简要概览
- ChatGPT Images 2.5 于 9 月 8 日发布，具有更清晰的细节、更精确的编辑，延迟比 predecessor 降低高达 50%
- 在六个新的测试类别中，Nano Banana 2 赢得三项，ChatGPT Images 2.5 赢得其余三项
- 胜负仅取决于几个可验证的错误，而非明显的问题。

OpenAI 于 9 月 8 日推出了 ChatGPT Images 2.5，其卖点非常明确：更清晰的细节、更丰富的纹理、更自然的照明，以及真正尊重用户未要求更改区域的编辑功能。

该公司表示，与 Images 2.0 相比，图像生成的延迟降低了高达 50%。两个新模型——GPT-Image-2.5 Flare 和 GPT-Image-2.5 Sunburst——现已加入 API，其中 Flare 为快速默认选项，Sunburst 专为高端编辑精度而设计。

这是我们于今年 5 月进行的对比测试的直接后续：当时 GPT Image 2 和 Nano Banana 2 在八个类别中互有胜负。GPT Image 2 赢得了更多类别，但当提示词包含过多约束时，会出现明显的过度锐化伪影。该评测曾留下一个悬而未决的问题：OpenAI 的下一代模型能否解决这一问题？

于是我们重新进行了测试。

采用相同的评估视角，保留或调整了之前轮次的六个类别，向两个模型输入相同的提示词。Google 侧的测试使用的是 Nano Banana 2——即 Google 对 Gemini 3.1 Flash Image 的称呼——而非速度较慢、更谨慎的 Nano Banana Pro。

这是一场同级别的对决：OpenAI 的新款快速精准模型对阵 Google 的快速精准模型。

GPT-Image 2.5 实际发生了哪些变化

OpenAI 的图像模型有一种发布模式：总带有某种标志性缺陷。原始 GPT Image 1 背后的模型存在持续的温暖黄色色偏，互联网将其戏称为“尿滤镜”——一种 OpenAI 从未完全解释也从未完全修复的色调。

GPT Image 2 用另一种问题取代了该缺陷：给它一个包含过多堆叠约束的提示词，它会将输出过度锐化为粗糙、过度处理的混乱画面，充满伪影。

这两类缺陷在本轮测试中均未出现。我们用 Images 2.5 生成的每一张图片都保持了色彩平衡和复杂细节，既没有黄色色偏，也没有其前代那种生硬的过度锐化。这是一个真实且可见的修复，在蒸汽朋克和人像测试中体现得最为明显——这两者是我们在三代模型测试中见过的最具照片连贯性的 ChatGPT 输出。

OpenAI 还添加了一些在并列图像测试中看不出来但对工作流程很重要的产品功能：Sketch 允许用户在 ChatGPT 中直接绘制粗略布局作为生成参考；提示词分享功能；针对特定图像区域的行内评论；以及用于海报和周边产品的格式模板。在 API 方面，质量等级从低延伸到新的高品质和最高品质，高于 Images 2.0 的最高限制。

以下是 OpenAI 新模型与 Google 最佳方案的对比表现。

文字密度：Kellerman's Hardware 场景

这是最具挑战性的测试——一个 gritty 的凌晨 2 点十字路口场景，几乎每个表面都有可读文字：幽灵招牌、喷漆涂鸦、乙烯基店面字体、撕毁的音乐会海报、模板印刷的人行道标记，以及贴满贴纸的公用电话亭。

Nano Banana 2 几乎完美渲染了所有内容。唯一的失误是公用电话亭上的贴纸重复了其自身的文字且变得混乱——这是一个细微且容易忽视的缺陷。

ChatGPT Images 2.5 添加了一个 Nano Banana 完全遗漏的细节：一根带有重叠钉贴 flyers 的路灯柱，撕破且风化，完全符合提示词描述。

但模型自己的街头艺术标签读作“STILLL HERE”，多了一个 L，且幽灵招牌上“KELLERMAN'S”的撇号缺失或无法辨认。对于一个以精准文字渲染为核心卖点的模型来说，一张图片中出现两处可读性失误是一个重大失分。

从美学角度看，OpenAI 的模型生成了更真实的场景，但在文字方面并未付出同等细致的努力。即使图像看起来更好，文字生成效果也不如 Google 的。

获胜者：Nano Banana 2。

空间感知：蒸汽朋克钟楼

一项具有挑战性的空中构图测试：一个五层景深的场景，巨大的钟楼其钟面需显示不同的时间并以可读的罗马数字呈现，再加上从前景到背景散布的六个其他文字元素。

ChatGPT Images 2.5 生成的图像氛围明显更强——屋顶上升起的可见蒸汽、穿过中景的河流、五个深度平面之间更丰富的色调范围。此版本中的字母也更容易阅读。

