通过 Flatkey 使用 GPT Image 2 API：定价、模型与请求检查

如果您正在评估通过 Flatkey 使用 GPT Image 2 API：定价、模型与请求检查，请先查看路由和计费证据，然后再把生成示例代码复制到生产环境中。GPT Image 2 是一个模型选择，但生产级图像工作流还依赖于端点支持、输出设置、重试行为、存储、审核策略，以及您的团队是否能够解释每个已接受图像的最终成本。

本指南为媒体和 AI 产品团队提供了一种实用方式，用于审查通过 Flatkey 访问 GPT Image 2 API 的情况。它使用当前的 OpenAI 定价核查、2026 年 9 月 15 日的 Flatkey 实时定价源快照，以及现有的 Flatkey 模型和定价页面作为验证点。请将代码块视为模板：在将生产流量切换之前，使用您的 Flatkey 密钥、精确的模型行以及真实资产需求，先运行一次自检测试。

快速答案：通过 Flatkey 使用 GPT Image 2 API 的定价与检查

按以下顺序使用通过 Flatkey 使用 GPT Image 2 API：定价、模型与请求检查工作流：

1. 确认您计划调用的精确模型行：gpt-image-2、gpt-image-2.5-flare、gpt-image-2.5-sunburst，或您账户中显示的带命名空间的行。
2. 确认该行在 Flatkey 中支持的端点类型。模型行和路由路径是两个不同的事实。
3. 将 OpenAI 当前的图像生成定价表与 Flatkey 当前的定价页面和使用日志进行比较。
4. 在连接批量创意流水线之前，先通过已确认的 Flatkey 路由发送一个小请求。
5. 为每个已接受的资产记录提示词、输入图像数量、尺寸、质量、格式、重试次数、延迟、状态和成本。
6. 在 Flatkey 路由行为、计费和存储处理与您的生产需求一致之前，保留直接提供方的基准方案可用。

这个顺序很重要，因为图像生成成本不只是一个表面上的模型费率。它是包含无效提示、失败请求、重试、人工拒绝以及存储/导出工作之后的已接受输出成本。

相较于较早的 GPT Image 2 说明，发生了什么变化

OpenAI 当前的图像生成文档现在在示例中突出显示 gpt-image-2.5-sunburst，而 OpenAI 的定价页面仍然包含 gpt-image-2 以及更新的 GPT 图像行。这意味着实际问题不再是“GPT Image 2 是否存在？”实际问题是您的团队应该路由哪一个 GPT 图像行、它如今如何定价，以及您的应用允许更改哪些请求设置。

Flatkey 在 2026 年 9 月 15 日的实时定价源显示了以下 GPT 图像系列行：

正确的结论刻意保持在较窄范围内：Flatkey 目前确实在模型/定价界面中暴露了 GPT 图像相关行，但你的生产决策应基于精确的行、端点路径，以及你账户当前可见的计费标签。

在路由 GPT Image 2 API 流量之前进行定价检查

对于 通过 Flatkey 使用 GPT Image 2 API：定价、模型与请求检查 这一主题，应将定价作为一个验证工作流，而不是一次性复制的静态表格。

在本文更新时，OpenAI 的定价页面将 GPT 图像定价列在单独的图像和文本行中。该页面将输入、缓存输入和输出定价分开显示，并且还为支持的行提供了批量定价视图。这个结构很重要，因为图像提示可以包含文本、参考图像、编辑内容和生成输出，而这些部分未必能映射到一个简单的“每张图像价格”假设。

在上线之前，请用你的当前值填写下表：

最安全的预算单位是 每张已接受图像的成本：

cost_per_accepted_image =
  (all generation spend + retry spend + review correction spend)
  / accepted_images

这能让 GPT Image 2 API 的定价审核与团队实际交付的资产保持一致。

模型选择：GPT Image 2、GPT Image 2.5 Flare，还是 GPT Image 2.5 Sunburst

不要只因为名称更新就选择某个模型。请使用工作负载测试。

对于许多团队来说，gpt-image-2 仍然是一个稳定的评估选项，因为它明确且已包含在 Flatkey 的定价数据源中。当你的账户中显示 gpt-image-2.5-flare 和 gpt-image-2.5-sunburst，并且你需要新一代质量时，它们也值得测试。对所有候选模型使用相同的提示词集，这样比较的重点就会落在路由性能、可接受输出和成本上。

通过 Flatkey 使用 GPT Image 2 API 的请求检查

在连接生产用户、定时内容任务或高容量创意生成之前，请先运行这些检查。

这些请求检查是使用网关处理图像工作的核心价值。直接集成提供商对于单一路由可能更简单，但当图像生成与文本、视频、代理和工具调用并存、且都需要统一的运维视图时，网关就会变得很有用。

模板：直接 OpenAI 基线

在比较 Flatkey 路由之前，先使用直接提供商基线来了解预期的响应行为。

curl https://api.openai.com/v1/images/generations \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "prompt": "Create a clean product concept image for a usage dashboard.",
    "size": "1536x1024",
    "quality": "medium",
    "output_format": "png"
  }'

记录响应状态、延迟、输出字节数、内容审核结果以及任何使用字段。在直接基线和路由测试使用相同的提示词、设置和验收标准之前，不要对 Flatkey 下结论。

模板：Flatkey 路由冒烟测试

在你的 Flatkey 账户确认所选行支持图像生成后，通过 Flatkey 路由器运行一个最小测试。

curl https://router.flatkey.ai/v1/images/generations \
  -H "Authorization: Bearer $FLATKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "prompt": "Create a clean product concept image for a usage dashboard.",
    "size": "1536x1024",
    "quality": "medium",
    "output_format": "png"
  }'

