TokenLab Memperluas Dukungan API GPT Image Edit

TokenLab telah memperluas API image edit miliknya untuk mendukung alur kerja GPT Image edit terbaru, termasuk input multi-gambar dan polling tugas async untuk gpt-image-2. Jika Anda sedang membangun fitur pengeditan di atas model GPT Image, endpoint edit sekarang menangani upload multipart dan referensi gambar JSON, dengan mode async yang tersedia untuk pekerjaan yang lebih besar atau lebih lambat.

Poin Utama

• Endpoint image edit menerima upload file multipart dan referensi gambar JSON untuk keluarga model yang didukung.
• gpt-image-2 mendukung beberapa gambar sumber dalam satu permintaan edit.
• Mode async mengembalikan referensi tugas yang Anda polling untuk penyelesaian, yang merupakan jalur yang direkomendasikan untuk pengeditan multi-gambar atau latensi tinggi.
• Integrasi yang ada yang dibangun pada endpoint edit standar terus berfungsi tanpa perubahan; dukungan async bersifat tambahan.

Apa yang Berubah

Pengeditan gambar telah menjadi salah satu bagian yang paling menuntut dari setiap permukaan produk AI. Pengguna ingin mengunggah foto, mendeskripsikan perubahan, dan mendapatkan hasil kembali dengan cepat, tetapi permintaan edit yang melibatkan beberapa gambar referensi atau output resolusi lebih tinggi membutuhkan waktu lebih lama daripada yang dapat ditangani oleh panggilan HTTP sinkron biasa dengan nyaman. Kesenjangan tersebut telah menjadi titik gesekan utama bagi tim yang membangun di atas model GPT Image melalui TokenLab.

Pembaruan ini menjawab hal tersebut secara langsung. Endpoint /images/edit sekarang mengenali kapan suatu permintaan ditujukan ke gpt-image-2 dan menawarkan dua jalur: panggilan sinkron standar untuk pengeditan satu gambar yang sederhana, dan mode async untuk hal-hal yang lebih kompleks. Permintaan dengan beberapa gambar sumber, kanvas yang lebih besar, atau instruksi prompt yang lebih berat adalah kandidat alami untuk mode async, karena memerlukan waktu lebih lama untuk diselesaikan dan Anda tentu tidak ingin koneksi klien tetap terbuka menunggu proses tersebut.

Ini bukan perubahan yang merusak (breaking change). Jika integrasi Anda sudah memanggil endpoint edit secara sinkron, integrasi tersebut akan tetap berfungsi. Jalur async bersifat opsional, dipicu oleh parameter permintaan, dan bentuk respons untuk panggilan sinkron tidak berubah.

Upload Multipart vs Referensi Gambar JSON

Satu peningkatan praktis yang perlu disebutkan: endpoint edit menerima gambar dengan dua cara berbeda, dan Anda dapat memilih mana yang lebih sesuai dengan stack Anda.

Upload formulir multipart. Jika aplikasi Anda sudah memiliki byte gambar, baik dari upload pengguna atau aset yang dihasilkan, Anda dapat mengirimkannya langsung sebagai data formulir multipart. Ini adalah jalur yang lebih sederhana untuk kode sisi server yang memproksi file langsung dari upload klien.

Referensi gambar JSON. Jika gambar Anda sudah ada di suatu tempat yang dapat diakses melalui URL, atau Anda menghasilkannya sebelumnya dalam permintaan TokenLab dan memiliki referensi untuk digunakan kembali, Anda dapat meneruskan referensi tersebut di dalam body JSON. Ini menghindari pengunggahan ulang byte yang sudah Anda miliki dan umumnya merupakan pilihan yang lebih baik untuk pipeline yang merantai langkah pembuatan dan pengeditan.

Kedua pendekatan tersebut berfungsi dengan permintaan edit GPT Image. Mana yang akan digunakan adalah masalah bentuk data Anda saat ini, bukan pertukaran fungsional. Jika Anda membangun pipeline yang menghasilkan gambar, memeriksanya, lalu mengeditnya, jalur referensi JSON biasanya menghemat langkah upload yang berlebihan.

Pengeditan Multi-Gambar dengan gpt-image-2

Penambahan fungsional yang lebih besar adalah dukungan multi-gambar untuk gpt-image-2. Alih-alih mengedit satu gambar sumber, Anda sekarang dapat meneruskan beberapa gambar dalam satu permintaan edit dan membiarkan model menggunakannya bersama-sama, misalnya menggabungkan foto subjek dengan latar belakang referensi, atau menerapkan transfer gaya menggunakan gambar kedua sebagai panduan.

Karena pengeditan multi-gambar melakukan lebih banyak pekerjaan per permintaan, pengeditan ini juga merupakan kasus paling jelas untuk menggunakan mode async. Mengirim beberapa gambar dan kumpulan instruksi yang kompleks melalui panggilan sinkron berarti menjaga koneksi tetap terbuka selama waktu yang dibutuhkan model, yang tidak cocok untuk sebagian besar timeout klien dan konfigurasi load balancer. Mode async menghindari hal ini: Anda mengirimkan permintaan, mendapatkan referensi tugas kembali dengan segera, dan melakukan polling untuk hasilnya sesuai jadwal Anda sendiri.

