Die Wellen-Textur in OpenAIs neuen Bildmodellen

Flare und Sunburst

Am 8. September 2026 hat OpenAI zwei neue Bildmodelle veröffentlicht: Flare und Sunburst (gpt-image-2.5-flare und gpt-image-2.5-sunburst). Flare löst den bisherigen Standard gpt-image-2 ab und liefert laut OpenAI höhere Qualität bei halber Wartezeit. Sunburst ist das Premium-Modell für Produkt- und Kampagnenbilder mit engerer Kontrolle bei nachträglichen Bearbeitungen. Beide kosten dasselbe in Tokens gerechnet (5 $/M Text-Input, 8 $/M Bild-Input, 30 $/M Bild-Output). Sunburst braucht deutlich länger.

Ich habe beide am selben Tag über die API getestet, bei 1536 mal 864 Pixeln und Qualitätsstufe hoch. Der Prompt:

old oil style painting, stoic philosopher plato teaching computer science in the ancient school of athens in a server room, accidentally Renaissance

Flare brauchte 22 Sekunden, Sunburst 28. Bei maximaler Qualität und höherer Auflösung vergrößert sich der Unterschied: dort braucht Sunburst etwa 75 Prozent länger. Als Kontrolle habe ich dasselbe Motiv von Googles Gemini (gemini-3.1-flash-image-preview) generieren lassen.

Flare interpretiert den Prompt erzählerischer: eine lesbare Tafel mit Python-Code, ein Terminal, ein Bücherstapel mit den Titeln „Python, Algorithms, Networks“. Sunburst hält sich enger an Raffaels Schule von Athen, mit symmetrischer Treppe und Server-Racks als Säulen. Beide Bilder sind stilistisch überzeugend. Flare erzeugt Text fast fehlerfrei.

Die Wellen-Textur aus gpt-image-2 war sofort zu sehen. Roben, Wände, Haare tragen dasselbe wellenförmige Muster. Zwei neue Modelle, dasselbe Muster.

Die Textur

Das Muster lässt sich leichter zeigen als beschreiben. Man könnte es Knitter-, Kräusel- oder Rausch-Textur nennen: jeder Begriff trifft einen Aspekt, keiner das Ganze.

Es fällt beim Reinzoomen nicht auf. Es zeigt sich, wenn man größere Bildbereiche erfasst: das Gehirn entdeckt Wiederholungen in den Kontrastmustern. Stoff, Marmor, Haut und Hintergrund tragen dieselbe Oberflächenstruktur, als läge eine Folie über dem Bild.

Besonders deutlich wird es bei dicht gedrängten Personengruppen. Jeder Kopf bekommt nahezu dieselbe Haarstruktur, jede Robe dieselbe Wellung. Einmal gesehen, habe ich es in jedem weiteren OpenAI-Bild wiedergefunden.

Höhere Auflösung und höhere Qualitätsstufen helfen kaum. Flare bei der Maximalstufe und 2048 Pixeln ist teils sogar stärker gewellt, weil das Modell mehr Detail in die Stofffalten erzeugt. Sunburst bei maximaler Qualität liefert das glatteste Ergebnis: weiche Pinselübergänge, fast saubere Wände. Das Muster bleibt aber in Haaren und Gruppen erkennbar.

OpenAI markiert seine Bilder mit SynthID, einem unsichtbaren Wasserzeichen von Google DeepMind, das die Herkunft kennzeichnet. Eingebettet wird es seit den 2.5-Modellen. Die Wellen-Textur ist das Wasserzeichen aber nicht: Es gab sie schon bei gpt-image-2, vor dem SynthID-Rollout, und ein eingebettetes Raster würde in der Frequenzanalyse eine periodische Spitze hinterlassen, die es nicht gibt.

Vier Detektionsversuche

Claude und ich haben vier Ansätze probiert, das Muster automatisch zu erkennen. Keiner liefert einen Messwert, der OpenAI-Bilder zuverlässig von der Gemini-Kontrolle trennt.

Frequenzanalyse (FFT): Wir haben im Frequenzspektrum nach einem periodischen Raster gesucht, das die Textur als festes Signal verraten würde. Es gibt keines. Das Muster streut breitbandig, ohne erkennbare Frequenzspitze.

