GPT Image 2: Text-Rendering und Thinking Mode nutzen

OpenAI kündigte ChatGPT Images 2.0 am 21. April 2026 an, angetrieben durch das neue Modell gpt-image-2, und begann den Rollout am nächsten Tag^[1]. Die Schlagzeile ist nicht die Auflösung. Es ist, dass generierter Text in Bildern jetzt funktioniert.

Nicht "größtenteils funktioniert, mit ein paar charmanten Tippfehlern." Text mit etwa 99% Genauigkeit über lateinische, japanische, koreanische, Hindi-, Bengali-, Arabisch- und ein Dutzend weitere Schriftsysteme^[1]. Zwei Jahre lang war der Standard-Workflow, das Bild zu generieren und dann echten Text in Figma drüberzukomponieren. Diese Etappe ist größtenteils erledigt.

Gutes Arbeiten mit GPT Image 2 dreht sich um zwei Dinge: Briefs präzise genug schreiben, um das Text-Rendering auszunutzen, und wissen, wann Thinking Mode ausgeschaltet werden sollte.

TL;DR

• Text-Rendering mit ~99% Genauigkeit, auch nicht-lateinische Schriftsysteme auf quasi-muttersprachlichem Niveau^[1].
• Thinking Mode lässt das Modell im Web nach Referenzen suchen, mehrere Varianten planen und seine Ausgabe vor der Rückgabe selbst verifizieren^[1].
• 2K native Auflösung mit 16:9-Unterstützung und Wissensstichtag Dezember 2025^[1].
• Ersetzt DALL-E 3, das am 12. Mai 2026 eingestellt wurde, und das Zwischenstadium GPT Image 1.5^[1].
• Vollständig neue Architektur, Single-Pass statt der bisherigen zweistufigen Pipeline, typischerweise unter drei Sekunden Generierung^[1].
• Nicht der Photorealismus-Leader. Nano Banana 2 führt bei reiner fotografischer Realität und 4K-Ausgabe, GPT Image 2 bei Text-Treue und Prompt-Adherenz^[1].

Was GPT Image 2 ist

GPT Image 2 ist OpenAIs Flaggschiff-Bildmodell und verfügbar auf drei Oberflächen: in ChatGPT als Images 2.0, in Codex dem Coding-Agent für Inline-Asset-Generierung, und als gpt-image-2-API^[1].

Die Architektur ist ein radikaler Bruch mit der DALL-E-Linie. OpenAI hat sich beharrlich geweigert zu bestätigen, ob das Modell auf Diffusion, Autoregression oder einer Hybrid-Architektur basiert. Es ist eine vollständig neue Architektur, die von einer zweistufigen Inference-Pipeline zu einem Single-Pass-Generator wechselt. Die praktischen Folgen sind schnellere Generierung und viel enger gekoppelte Beziehung zwischen Prompt-Semantik und gerenderter Ausgabe^[1].

Der Text-Rendering-Durchbruch

Die konkreten Verbesserungen lohnt sich zu trennen, weil sie unterschiedliche Workflows freischalten^[1]:

• Lateinische Schreibweise mit ~99%, einschließlich dichtem Menütext, Verpackungsetiketten, Nährwerttabellen, langen Editorial-Überschriften und UI-Copy.
• Nicht-lateinische Schriftsysteme mit quasi-muttersprachlicher Genauigkeit in den großen Weltsprachen. Frühere Modelle behandelten diese als Dekoration: visuell plausibel, semantisch bedeutungslos.
• Kleiner Text und Ikonografie in dichten Kompositionen, einschließlich Formularfelder, Abzeichen-Labels und Fußnoten, lesbar gerendert.
• Stilistische Kohärenz zwischen Text und Design-Sprache, sodass ein Brooklyn-Café-Schild und ein Tokyo-U-Bahn-Plakat als unterschiedliche Designer lesbar werden statt des gleichen generischen Modells.

Das Buchhandlungsbeispiel verdient Aufmerksamkeit. Jeder Titel ist in einer unterschiedlichen Indischen Schrift gerendert, und jeder ist kohärenter Text, den ein Leser dieser Sprache erkennen kann^[1]. Das ist die Fähigkeit, die lokalisierte Content-Pipelines erschließt: regionale Werbe-Kreativinhalte, mehrsprachige Verpackungen, Indische-Sprachen-E-Commerce-Thumbnails, in einer Geschwindigkeit, die vorher unmöglich war.

Thinking Mode

Thinking Mode ist das Feature, das ändert, wie du mit dem Modell interagierst. Mit Standard-Prompting tut es, was ein Bildmodell tut: Prompt lesen, Pixel generieren. Mit Thinking Mode an, tut es auch^[1]:

Im Web suchen nach Referenzmaterial, wenn der Prompt echte Marken, Produkte oder zeitsensible Inhalte nennt.