Nano Banana 2 的氛围较平淡，但其两个可见的钟面都渲染了可读的罗马数字——XII、III、VI、IX——指针位置相同，而这并非提示词所要求的内容。

获胜者：GPT Images 2.5，凭借更好地遵循指令且不失真实感的表现。

插图：动漫灵媒师

该提示词要求生成一张类似 ufotable 风格的 ключевой визуал：一个女孩在鸟居中转化为灵能状态，身旁有一只九尾 kitsune 狐狸和一张新海诚风格的暮色天空。

ChatGPT Images 2.5 呈现了我们整个系列测试中最好的天空——真实的太阳圆盘、水面反射和山脉剪影，真正配得上“新海诚风格”的对比评价。不对称的眼睛刻画也不错。偏离提示词的地方在于“融入能量”的指令，模型将其解读为电流裂纹效果贯穿她的头发，而非提示词描述的流动、半透明的消散效果。

Nano Banana 2 的淡蓝白色能量轨迹更贴近这一特定描述的 literal 含义。两个模型都没有渲染出令人信服的九尾狐。

获胜者：ChatGPT Images 2.5，凭借整体视觉冲击力，尽管存在解读偏差。

真实感：屋顶建筑师

一张电影肖像，包含大量独立约束：米色风衣、圆框眼镜、左手专门持有蓝图、黄金时刻光线、浅景深、胶片颗粒。

ChatGPT Images 2.5 生成了美丽的光线——太阳圆盘清晰可见于她身后，皮肤微纹理极佳。皮肤略显光滑，但整体场景非常真实，宛如模拟相机拍摄。

有趣的是，添加一些通常会使照片质量变差的指令，反而增加了真实感。这是在添加了“realistic, highlights, crushed shadows, uneven flash, blown out skin tones, candid moment, shot on a phone camera”等关键词后生成的一张图像。

Nano Banana 2 保留了更完整的构图，人物右手持物而非左手，并添加了可读的蓝图标签——“PROJECT: 124 DUANE ST”——这是大多数渲染完全忽略的内容。

获胜者：Nano Banana 2（单次拍摄），ChatGPT Images 2.5（重复迭代）。

智能体研究：比特币时间线

两个平台都能在渲染前研究主题，因此我们要求以儿童绘画风格呈现宽屏比特币历史时间线，并严格限制事实准确性。这是本次对比中最重要的类别，也是差距最大的地方。

ChatGPT Images 2.5 构建了一个干净的两行信息图，包含具体日期——但其中一个是错误的。它将 2023 年标记为美国批准比特币 ETF 的年份。SEC 实际上是在 2024 年 1 月 10 日批准了首批现货比特币 ETF——整整晚了一年，尽管期货 ETF 确实在那一年批准，所以这可能是一个解读问题。

Nano Banana 2 的输出结构较少，但描绘了类似的事件，这说明模型在重复提示下的变化很小。不过，它对 ETF 批准和第四次减半采取了“2023–2024”的时间范围表述，而非断言一个错误的单一年份，因此其陈述在技术上没有错误。

获胜者：Nano Banana 2。在一个专门测试“智能体推理”是否能产生准确输出的类别中，一个自信的错误日期影响更大。

抽象概念：由 invented words 构成的提示词

这个提示词几乎完全由无意义的词语构成：“A woman eating shmfiyxl in Lyxin. Next to her, her Lymglsushing plays Lakishkark.” 这道菜、场地、伴侣或游戏都没有词典定义——每个模型都必须发明一个，然后决定如何展示其工作成果。

ChatGPT Images 2.5 通过将 nonsense 直接作为文字写入场景来解决这个问题。“Lyxin”以霓虹灯招牌的形式在一间现代餐厅上方发光。“Lakishkark”印在该女性外星同桌玩家正在玩的棋盘游戏盒子上。当虚构的词语变成可以实际阅读的标志时，它们就不再抽象了。

Nano Banana 2 采取了相反的方法。它构建了一个温暖、具有文化特色的场景——一个瓜地马拉市场摊位、一位身穿传统 huipil 的女性、一个半兽人生物正在演奏一种混合弦乐和管乐器的乐器——并将“plays”解读为演奏音乐而非玩游戏，这是一种不同但同样有效的解读。然而，画面中的任何元素都没有具体关联到“Lyxin”或“Lakishkark”；这些发明的词语 nowhere 作为可见文字出现。

获胜者：ChatGPT Images 2.5。将一个无法定义的提示词转化为可读标签，是对这种缺乏基础信息的提示词更 literal 的回答。

结论

Nano Banana 2 在本轮六个类别中赢了三个，因此基本上打平。结果完全取决于你的期望值以及与模型的交互方式。ChatGPT Images 2.5 也修复了其 predecessor 备受诟病的过度锐化问题，且本轮其插图输出 arguably 是两个模型在两轮完整测试中产生的最具视觉冲击力的单张图像。

区分两者的并非整体质量，而是非常微小的具体细节：可验证的失误、文字密集场景中的拼写错误、研究驱动信息图中的错误年份等。

但在整体美学和质量方面，它们基本旗鼓相当。