Feinband-Energie auf glatten Flächen: Wir haben die Energiedichte feiner Strukturen (3 bis 10 Pixel) auf Flächen ohne Kanten gemessen. Gemini erreicht den höchsten Wert (19.6), Flare nur 14.8. Pinselstruktur und JPEG-Kompression in Geminis Bild zählen mit und treiben den Wert nach oben.

Richtungskohärenz: Ein Strukturtensor misst, ob feine Strukturen eine bevorzugte Richtung haben. Gemini liegt bei 0.66, Flare bei 0.42. Pinselstriche in malerischen Bildern sind ebenfalls gerichtet.

Mittelband-Energie auf handgewählten Flächen: Auf manuell markierten Bereichen (Robe, Wand, Boden) liegt Geminis Amplitude durchgehend höher als bei allen drei OpenAI-Varianten.

Bei jeder Metrik hat Gemini mehr messbare Textur als OpenAI. Das Auge sieht trotzdem bei OpenAI das Problem, weil alle Oberflächen dieselbe Feinstruktur tragen. Ein Filter, der diese Gleichförmigkeit erkennt, bräuchte einen trainierten Klassifikator, der gelernt hat, wie verschiedene Materialien normalerweise aussehen.

Hochpass und Blinzel-Test

Zwei Visualisierungen zeigen das Muster.

Hochpass-Filter: Ein Gauss-Hochpass isoliert die feinen Strukturen eines Bildes und lässt großflächige Farbverläufe verschwinden. Im Vergleichsbild zeigt Gemini eine Radierung mit ruhigen Flächen, wo wenig Detail ist. Alle drei OpenAI-Varianten (Flare, Sunburst, Codex) sind gleichmäßig mit feinem Grieß gefüllt, auf jeder Oberfläche. Codex ist dabei kein separates API-Modell, sondern das eingebaute Bildmodell der Codex-CLI: Es läuft über mein enthaltenes ChatGPT-Kontingent statt über die API, und welches Modell dahintersteckt, lässt sich dort nicht wählen. Auch dieses Bild trägt die Textur, im Hochpass deutlich, mit bloßem Auge nur schwach.

Alle Hochpass-Bilder in voller Auflösung: Flare, Sunburst, Codex, Gemini.

Blinzel-Test: Das Gegenteil vom Zoom. Claude hat die Bilder auf 680 Pixel Breite verkleinert und das Mittelband isoliert: den Frequenzbereich zwischen 5 und 15 Pixeln im Originalbild. Objekte, Personen und Architektur verschwinden. Was bei Gemini bleibt, ist eine erkennbare Zeichnung mit Bögen und Umrissen. Was bei Flare bleibt, ist gleichförmiges Rauschen.

Ich zeige den Filter bei zwei Verstärkungsstufen. Verstärkung 5 hebt die Muster in den Flächen hervor, Verstärkung 7 die Wellenstruktur an den Kanten. Beide Bilder zeigen oben das Graustufen-Original, unten das isolierte Mittelband.

Die Originalbilder: Flare, Sunburst, Gemini.

Das Muster liegt knapp unterhalb der normalen Betrachtungsauflösung. Auf einem Monitor in voller Breite ist es sofort da.

Zur Transparenz: Das Gemini-Bild ist ein JPEG mit 1376 mal 768 Pixeln, die OpenAI-Bilder sind PNGs mit 1536 mal 864. Nach der Verkleinerung auf 680 Pixel für den Filter spielt der Unterschied keine Rolle.

Was das für mich heißt

Flare und Sunburst sind bei Text, Komposition und Geschwindigkeit ein Fortschritt gegenüber gpt-image-2. Solange die Wellen-Textur bei bestimmten Motiven sichtbar bleibt, greife ich dort auf Gemini zurück. Es gibt Bilder, bei denen man das Muster kaum sieht. Bei anderen springt es ins Auge.

Die beste Milderung innerhalb von OpenAIs Modellen: Sunburst mit quality=max. Die Wartezeit verdoppelt sich, die Kosten bleiben gleich.

Wer ein ChatGPT-Abo hat und keinen API-Key anlegen will: OpenAIs Codex-CLI kann Bilder generieren, ohne dass API-Kosten anfallen. Die Qualität ist gut, das Muster fiel bei meinem Testbild sogar schwächer aus als bei Flare, eher auf Sunburst-Niveau.