Mehrere Ausgabevarianten planen vor dem Generieren, das ist, was einen Prompt ein Werbekampagne in drei Größen oder einen Comic über fünf Panels herstellen lässt.

Vor Rückgabe selbst verifizieren, prüft, dass gerenderter Text richtig geschrieben ist und dass Layout-Hierarchie erhalten bleibt.

Das Demonstrationsbeispiel, das OpenAI vorstellt, ist ein einzelner Prompt nach einem Poster über Merchandise, das aktuell auf einer eigenen Website ist, was eine genaue Komposition produzierte, weil das Modell nachschaute. Keine Referenz-Upload, keine manuelle Produktliste^[1].

Für Briefs mit Phrasen wie "im Stil ihrer aktuellen Hero-Page" entfernt das den manuellen Referenz-Beschaffungs-Schritt. Für Bulk-Generierung einfacher Visuals schalte das aus, weil es mehr kostet und länger dauert.

Commercial-Grade-Ausgabe

Die Anzeige oben ist eine vollständig synthetische Single-Prompt-Generierung. Sie trägt eine plausible Produktfotografie, eine kohärente Brand-Wortmarke in zwei Schriftsystemen, sekundäres typografisches Detail, eine lesbare Ankündigung mit Ort und Social-Handle, und stilistische Kohärenz zwischen Fotografie, Schrift, Textur und Palette^[1].

Vor zwei Jahren war das der klassische generative-Image-Fehlerfall. Das Modell konnte die Fotografie produzieren, aber jeder echte Text in der Komposition zerfiel in Glyphen-Brei.

Die Implikation lohnt sich, direkt zu nennen: für die meisten Small-Business-Marketing ist der Engpass nicht mehr die visuelle Produktion. Es ist der Brief.

Tieferes strukturelles Verständnis

OpenAIs Positionierungsaussage ist "Image-Generierung mit Standpunkt", bedeutet das Modell hat strukturelles Verständnis von dem, was es rendert, statt statistischer Abdeckung eines Korpus. In der Praxis^[1]:

• Instruction-Folgen verbessert sich bei Kompositions-Anfragen: Links ausgerichtete Überschrift, Produkt rechts, Brand-Mark rechts unten.
• Weltwissen ist stärker. Das Modell weiß, auf welche Kamera ein Produktbild aussehen sollte, als ob es damit gemacht wurde, welcher Papierbestand ein Vintage-Cover emulieren sollte.
• Charakter-Kohärenz hält sich über mehrteilige Sequenzen.
• Ikonografische Literalität verbessert, sodass Periodentabellen, anatomische Diagramme und Baupläne korrekt statt als plausibel aussehender Unsinn rendern.

Das ist die Achse, auf der es sich am deutlichsten von rein fotografischen Modellen unterscheidet. Auf einem fotorealistischen Stillleben ist Nano Banana 2 konkurrenzfähig oder vorne. Bei einer Komposition, die das Modell etwas wissen und es korrekt rendern lässt, führt GPT Image 2^[1].

Wo es nicht passt

Die ehrlichen Grenzen^[1]:

• Nicht als Ersatz für Designer bei Identität-kritischen Brand-Arbeiten. First-Draft-Qualität ist ausgezeichnet; ein Creative Director sollte noch immer lenken.
• Nicht der Photorealismus-Leader. Nano Banana 2 und spezialisierte Photo-Real-Modelle behalten Kanten bei hyperrealistischer Stilleben-Fotografie und Porträtfotografie.
• Thinking Mode ist langsamer und teurer. Ausschalten für Bulk-Generierung einfacher Visuals.
• Inhaltsrichtlinie gilt. Echte öffentliche Figuren, urheberrechtlich geschützte Charaktere und bestimmte kommerzielle Referenzen sind eingeschränkt.

Wie man GPT Image 2 auf reAPI nutzt

reAPI zeigt das Modell auf einem Async-Task-Endpoint. Submit gibt eine task_id zurück; Poll bis fertig.

curl https://reapi.ai/api/v1/images/generations \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "prompt": "Editorial poster for a Kyoto coffee shop opening, hand-lettered headline in cream serif, warm cinematic light, legible address line at the bottom",
    "size": "16:9",
    "resolution": "2k"
  }'

Drei Dinge, die du wissen solltest, bevor du die Integration schreibst.

Auflösung ist eine bepreiste Dimension. Das Gateway zeigt 1K, 2K und 4K, jeweils mit eigenem Tarif, sodass eine Auflösungs-Wahl eine Kosten-Wahl ist. Aktuelle Tarife sind auf reapi.ai/models/gpt-image-2, das ist die kanonische Quelle statt einer Zahl, die in einem Artikel zitiert wird.

