном руководстве по промптам приведён наглядный пример для сравнения.

Условия эксперимента (опубликованы официально):

• Модель: gpt-image-2.6-sunburst
• Размер: 1024x1536, Quality: medium, формат: png
• Промпт: “A premium handcrafted layered paper-cut illustration of a football team celebrating a championship victory inside a packed stadium.” (премиальная многослойная иллюстрация ручной работы из вырезанной бумаги: футбольная команда празднует победу в чемпионате на переполненном стадионе)
• Единственная переменная: Complexity последовательно задаётся как low, medium и high

Что Complexity меняет в примере с бумажной аппликацией

Судя по официальному описанию, при переходе от low к medium меняется главным образом проработка деталей: на форме появляется эмблема, у кубка меняется украшение, но надпись остаётся на прежнем месте. На уровне high изменения затрагивают уже композицию в целом: надпись переносится с переднего плана на трибуны, пространство впереди отводится игрокам, а форма приобретает фактуру оригами, которая лучше соответствует теме бумажной аппликации.

Это показывает, что повышение Complexity не просто добавляет текстуры: модель по-разному расставляет акценты в композиции и организует её элементы. Результат на уровне high можно рассматривать как более комплексную переработку с учётом трёх условий: «бумажная аппликация + победа в чемпионате + стадион».

Однако возможности этого сравнения ограничены, и здесь важно уточнить:

• Для каждого уровня официально показан только один пример — на этом основании нельзя утверждать, что среднее качество на high выше;
• Фактическое время генерации и расход токенов для трёх уровней не опубликованы;
• «High лучше соответствует теме бумажной аппликации» — это интерпретация одного изображения, а не статистический вывод.

Как выбрать уровень Complexity в GPT Image 2.6

OpenAI дала чёткие рекомендации для начала и отдельно подчеркнула: high не всегда лучше.

Рекомендация OpenAI: для редактирования сначала попробуйте low

В анонсе OpenAI рекомендует для большинства задач редактирования изображений сначала попробовать low complexity, чтобы ускорить обработку, и подобрать уровень Quality в соответствии с рабочим процессом. С low стоит начинать при замене фона, изменении текста на вывеске, локальной перекраске, удалении отдельного объекта и других точечных правках, где нужно сохранить остальную часть изображения.

Почему локальным правкам не требуется много планирования? Ниже — обоснованное техническое предположение, которое OpenAI не подтверждала. Когда пользователь просит «изменить только цвет вазы, остальное не трогать», лучший способ выполнить запрос — внести как можно меньше изменений. Если модель начнёт активно перепланировать всю сцену, она может затронуть то, что менять не требовалось. OpenAI отмечает, что «высокая сложность может привести к нежелательным дополнительным изменениям», — это согласуется с предположением. Однако пока нет данных, доказывающих, что high неизбежно сильнее отклоняет результат от исходного изображения.

Рекомендация OpenAI: для задач с множеством ограничений сравнивайте medium и high

Для задач с большим числом элементов, сложной композицией и множеством ограничений OpenAI рекомендует попробовать medium или high.

На последнюю строку стоит обратить внимание. Если промпт уже подробно описывает расположение каждого элемента, у модели остаётся мало свободы для планирования. По словам OpenAI, в таких задачах повышение Complexity может не дать заметного улучшения, но увеличить задержку.

Что означает high по умолчанию

В обеих моделях по умолчанию установлен high. Если вы переходите со старого рабочего процесса и не передаёте этот параметр, модель будет работать на максимальном уровне планирования. Для большого числа запросов на локальное редактирование такое значение по умолчанию может быть не самым подходящим.

🎯 Техническая рекомендация: рассматривайте Complexity как параметр, который нужно подбирать под тип задачи, а не как глобальный переключатель. Для сравнительных тестов можно использовать OpenAI-совместимый интерфейс APIYI на apiyi.com. Доступность модели 2.6 и передачу параметра complexity уточняйте в списке моделей и документации платформы.

Как задать Complexity для GPT Image 2.6 через API

Минимальный пример

В теле запроса к /v1/images/generations параметр complexity находится на одном уровне с quality и size. Если в вашей версии SDK этого поля ещё нет, его можно передать через extra_body:

import base64
from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

resp = client.images.generate(
    model="gpt-image-2.6-sunburst",
    prompt="A detailed educational infographic explaining how a coffee machine works, with clearly labeled components and arrows.",
    size="1024x1536",
    quality="medium",
    extra_body={"complexity": "high", "output_format": "png"},
)
open("coffee_high.png", "wb").write(base64.b64decode(resp.data[0].b64_json))

Это пример кода, составленный по официальной спецификации параметров, а не результат реального тестового запроса.

import base64
import time
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",  # OpenAI-совместимый интерфейс APIYI
)

