TokenLab amplía el soporte de la API de edición de imágenes de GPT

TokenLab ha ampliado su API de edición de imágenes para admitir los flujos de trabajo de edición de imágenes de GPT más recientes, incluyendo entradas de múltiples imágenes y sondeo de tareas asíncronas para gpt-image-2. Si estás creando funciones de edición sobre modelos de GPT Image, el endpoint de edición ahora gestiona tanto cargas multipart como referencias de imágenes JSON, con un modo asíncrono disponible para trabajos más grandes o lentos.

Puntos clave

• El endpoint de edición de imágenes acepta tanto cargas de archivos multipart como referencias de imágenes JSON para las familias de modelos compatibles.
• gpt-image-2 admite múltiples imágenes de origen en una sola solicitud de edición.
• El modo asíncrono devuelve una referencia de tarea que puedes sondear para verificar su finalización, lo cual es la ruta recomendada para ediciones con múltiples imágenes o de alta latencia.
• Las integraciones existentes creadas en el endpoint de edición estándar siguen funcionando sin cambios; la compatibilidad asíncrona es adicional.

Qué ha cambiado

La edición de imágenes se ha convertido en una de las partes más exigentes de cualquier superficie de producto de IA. Los usuarios quieren subir una foto, describir un cambio y obtener un resultado rápidamente, pero las solicitudes de edición que involucran múltiples imágenes de referencia o salidas de mayor resolución tardan más de lo que una llamada HTTP síncrona típica permite cómodamente. Esa brecha ha sido el principal punto de fricción para los equipos que trabajan con modelos de GPT Image a través de TokenLab.

La actualización aborda esto directamente. El endpoint /images/edit ahora reconoce cuándo una solicitud se dirige a gpt-image-2 y ofrece dos rutas: una llamada síncrona estándar para ediciones simples de una sola imagen y un modo asíncrono para cualquier cosa más compleja. Las solicitudes con múltiples imágenes de origen, lienzos más grandes o instrucciones de prompt más pesadas son candidatas naturales para el modo asíncrono, ya que tardan más en completarse y no querrás que una conexión de cliente permanezca abierta esperando por ellas.

Este no es un cambio disruptivo. Si tu integración ya llama al endpoint de edición de forma síncrona, seguirá funcionando. La ruta asíncrona es opcional, se activa mediante un parámetro de solicitud y la estructura de respuesta para las llamadas síncronas no cambia.

Cargas Multipart frente a referencias de imágenes JSON

Una mejora práctica que vale la pena destacar: el endpoint de edición acepta imágenes de dos formas diferentes, y puedes elegir la que mejor se adapte a tu stack.

Cargas de formulario Multipart. Si tu aplicación ya tiene los bytes de la imagen, ya sea desde una carga de usuario o un activo generado, puedes enviarlos directamente como datos de formulario multipart. Esta es la ruta más sencilla para el código del lado del servidor que actúa como proxy de un archivo directamente desde una carga del cliente.

Referencias de imágenes JSON. Si tus imágenes ya viven en algún lugar accesible por URL, o las generaste anteriormente en una solicitud de TokenLab y tienes una referencia para reutilizar, puedes pasar esa referencia en el cuerpo JSON. Esto evita volver a cargar bytes que ya tienes y es generalmente la mejor opción para tuberías que encadenan pasos de generación y edición.

Ambos enfoques funcionan con las solicitudes de edición de GPT Image. Cuál usar es una cuestión de qué forma tienen tus datos, no una compensación funcional. Si estás creando una tubería que genera una imagen, la verifica y luego la edita, la ruta de referencia JSON suele ahorrar un paso de carga redundante.

Ediciones de múltiples imágenes con gpt-image-2

La mayor adición funcional es la compatibilidad con múltiples imágenes para gpt-image-2. En lugar de editar una sola imagen de origen, ahora puedes pasar varias imágenes en una sola solicitud de edición y dejar que el modelo las use juntas, por ejemplo, combinando una foto de un sujeto con un fondo de referencia, o aplicando una transferencia de estilo usando una segunda imagen como guía.

Debido a que las ediciones de múltiples imágenes requieren más trabajo por solicitud, también son el caso más claro para usar el modo asíncrono. Enviar varias imágenes y un conjunto complejo de instrucciones a través de una llamada síncrona significa mantener una conexión abierta durante todo el tiempo que el modelo necesite, lo cual no es adecuado para la mayoría de los tiempos de espera del cliente y configuraciones de balanceador de carga. El modo asíncrono evita esto: envías la solicitud, obtienes una referencia de tarea inmediatamente y sondeas el resultado según tu propio horario.

