TokenLab erweitert die API-Unterstützung für GPT Image Edit

TokenLab hat seine Image Edit API erweitert, um die neuesten GPT Image-Bearbeitungs-Workflows zu unterstützen, einschließlich Multi-Image-Inputs und asynchronem Task-Polling für gpt-image-2. Wenn Sie Bearbeitungsfunktionen auf Basis von GPT Image-Modellen entwickeln, verarbeitet der Edit-Endpunkt nun sowohl Multipart-Uploads als auch JSON-Bildreferenzen, wobei für größere oder langsamere Jobs ein asynchroner Modus verfügbar ist.

Wichtige Erkenntnisse

• Der Image Edit-Endpunkt akzeptiert sowohl Multipart-Datei-Uploads als auch JSON-Bildreferenzen für unterstützte Modellfamilien.
• gpt-image-2 unterstützt mehrere Quellbilder in einer einzigen Bearbeitungsanfrage.
• Der asynchrone Modus gibt eine Task-Referenz zurück, die Sie auf Abschluss abfragen (Polling), was der empfohlene Weg für Multi-Image- oder hochlatenzintensive Bearbeitungen ist.
• Bestehende Integrationen, die auf dem Standard-Edit-Endpunkt basieren, funktionieren weiterhin ohne Änderungen; die asynchrone Unterstützung ist additiv.

Was hat sich geändert?

Die Bildbearbeitung ist zu einem der anspruchsvollsten Bereiche jeder KI-Produktoberfläche geworden. Benutzer möchten ein Foto hochladen, eine Änderung beschreiben und schnell ein Ergebnis erhalten. Bearbeitungsanfragen, die mehrere Referenzbilder oder Ausgaben mit höherer Auflösung beinhalten, dauern jedoch länger, als es ein typischer synchroner HTTP-Aufruf bequem zulässt. Diese Lücke war der Hauptreibungspunkt für Teams, die über TokenLab auf GPT Image-Modelle aufbauen.

Das Update adressiert dies direkt. Der /images/edit-Endpunkt erkennt nun, wenn eine Anfrage an gpt-image-2 gerichtet ist, und bietet zwei Wege: einen standardmäßigen synchronen Aufruf für einfache Einzelbildbearbeitungen und einen asynchronen Modus für komplexere Aufgaben. Anfragen mit mehreren Quellbildern, größeren Arbeitsflächen oder umfangreicheren Prompt-Anweisungen sind natürliche Kandidaten für den asynchronen Modus, da sie länger dauern und Sie keine Client-Verbindung offen halten möchten, während diese verarbeitet werden.

Dies ist keine Breaking Change. Wenn Ihre Integration den Edit-Endpunkt bereits synchron aufruft, funktioniert sie weiterhin. Der asynchrone Pfad ist optional, wird über einen Anfrageparameter ausgelöst und das Antwortformat für synchrone Aufrufe bleibt unverändert.

Multipart-Uploads vs. JSON-Bildreferenzen

Eine praktische Verbesserung, die erwähnenswert ist: Der Edit-Endpunkt akzeptiert Bilder auf zwei verschiedene Arten, und Sie können diejenige wählen, die besser zu Ihrem Stack passt.

Multipart-Form-Uploads. Wenn Ihre Anwendung bereits über Bild-Bytes verfügt, sei es durch einen Benutzer-Upload oder ein generiertes Asset, können Sie diese direkt als Multipart-Form-Daten senden. Dies ist der einfachere Weg für serverseitigen Code, der eine Datei direkt von einem Client-Upload weiterleitet.

JSON-Bildreferenzen. Wenn Ihre Bilder bereits an einem per URL zugänglichen Ort liegen oder Sie diese zuvor in einer TokenLab-Anfrage generiert haben und eine Referenz zur Wiederverwendung besitzen, können Sie diese Referenz stattdessen im JSON-Body übergeben. Dies vermeidet das erneute Hochladen von Bytes, die Sie bereits haben, und ist im Allgemeinen die bessere Wahl für Pipelines, die Generierungs- und Bearbeitungsschritte verketten.