PROMPT = (
    "A premium handcrafted layered paper-cut illustration of a football team "
    "celebrating a championship victory inside a packed stadium."
)
LEVELS = ["low", "medium", "high"]
REPEATS = 3  # Повторяем для каждого уровня несколько раз, чтобы не судить по одному изображению

def run_once(level: str, idx: int) -> dict:
    start = time.time()
    resp = client.images.generate(
        model="gpt-image-2.6-sunburst",  # Фиксируем модель
        prompt=PROMPT,                   # Фиксируем промпт
        size="1024x1536",                # Фиксируем размер
        quality="medium",                # Фиксируем качество
        extra_body={"complexity": level, "output_format": "png"},
    )
    elapsed = time.time() - start
    path = f"paper_cut_{level}_{idx}.png"
    with open(path, "wb") as f:
        f.write(base64.b64decode(resp.data[0].b64_json))
    usage = getattr(resp, "usage", None)  # Записываем расход токенов, если он указан в ответе
    return {"level": level, "idx": idx, "seconds": round(elapsed, 2),
            "usage": usage, "file": path}

results = []
for level in LEVELS:
    for i in range(REPEATS):
        try:
            results.append(run_once(level, i))
        except Exception as e:
            results.append({"level": level, "idx": i, "error": str(e)})

for r in results:
    print(r)

Скрипт меняет только параметр complexity, остальные остаются неизменными. Именно так рекомендует поступать официальное руководство по миграции: сначала использовать значения по умолчанию, а затем менять по одному параметру за раз.

🚀 Быстрый старт: новые пользователи могут получить бесплатный лимит для тестирования на APIYI apiyi.com, провести небольшое сравнительное тестирование с помощью скрипта выше и затем решить, какой уровень использовать в продакшене.

Как справедливо сравнить уровни Complexity в GPT Image 2.6

Сравнение по одному изображению может дать случайный результат. Описанная ниже методика опирается на официальные рекомендации по миграции и может стать основой для оценки внутри команды. Это рекомендация по проведению теста, а не результаты уже выполненных испытаний.

Три типовые задачи:

1. Задача A: простое локальное редактирование — изменить только один объект, оставив остальное без изменений;
2. Задача B: сложная композиция с несколькими объектами — сохранить заданное расположение объектов относительно друг друга;
3. Задача C: инфографика с большим количеством текста — представить подписи, этапы процесса и иерархию в заданном порядке.

Контролируемые параметры: зафиксируйте модель, промпт, эталонное изображение, размер, формат вывода и Quality. Меняйте только Complexity и для каждого уровня выполните несколько генераций.

Последнему показателю стоит уделить особое внимание. Если один запрос на каком-то уровне обходится дешевле, но для получения пригодного изображения нужно несколько попыток, итоговая стоимость не обязательно будет ниже. Сравнение по средней стоимости пригодного изображения ближе к реальным бизнес-расходам, чем сравнение стоимости отдельного запроса.

Как Complexity в GPT Image 2.6 влияет на работу

Влияние на разработчиков

• Появился ещё один параметр для настройки: раньше при генерации изображений в основном выбирали размер и качество, а теперь нужно учитывать и «усилия на планирование». Значение high по умолчанию подходит не для всех задач локального редактирования, поэтому при переносе старых рабочих процессов настройки стоит пересмотреть.
• Проблемы нужно разбирать поэтапно: если результат не устраивает, сначала определите, в чём проблема — в композиции или рендеринге. Затем решите, что менять: Complexity или Quality. Так вы не будете бездумно выставлять оба параметра на максимум.
• Расходы нужно оценивать на практике: за Complexity нет дополнительной платы, но различия в расходе токенов между уровнями официально не опубликованы. В одном тесте сторонней компании Kingy AI версия 2.6 с уровнем high по умолчанию оказалась медленнее и дороже, чем 2.5. Однако условия расчёта для двух версий различались, поэтому делать общий вывод нельзя. Результат лишь показывает, что стоит провести собственные тесты.

Влияние на продукты для генерации изображений

• Планированием и рендерингом теперь можно управлять отдельно: в текстовых моделях давно есть понятия вроде «интенсивности рассуждений», а теперь и в моделях изображений можно отдельно настраивать этап планирования. При проектировании продукта это позволяет выбрать разные уровни для «быстрого наброска» и «сложной компоновки», а не использовать одни и те же настройки для всех задач.
• High нельзя считать преимуществом сам по себе: в официальной документации прямо указано, что высокий уровень может увеличить задержку и привести к лишним изменениям. В пользовательских продуктах лучше автоматически выбирать уровень под тип задачи, а не всегда выставлять максимальный.

