TokenLab étend le support de l'API GPT Image Edit

TokenLab a étendu son API d'édition d'images pour prendre en charge les derniers flux de travail GPT Image, y compris les entrées multi-images et l'interrogation de tâches asynchrones pour gpt-image-2. Si vous développez des fonctionnalités d'édition basées sur les modèles GPT Image, le point de terminaison d'édition gère désormais à la fois les téléchargements multipart et les références d'images JSON, avec un mode asynchrone disponible pour les tâches plus volumineuses ou plus lentes.

Points clés à retenir

• Le point de terminaison d'édition d'image accepte à la fois les téléchargements de fichiers multipart et les références d'images JSON pour les familles de modèles prises en charge.
• gpt-image-2 prend en charge plusieurs images sources dans une seule requête d'édition.
• Le mode asynchrone renvoie une référence de tâche que vous interrogez pour vérifier l'achèvement, ce qui est la méthode recommandée pour les éditions multi-images ou à haute latence.
• Les intégrations existantes basées sur le point de terminaison d'édition standard continuent de fonctionner sans changement ; la prise en charge asynchrone est additive.

Ce qui a changé

L'édition d'images est devenue l'une des parties les plus exigeantes de toute interface de produit IA. Les utilisateurs souhaitent télécharger une photo, décrire une modification et obtenir un résultat rapidement, mais les requêtes d'édition impliquant plusieurs images de référence ou des sorties à plus haute résolution prennent plus de temps que ce qu'un appel HTTP synchrone typique permet confortablement. Cet écart a été le principal point de friction pour les équipes travaillant sur les modèles GPT Image via TokenLab.

La mise à jour résout ce problème directement. Le point de terminaison /images/edit reconnaît désormais lorsqu'une requête est destinée à gpt-image-2 et propose deux voies : un appel synchrone standard pour des éditions simples à image unique, et un mode asynchrone pour tout ce qui est plus complexe. Les requêtes avec plusieurs images sources, des canevas plus grands ou des instructions de prompt plus lourdes sont des candidats naturels pour le mode asynchrone, car elles prennent plus de temps à se terminer et vous ne voulez pas qu'une connexion client reste ouverte en attente.

Il ne s'agit pas d'un changement cassant. Si votre intégration appelle déjà le point de terminaison d'édition de manière synchrone, elle continue de fonctionner. La voie asynchrone est optionnelle, déclenchée par un paramètre de requête, et la forme de réponse pour les appels synchrones reste inchangée.

Téléchargements Multipart vs Références d'images JSON

Une amélioration pratique mérite d'être soulignée : le point de terminaison d'édition accepte les images de deux manières différentes, et vous pouvez choisir celle qui convient le mieux à votre pile technique.

Téléchargements de formulaires Multipart. Si votre application dispose déjà des octets de l'image, que ce soit à partir d'un téléchargement utilisateur ou d'un actif généré, vous pouvez les envoyer directement sous forme de données de formulaire multipart. C'est la voie la plus simple pour le code côté serveur qui relaie un fichier directement depuis un téléchargement client.

Références d'images JSON. Si vos images vivent déjà quelque part accessible par URL, ou si vous les avez générées plus tôt dans une requête TokenLab et que vous avez une référence à réutiliser, vous pouvez passer cette référence dans le corps JSON à la place. Cela évite de retélécharger des octets que vous possédez déjà et constitue généralement le meilleur choix pour les pipelines qui enchaînent les étapes de génération et d'édition.

Les deux approches fonctionnent avec les requêtes d'édition GPT Image. Le choix dépend de la forme sous laquelle se trouvent vos données, et non d'un compromis fonctionnel. Si vous construisez un pipeline qui génère une image, la vérifie, puis l'édite, la voie de référence JSON permet généralement d'économiser une étape de téléchargement redondante.

Éditions multi-images avec gpt-image-2

L'ajout fonctionnel le plus important est la prise en charge multi-images pour gpt-image-2. Au lieu d'éditer une seule image source, vous pouvez désormais passer plusieurs images dans une seule requête d'édition et laisser le modèle les utiliser ensemble, par exemple en combinant une photo de sujet avec un arrière-plan de référence, ou en appliquant un transfert de style en utilisant une seconde image comme guide.

Comme les éditions multi-images effectuent plus de travail par requête, elles constituent également le cas le plus clair pour l'utilisation du mode asynchrone. Envoyer plusieurs images et un ensemble d'instructions complexe via un appel synchrone signifie maintenir une connexion ouverte pendant toute la durée nécessaire au modèle, ce qui est inadapté à la plupart des délais d'expiration des clients et des configurations d'équilibreur de charge. Le mode asynchrone contourne cela : vous soumettez la requête, obtenez immédiatement une référence de tâche, et interrogez le résultat selon votre propre calendrier.