Modo asíncrono: cuándo y cómo usarlo

El modo asíncrono funciona de la misma manera en todas las partes de la API de TokenLab que lo admiten. Envías tu solicitud de edición con el flag asíncrono activado y, en lugar de esperar la imagen final, obtienes un identificador de tarea de inmediato. A partir de ahí, sondeas un endpoint de estado hasta que la tarea se informe como completa, momento en el cual la respuesta incluye tu resultado.

Usa el modo asíncrono cuando:

• Estás enviando múltiples imágenes de origen en una sola solicitud de edición.
• Tu prompt o instrucciones son lo suficientemente complejos como para que el tiempo de generación sea impredecible.
• Estás ejecutando ediciones en un trabajo en segundo plano, cola o proceso por lotes en lugar de una solicitud en vivo orientada al usuario.
• Quieres desacoplar el ciclo de vida de la solicitud de tu cliente del tiempo de procesamiento real del modelo.

Quédate con el modo síncrono cuando:

• Estás realizando una edición simple de una sola imagen con un prompt corto.
• Tu aplicación ya tiene presupuestos de tiempo de espera cortos y prefiere fallar rápido en lugar de sondear.

Lista de verificación de integración

Antes de cambiar un flujo de trabajo a ediciones con gpt-image-2, revisa esto:

• Confirma que estás apuntando al endpoint /images/edit y especificando el modelo correcto.
• Decide si tus imágenes se envían mejor como cargas multipart o referencias JSON, según dónde vivan actualmente en tu tubería.
• Si tu edición involucra más de una imagen de origen, habilita el modo asíncrono en lugar de asumir una respuesta síncrona.
• Implementa un bucle de sondeo con un backoff razonable para tareas asíncronas en lugar de un sondeo ajustado.
• Maneja el estado de tarea pendiente explícitamente en tu código de cliente, distinto de un estado final de error o éxito.
• Prueba con tu cantidad de imágenes y longitud de prompt esperadas más grandes antes de enviar a producción.

Ejemplo de solicitud

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
  }'

Ajusta los valores de referencia y el prompt para que coincidan con tu tubería real. Para cargas multipart, reemplaza las referencias de imágenes JSON con un cuerpo de formulario multipart estándar.

Preguntas frecuentes

¿El modo asíncrono cambia la calidad de salida o el formato de las ediciones de gpt-image-2? No. El modo asíncrono solo cambia cómo recuperas el resultado. El modelo procesa la solicitud de la misma manera; simplemente estás sondeando la imagen terminada en lugar de esperar en una conexión abierta.

¿Puedo mezclar cargas multipart y referencias de imágenes JSON en la misma solicitud? El endpoint está diseñado para aceptar un estilo de entrada por solicitud. Elige el que coincida con donde viven actualmente tus datos de imagen y conviértelos si necesitas combinar fuentes de ambos formatos.

¿Necesito cambiar las integraciones de edición de una sola imagen existentes? No. Las llamadas de edición síncronas de una sola imagen siguen funcionando exactamente igual que antes. El modo asíncrono y la compatibilidad con múltiples imágenes son capacidades adicionales que eliges usar cuando las necesitas.

Fuentes y actualidad

Esta actualización refleja el comportamiento de la API de TokenLab observado al 2026-07-07. Para la referencia actual del endpoint, consulta la documentación de la API de edición de imágenes y la guía de generación de imágenes. Para comparaciones de modelos más amplias, consulta Best AI Image Models API 2026.

Comenzar

Si estás creando funciones de edición de imágenes y deseas una única superficie de API en GPT Image, Nano Banana Pro y otros modelos de imagen, TokenLab te ofrece un punto de integración con soporte para flujos de trabajo síncronos y asíncronos. Consulta la documentación y obtén una clave de API para comenzar a probar las ediciones de gpt-image-2 hoy mismo.

Lecturas relacionadas y siguientes pasos

Si estás decidiendo cómo encaja GPT Image Edit en tu tubería de imágenes más amplia, algunos recursos pueden ayudarte. Comienza con la Best AI Image Models API Guide: How to Choose Image Generation and Editing Models para obtener una comparación de los principales proveedores y sus capacidades de edición. Si estás comparando la oferta de OpenAI con la de Google, GPT Image API vs Gemini Image API: How to Choose desglosa las fortalezas, estructuras de precios y casos de uso para cada uno. Y si deseas una opción de edición rápida y de bajo costo junto con GPT Image, la Nano Banana API Guide: Image Generation and Editing Through TokenLab cubre la configuración y ejemplos prácticos.

La disponibilidad de modelos, los límites de tasa y los precios pueden cambiar, así que confirma los detalles actuales antes de escalar cualquier flujo de trabajo a producción de alto volumen.

¿Listo para empezar a construir? Crea una clave de API y prueba GPT Image Edit junto con otros modelos compatibles en minutos.