Medien-Eingaben sind nur öffentliche URLs. Keine base64, keine data: Payloads, auf einem Modell auf dieser Plattform.

Prompt-Präzision zahlt sich hier mehr aus als auf älteren Modellen. Briefs, die mit DALL-E 3 funktionierten, vage und visuell fokussiert, unterperformen gegenüber dem, was dieses Modell mit expliziten Layout-, Typografie- und Referenz-Anweisungen tut. Das Plafond ist höher und der Boden erfordert präzisere Eingabe^[1].

Vollständige Request- und Response-Formen sind in der reapi.ai/docs/gpt-image-2-Referenz.

FAQ

Was ist GPT Image 2?

OpenAIs Flaggschiff-Bildgenerierungs-Modell, am 21. April 2026 angekündigt, ersetzt DALL-E 3 und GPT Image 1.5. Es läuft in ChatGPT als Images 2.0, in Codex und als gpt-image-2-API^[1].

Wie genau ist GPT Image 2 beim Text-Rendering?

Etwa 99% auf lateinischer Schrift, mit quasi-muttersprachlicher Genauigkeit auf großen nicht-lateinischen Schriftsystemen einschließlich Japanisch, Koreanisch, Hindi, Bengali und Arabisch^[1].

Was ist Thinking Mode?

Ein Modus, in dem das Modell im Web nach Referenzen sucht, mehrere Varianten vor dem Generieren plant und gerenderter Text und Layout vor der Ausgaberückgabe selbst verifiziert. Es kostet mehr und dauert länger, schalte es also für Bulk-einfache Generierung aus^[1].

Welche Auflösung unterstützt GPT Image 2?

2K nativ mit 16:9-Unterstützung neben bestehenden Seitenverhältnissen^[1]. Auf reAPI werden 1K, 2K und 4K als separat bepreiste Optionen zugänglich gemacht.

Ist GPT Image 2 besser als Nano Banana 2?

Sie führen auf unterschiedlichen Achsen. Nano Banana 2 führt bei reiner fotografischer Realität und 4K-Ausgabe. GPT Image 2 führt bei Text-Treue, Prompt-Adherenz und integriertem Thinking Mode^[1].

Was ist mit DALL-E 3 passiert?

Es wurde am 12. Mai 2026 eingestellt. GPT Image 2 ersetzt es und das Zwischenstadium GPT Image 1.5^[1].

Akzeptiert GPT Image 2 base64-Bild-Eingabe auf reAPI?

Nein. Jedes Modell auf der Plattform akzeptiert nur öffentliche http(s)-URLs für Medien-Eingaben.

Wie sollte ich Prompts für GPT Image 2 schreiben?

Spezifischer als für DALL-E 3. Gib explizite Layout-, Typografie- und Referenz-Anweisungen statt einer vagen visuellen Beschreibung, weil das Modell jetzt auf strukturelles Detail reagiert, das ältere Modelle ignorierten^[1].

Den Brief aktualisieren, nicht nur die Modell-Zeichenkette

Die nützliche Zusammenfassung dieser Veröffentlichung ist, dass sie den Engpass bewegt. Als generierter Text unbrauchbar war, war die Begrenzung das Modell. Jetzt, da eine Café-Anzeige mit lesbarem japanischen sekundärem Text aus einem einzelnen Prompt rauskommt, ist die Begrenzung wie präzise du beschreiben kannst, was du willst.

Das hat eine praktische Konsequenz für jeden, der eine Pipeline migriert. Prompt-Templates, geschrieben für die vorherige Generation, sind tuned für ein Modell, das strukturelle Anweisungen ignorierte, und sie unternutzen dieses. Schreibe sie neu mit explizitem Layout und Typografie, halte Thinking Mode für Briefs, die die echte Welt referenzieren, und aus für Volumen, und wähle die Auflösung bewusst, weil sie eine bepreiste Dimension ist. So nutzt du GPT Image 2, ohne für Fähigkeit zu zahlen, die dein Brief nie fragt.

References

1. OpenAI. GPT Image 2 — model card, capabilities, and API reference. Retrieved July 2026 from platform.openai.com/docs/models
2. OpenAI. Pricing — per-image and per-token rates by model. Retrieved July 2026 from platform.openai.com/docs/pricing

Further reading

• reAPI. How to use Nano Banana 2 Lite. reapi.ai/blog/how-to-use-nano-banana-2-lite
• reAPI. GPT Image 2 endpoint reference. reapi.ai/docs/gpt-image-2
• reAPI. Model catalog. reapi.ai/models