Beide Ansätze funktionieren mit GPT Image-Edit-Anfragen. Welchen Sie verwenden, ist eine Frage der Datenstruktur, nicht ein funktionaler Kompromiss. Wenn Sie eine Pipeline aufbauen, die ein Bild generiert, prüft und dann bearbeitet, spart der JSON-Referenzpfad normalerweise einen redundanten Upload-Schritt.

Multi-Image-Bearbeitungen mit gpt-image-2

Die größere funktionale Ergänzung ist die Multi-Image-Unterstützung für gpt-image-2. Anstatt ein einzelnes Quellbild zu bearbeiten, können Sie nun mehrere Bilder in einer einzigen Bearbeitungsanfrage übergeben und das Modell diese gemeinsam nutzen lassen, zum Beispiel um ein Motivfoto mit einem Referenzhintergrund zu kombinieren oder einen Style-Transfer unter Verwendung eines zweiten Bildes als Orientierungshilfe anzuwenden.

Da Multi-Image-Bearbeitungen pro Anfrage mehr Arbeit erfordern, sind sie auch der klarste Fall für die Verwendung des asynchronen Modus. Das Senden mehrerer Bilder und eines komplexen Anweisungssatzes über einen synchronen Aufruf bedeutet, eine Verbindung so lange offen zu halten, wie das Modell benötigt, was für die meisten Client-Timeouts und Load-Balancer-Konfigurationen ungeeignet ist. Der asynchrone Modus umgeht dies: Sie senden die Anfrage, erhalten sofort eine Task-Referenz zurück und fragen das Ergebnis nach Ihrem eigenen Zeitplan ab.

Asynchroner Modus: Wann und wie er zu verwenden ist

Der asynchrone Modus funktioniert in allen Teilen der TokenLab API, die ihn unterstützen, auf die gleiche Weise. Sie senden Ihre Bearbeitungsanfrage mit gesetztem Async-Flag und erhalten anstelle des fertigen Bildes sofort eine Task-ID zurück. Von dort aus fragen Sie einen Status-Endpunkt ab, bis der Task als abgeschlossen gemeldet wird, woraufhin die Antwort Ihr Ergebnis enthält.

Verwenden Sie den asynchronen Modus, wenn:

• Sie mehrere Quellbilder in einer einzigen Bearbeitungsanfrage senden.
• Ihr Prompt oder Ihre Anweisungen so komplex sind, dass die Generierungszeit unvorhersehbar ist.
• Sie Bearbeitungen in einem Hintergrundjob, einer Warteschlange oder einem Batch-Prozess ausführen, anstatt in einer Live-Anfrage des Benutzers.
• Sie den Anforderungslebenszyklus Ihres Clients von der tatsächlichen Verarbeitungszeit des Modells entkoppeln möchten.

Bleiben Sie beim synchronen Modus, wenn:

• Sie eine einfache Einzelbildbearbeitung mit einem kurzen Prompt durchführen.
• Ihre Anwendung bereits kurze Timeout-Budgets hat und lieber schnell fehlschlägt, anstatt zu pollen.

Integrations-Checkliste

Bevor Sie einen Workflow auf gpt-image-2-Bearbeitungen umstellen, gehen Sie diese Punkte durch:

• Bestätigen Sie, dass Sie den /images/edit-Endpunkt ansteuern und das korrekte Modell angeben.
• Entscheiden Sie, ob Ihre Bilder besser als Multipart-Uploads oder JSON-Referenzen gesendet werden, basierend darauf, wo sie sich aktuell in Ihrer Pipeline befinden.
• Wenn Ihre Bearbeitung mehr als ein Quellbild umfasst, aktivieren Sie den asynchronen Modus, anstatt eine synchrone Antwort vorauszusetzen.
• Implementieren Sie eine Polling-Schleife mit angemessenem Backoff für asynchrone Tasks anstelle von eng getaktetem Polling.
• Behandeln Sie den Task-Pending-Status explizit in Ihrem Client-Code, getrennt von einem endgültigen Fehler- oder Erfolgsstatus.
• Testen Sie mit der größten erwarteten Bildanzahl und Prompt-Länge, bevor Sie in die Produktion gehen.