Частые вопросы FAQ

GPT Image 2.6 Complexity: главное

• Что это: Complexity определяет, сколько ресурсов выделяется на планирование сцены перед рендерингом. Это не переключатель цепочки рассуждений.
• Разделение задач: Complexity отвечает за композицию, Quality — за детализацию рендеринга. Они настраиваются независимо.
• Официальный пример: в сцене с футбольной командой из бумажных вырезок на уровне high таблички переместились на трибуны, а форма стала похожа на оригами.
• С чего начать: для локального редактирования попробуйте low, а для сложных сцен с множеством ограничений сравните medium и high.
• Ловушка настроек по умолчанию: у двух моделей по умолчанию выбран high. При переносе старых рабочих процессов стоит пересмотреть настройки.
• Как считать стоимость: отсутствие дополнительной платы не означает одинаковую цену. Надёжнее сравнивать среднюю стоимость подходящего изображения.
• Как попробовать: в APIYI apiyi.com можно протестировать все три уровня через OpenAI-совместимый интерфейс.

Итоги

Главное о параметре Complexity в GPT Image 2.6:

1. Он меняет организацию изображения: официальный пример с бумажными вырезками показывает, что при смене уровня модель по-разному оформляет форму, кубок и таблички;
2. У него и Quality разные задачи: один отвечает за планирование, другой — за рендеринг. Если результат не устраивает, сначала определите, к какой из этих областей относится проблема;
3. Больше — не всегда лучше: High может работать медленнее и менять то, что менять не нужно. Выбирайте уровень под тип задачи.

При генерации изображений теперь нужно контролировать две вещи: детализацию итоговой картинки и то, как модель организует сцену. Лучше всего провести небольшое сравнение на собственных задачах и выбрать уровень по доле выполненных ограничений, количеству неожиданных изменений и стоимости подходящего изображения.

Рекомендуем сначала протестировать все три уровня, используя бесплатный лимит APIYI apiyi.com. Прежде чем внедрять решение в рабочий процесс, убедитесь, что платформа поддерживает модель 2.6 и нужные параметры.

📚 Источники

1. Официальный анонс OpenAI — Introducing Images 2.6: объявление о выпуске Images 2.6 и рекомендации по использованию Complexity
2. Ссылка: openai.com/index/introducing-images-2-6

3. Примечание: содержит официальную рекомендацию отдавать предпочтение low complexity при редактировании изображений

4. Документация OpenAI API — GPT Image 2.6 prompting guide: описание параметра Complexity и сравнение на примере футбольной команды из бумажных вырезок

5. Ссылка: developers.openai.com/api/docs/guides/image-prompting

6. Примечание: обратите внимание на разделы Set image complexity, Compare complexity и Migrate an existing workflow

7. Документация OpenAI API — Image generation: обзор параметров интерфейса генерации изображений

8. Ссылка: developers.openai.com/api/docs/guides/image-generation

9. Примечание: здесь можно найти полные спецификации параметров quality, size, output_format и других

10. Страница моделей OpenAI: подробная информация о моделях Flare и Sunburst

11. Ссылка: developers.openai.com/api/docs/models/gpt-image-2.6-sunburst
12. Примечание: здесь можно проверить ID моделей и поддерживаемые возможности

Автор: техническая команда APIYI
Технические вопросы: свяжитесь с нами на главной странице сайта APIYI. Дополнительные материалы по подключению доступны в центре документации docs.apiyi.com

Читайте также

• Насколько ещё полезны негативные промпты для генерации изображений с помощью ИИ? Актуальная оценка трёх типов формулировок: Современные модели генерации изображений заметно меньше зависят от «библиотеки негативных промптов»; в статье разбираются 3 вида негативных промптов, объясняется, какие удалить, а какие оставить, и приводятся практические принципы составления промптов.
• Вышел ChatGPT Images 2.6: поддержка GIF и эталонных изображений, генерация на 50% быстрее — как пользоваться GPT-Image-2.6 Flare и Sunburst: Разбор ChatGPT Images 2.6, выпущенной 4 ноября 2026 года: GIF, повторно используемые эталонные изображения, редактирование с разметкой и экспорт SVG, правила выбора между Flare и Sunburst, стоимость для пяти уровней при 1024×1024 и границы между официальными заявлениями, сторонними рейтингами и неизвестными данными.
• GPT-Image-2.6 и Nano Banana 2.1: различия в поддержке GIF, 4K и цене — что выбрать: Сравнение GPT-Image-2.6 и Nano Banana 2.1 по формату результатов: анимация и векторная графика, 4K и несколько эталонных изображений, две методики тестирования, две схемы тарификации и таблица выбора для трёх типов задач.
• Что сегодня вывели из эксплуатации в Grok Imagine? Можно ли ещё использовать старые модели? 4 ключевых момента перехода на версию 2.0: 2 ноября 2026 года выводится из эксплуатации только идентификатор grok-imagine-image-quality, а не весь Grok Imagine; в статье разъясняются масштаб изменений, цены, параметры качества и переход на версию 2.0.
• Боже! Krea 3, ты собираешься уничтожить Nano Banana?: Насколько хороша Krea 3 для создания рекламных изображений бренда? В статье за 5 шагов показан путь в Ad Studio от сайта бренда до бренд-кита и 12 статичных объявлений, а также приведены официальные примеры, таблица затрат и 7 подводных камней.