如果你选中的行只显示 openai 支持，或者你的账户文档指向另一条路径，请在上线前联系支持或检查你的仪表板。不要仅凭模型名称推断端点支持情况。

对于应用代码，请将基础 URL 和模型 ID 集中管理：

const FLATKEY_BASE_URL = "https://router.flatkey.ai/v1";

async function generateImage({ apiKey, model, prompt }) {
  const response = await fetch(`${FLATKEY_BASE_URL}/images/generations`, {
    method: "POST",
    headers: {
      Authorization: `Bearer ${apiKey}`,
      "Content-Type": "application/json"
    },
    body: JSON.stringify({
      model,
      prompt,
      size: "1536x1024",
      quality: "medium",
      output_format: "png"
    })
  });

  if (!response.ok) {
    throw new Error(`Image route failed with ${response.status}`);
  }

  return response.json();
}

这样可以让 Flatkey 路由保持可逆。你可以切换模型行，对比直连和经路由的测试，并避免把图像生成设置分散到整个产品中。

面向媒体团队的生产评分卡

在第一次冒烟测试通过后使用这张评分卡。

当这些指标需要与其他模型和工具使用并列管理时，Flatkey 是一个不错的选择。如果你的团队只偶尔运行一个图像工作流，而且已经把直接供应商计费控制得很好，那么直接使用 OpenAI 访问可能就足够了。

Flatkey 的适用位置

Flatkey 的定位是一个密钥、一个余额、一张发票、一个兼容 OpenAI 的路由器，以及对许多官方模型和工具的访问。对于 GPT 图像工作负载来说，当你的创意流水线是更广泛 AI 技术栈的一部分时，这一点很重要：

• 用于活动视觉素材的图像生成；
• 用于标题、文案和元数据的文本生成；
• 在 GPT Image、Gemini 图像模型、类似 Imagen 的工作流以及视频模型之间进行模型对比；
• 按工作区、应用、活动或环境进行使用审查；
• 围绕密钥、模型允许列表和预算所有权的治理。

如需更广泛的上下文，请保留以下内部参考链接打开：

• GPT Image vs Imagen API：用于跨提供商的图片定价单位和请求检查。
• GPT Image vs Gemini Image API：用于模型选择和路由问题。
• Image Generation API: A Practical Guide for Teams：用于工作流指标。
• AI Model Catalog Guide：用于检查提供商、端点和定价字段。
• Flatkey pricing 和 Flatkey model directory：用于当前平台检查。

GPT Image 2 API 最终检查清单

在你通过 通过 Flatkey 使用 GPT Image 2 API：定价、模型与请求检查 工作流将真实流量接入之前，请确认：

• 当前的 Flatkey 行已存在，并且你的账户可用。
• 该行支持你的应用将调用的端点路径。
• 已同时查看 OpenAI 当前的定价页面和 Flatkey 当前的定价页面。
• 你的预算使用的是每个被接受图片的成本，而不只是名义输出价格。
• 草稿和最终渲染设置已在代码中分离。
• 重试有最大次数限制，并且在日志中可见。
• 生成的输出由你的应用按活动和模型元数据存储。
• 在路由行为被验证之前，仍保留直接提供商基线可用。

通过 Flatkey 使用 GPT Image 2 API：定价、模型与请求检查 的决策最终应以一个小规模、可衡量的上线开始，而不是停留在理论上的模型偏好。选择行，验证路由，测试请求体，并在扩展之前比较被接受图片的经济性。

常见问题

如果已有 GPT Image 2.5 行，GPT Image 2 还值得测试吗？

值得。只要 GPT Image 2 是你的账户明确暴露出来的那一行，并且你的工作流重视可预测的路由，它仍然适合测试。GPT Image 2.5 Flare 或 Sunburst 可能更适合较新的质量测试，但它们同样需要相同的 Flatkey 路由、定价和使用日志检查。

我可以在 Flatkey 上使用 OpenAI SDK 进行图像生成吗？

只有在你确认所选的 Flatkey 行和端点路径之后，才使用 SDK 兼容性。对于许多工作流来说，关键设置是路由器基础 URL，但图像生成端点和响应处理仍然需要冒烟测试。

财务团队应首先比较什么？

财务团队应比较每个被接受图片的成本。模型价格只是其中一部分。被拒绝的输出、重试、审核时间以及存储/导出工作决定了创意流水线的实际成本。

每个 GPT Image 2 API 请求都应该使用最终质量吗？

不应该。应将草稿、预览和最终渲染设置分开。大多数团队在所有探索性提示都使用与最终交付物相同的尺寸和质量设置时会浪费预算。

什么时候我应该选择 Flatkey 而不是直接使用 OpenAI？

当 GPT 图像工作位于一个需要单一密钥、共享计费、使用日志和路由检查的多模型或多工具系统中时，选择 Flatkey。若你只使用一个提供商、一个模型和一个计费界面，直接访问会更简单。

保持打开的官方参考

• OpenAI 图像生成指南
• OpenAI Images API 创建参考
• OpenAI API 定价
• Flatkey 快速入门
• Flatkey 模型目录
• Flatkey 定价