Beispielanfrage

curl -X POST https://api.tokenlab.sh/v1/images/edit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2",
    "images": ["ref://your-image-reference-1", "ref://your-image-reference-2"],
    "prompt": "combine these into a single edited scene",
    "async": true
  }'

Passen Sie die Referenzwerte und den Prompt an Ihre tatsächliche Pipeline an. Ersetzen Sie bei Multipart-Uploads die JSON-Bildreferenzen durch einen standardmäßigen Multipart-Form-Body.

FAQ

Ändert der asynchrone Modus die Ausgabequalität oder das Format von gpt-image-2-Bearbeitungen? Nein. Der asynchrone Modus ändert nur, wie Sie das Ergebnis abrufen. Das Modell verarbeitet die Anfrage auf die gleiche Weise; Sie fragen lediglich das fertige Bild ab, anstatt auf eine offene Verbindung zu warten.

Kann ich Multipart-Uploads und JSON-Bildreferenzen in derselben Anfrage mischen? Der Endpunkt ist so konzipiert, dass er einen Eingabestil pro Anfrage akzeptiert. Wählen Sie denjenigen, der dem Speicherort Ihrer Bilddaten entspricht, und konvertieren Sie bei Bedarf, wenn Sie Quellen aus beiden Formaten kombinieren müssen.

Muss ich bestehende Einzelbild-Bearbeitungsintegrationen ändern? Nein. Synchrone Einzelbild-Bearbeitungsaufrufe funktionieren weiterhin genau wie bisher. Der asynchrone Modus und die Multi-Image-Unterstützung sind additive Funktionen, die Sie bei Bedarf nutzen können.

Quellen und Aktualität

Dieses Update spiegelt das TokenLab API-Verhalten mit Stand vom 07.07.2026 wider. Für die aktuelle Endpunkt-Referenz siehe die Image Edit API-Dokumentation und den Leitfaden zur Bildgenerierung. Für breitere Modellvergleiche siehe Best AI Image Models API 2026.

Erste Schritte

Wenn Sie Bildbearbeitungsfunktionen entwickeln und eine einheitliche API-Oberfläche für GPT Image, Nano Banana Pro und andere Bildmodelle wünschen, bietet TokenLab Ihnen einen Integrationspunkt mit Unterstützung für synchrone und asynchrone Workflows. Prüfen Sie die Dokumentation und holen Sie sich einen API-Key, um noch heute mit dem Testen von gpt-image-2-Bearbeitungen zu beginnen.

Weiterführende Lektüre und nächste Schritte

Wenn Sie entscheiden, wie GPT Image Edit in Ihre breitere Bild-Pipeline passt, können Ihnen einige Ressourcen helfen. Beginnen Sie mit dem Best AI Image Models API Guide: How to Choose Image Generation and Editing Models für einen Vergleich führender Anbieter und deren Bearbeitungsfähigkeiten. Wenn Sie das Angebot von OpenAI gegen das von Google abwägen, schlüsselt GPT Image API vs Gemini Image API: How to Choose Stärken, Preisstrukturen und Anwendungsfälle für beide auf. Und wenn Sie eine schnelle, kostengünstige Bearbeitungsoption neben GPT Image suchen, deckt der Nano Banana API Guide: Image Generation and Editing Through TokenLab die Einrichtung und praktische Beispiele ab.

Modellverfügbarkeit, Rate Limits und Preise können sich ändern, bestätigen Sie daher aktuelle Details, bevor Sie einen Workflow in die Hochvolumenproduktion skalieren.

Bereit mit dem Aufbau zu beginnen? Erstellen Sie einen API-Key und testen Sie GPT Image Edit neben anderen unterstützten Modellen in wenigen Minuten.