Mode Asynchrone : Quand et comment l'utiliser

Le mode asynchrone fonctionne de la même manière dans les parties de l'API TokenLab qui le prennent en charge. Vous soumettez votre requête d'édition avec l'indicateur async activé, et au lieu d'attendre l'image finale, vous obtenez immédiatement un identifiant de tâche. À partir de là, vous interrogez un point de terminaison de statut jusqu'à ce que la tâche soit signalée comme terminée, moment auquel la réponse inclut votre résultat.

Utilisez le mode asynchrone lorsque :

• Vous envoyez plusieurs images sources dans une seule requête d'édition.
• Votre prompt ou vos instructions sont suffisamment complexes pour que le temps de génération soit imprévisible.
• Vous exécutez des éditions dans une tâche en arrière-plan, une file d'attente ou un processus par lots plutôt que dans une requête en direct destinée à l'utilisateur.
• Vous souhaitez découpler le cycle de vie de la requête de votre client du temps de traitement réel du modèle.

Restez en mode synchrone lorsque :

• Vous effectuez une édition simple à image unique avec un prompt court.
• Votre application a déjà des budgets de délai d'expiration courts et préfère échouer rapidement plutôt que d'interroger.

Liste de contrôle d'intégration

Avant de basculer un flux de travail vers les éditions gpt-image-2, passez en revue ceci :

• Confirmez que vous ciblez le point de terminaison /images/edit et que vous spécifiez le bon modèle.
• Décidez si vos images sont mieux envoyées sous forme de téléchargements multipart ou de références JSON, en fonction de l'endroit où elles se trouvent actuellement dans votre pipeline.
• Si votre édition implique plus d'une image source, activez le mode asynchrone plutôt que de supposer une réponse synchrone.
• Implémentez une boucle d'interrogation avec un backoff raisonnable pour les tâches asynchrones plutôt qu'une interrogation serrée.
• Gérez explicitement l'état de tâche en attente dans votre code client, distinct d'un état d'erreur ou de succès final.
• Testez avec votre nombre d'images et votre longueur de prompt attendus les plus élevés avant de passer en production.

Exemple de requête

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
  }'

Ajustez les valeurs de référence et le prompt pour qu'ils correspondent à votre pipeline réel. Pour les téléchargements multipart, remplacez les références d'images JSON par un corps de formulaire multipart standard.

FAQ

Le mode asynchrone modifie-t-il la qualité ou le format de sortie des éditions gpt-image-2 ? Non. Le mode asynchrone modifie uniquement la façon dont vous récupérez le résultat. Le modèle traite la requête de la même manière ; vous interrogez simplement l'image terminée au lieu d'attendre sur une connexion ouverte.

Puis-je mélanger les téléchargements multipart et les références d'images JSON dans la même requête ? Le point de terminaison est conçu pour accepter un style d'entrée par requête. Choisissez celui qui correspond à l'endroit où se trouvent actuellement vos données d'image, et convertissez si vous devez combiner des sources provenant des deux formats.

Dois-je modifier les intégrations d'édition à image unique existantes ? Non. Les appels d'édition synchrones à image unique continuent de fonctionner exactement comme avant. Le mode asynchrone et la prise en charge multi-images sont des capacités additives que vous activez lorsque vous en avez besoin.

Sources et fraîcheur

Cette mise à jour reflète le comportement de l'API TokenLab observé au 2026-07-07. Pour la référence actuelle du point de terminaison, consultez la documentation de l'API d'édition d'image et le guide de génération d'image. Pour des comparaisons de modèles plus larges, consultez Best AI Image Models API 2026.

Démarrer

Si vous développez des fonctionnalités d'édition d'image et souhaitez une surface d'API unique pour GPT Image, Nano Banana Pro et d'autres modèles d'image, TokenLab vous offre un point d'intégration unique avec prise en charge des flux de travail synchrones et asynchrones. Consultez la documentation et obtenez une clé API pour commencer à tester les éditions gpt-image-2 dès aujourd'hui.

Lectures connexes et prochaine étape

Si vous décidez comment GPT Image Edit s'intègre dans votre pipeline d'image plus large, quelques ressources peuvent vous aider. Commencez par le Best AI Image Models API Guide: How to Choose Image Generation and Editing Models pour une comparaison des principaux fournisseurs et de leurs capacités d'édition. Si vous pesez l'offre d'OpenAI par rapport à celle de Google, GPT Image API vs Gemini Image API: How to Choose détaille les forces, les structures de prix et les cas d'utilisation pour chacun. Et si vous souhaitez une option d'édition rapide et peu coûteuse parallèlement à GPT Image, le Nano Banana API Guide: Image Generation and Editing Through TokenLab couvre la configuration et des exemples pratiques.

La disponibilité des modèles, les limites de débit et les prix peuvent changer, alors confirmez les détails actuels avant de faire évoluer tout flux de travail vers une production à haut volume.

Prêt à commencer à construire ? Créez une clé API et testez GPT Image Edit parallèlement à d'autres modèles pris en charge en quelques minutes.