Mode Async: Kapan dan Bagaimana Menggunakannya

Mode async bekerja dengan cara yang sama di seluruh bagian API TokenLab yang mendukungnya. Anda mengirimkan permintaan edit Anda dengan flag async diaktifkan, dan alih-alih menunggu gambar akhir, Anda mendapatkan pengenal tugas kembali dengan segera. Dari sana, Anda melakukan polling pada endpoint status sampai tugas melaporkan selesai, di mana respons tersebut akan menyertakan hasil Anda.

Gunakan mode async ketika:

• Anda mengirim beberapa gambar sumber dalam satu permintaan edit.
• Prompt atau instruksi Anda cukup kompleks sehingga waktu pembuatan tidak dapat diprediksi.
• Anda menjalankan pengeditan dalam pekerjaan latar belakang, antrean, atau proses batch alih-alih permintaan langsung yang menghadap pengguna.
• Anda ingin memisahkan siklus hidup permintaan klien Anda dari waktu pemrosesan aktual model.

Tetap gunakan mode sinkron ketika:

• Anda melakukan pengeditan satu gambar yang sederhana dengan prompt singkat.
• Aplikasi Anda sudah memiliki anggaran timeout yang singkat dan lebih memilih untuk gagal dengan cepat daripada melakukan polling.

Daftar Periksa Integrasi

Sebelum Anda beralih ke alur kerja pengeditan gpt-image-2, lakukan hal berikut:

• Konfirmasikan bahwa Anda menargetkan endpoint /images/edit dan menentukan model yang benar.
• Tentukan apakah gambar Anda lebih baik dikirim sebagai upload multipart atau referensi JSON, berdasarkan tempat penyimpanannya saat ini di pipeline Anda.
• Jika pengeditan Anda melibatkan lebih dari satu gambar sumber, aktifkan mode async alih-alih berasumsi akan mendapatkan respons sinkron.
• Terapkan loop polling dengan backoff yang wajar untuk tugas async alih-alih polling yang terlalu sering.
• Tangani status tugas yang tertunda (task-pending) secara eksplisit dalam kode klien Anda, berbeda dari status kesalahan atau keberhasilan akhir.
• Uji dengan jumlah gambar dan panjang prompt terbesar yang diharapkan sebelum mengirimkannya ke produksi.

Contoh Permintaan

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
  }'

Sesuaikan nilai referensi dan prompt agar sesuai dengan pipeline aktual Anda. Untuk upload multipart, ganti referensi gambar JSON dengan body formulir multipart standar sebagai gantinya.

FAQ

Apakah mode async mengubah kualitas output atau format pengeditan gpt-image-2? Tidak. Mode async hanya mengubah cara Anda mengambil hasil. Model memproses permintaan dengan cara yang sama; Anda hanya melakukan polling untuk gambar yang sudah selesai alih-alih menunggu koneksi terbuka.

Bisakah saya mencampur upload multipart dan referensi gambar JSON dalam permintaan yang sama? Endpoint dibangun untuk menerima satu gaya input per permintaan. Pilih mana yang cocok dengan tempat data gambar Anda saat ini berada, dan konversikan jika Anda perlu menggabungkan sumber dari kedua format.

Apakah saya perlu mengubah integrasi pengeditan satu gambar yang sudah ada? Tidak. Panggilan edit sinkron untuk satu gambar terus berfungsi persis seperti sebelumnya. Mode async dan dukungan multi-gambar adalah kemampuan tambahan yang Anda pilih saat Anda membutuhkannya.

Sumber dan Kebaruan

Pembaruan ini mencerminkan perilaku API TokenLab yang diamati per 2026-07-07. Untuk referensi endpoint saat ini, lihat dokumentasi API image edit dan panduan pembuatan gambar. Untuk perbandingan model yang lebih luas, lihat Best AI Image Models API 2026.

Memulai

Jika Anda sedang membangun fitur pengeditan gambar dan menginginkan satu permukaan API di seluruh GPT Image, Nano Banana Pro, dan model gambar lainnya, TokenLab memberi Anda satu titik integrasi dengan dukungan untuk alur kerja sinkron dan async. Periksa dokumentasi dan dapatkan API key untuk mulai menguji pengeditan gpt-image-2 hari ini.

Bacaan Terkait dan Langkah Selanjutnya

Jika Anda memutuskan bagaimana GPT Image Edit cocok dengan pipeline gambar Anda yang lebih luas, beberapa sumber daya dapat membantu. Mulailah dengan Panduan API Model Gambar AI Terbaik: Cara Memilih Model Pembuatan dan Pengeditan Gambar untuk perbandingan penyedia terkemuka dan kemampuan pengeditan mereka. Jika Anda menimbang penawaran OpenAI terhadap milik Google, GPT Image API vs Gemini Image API: Cara Memilih menguraikan kekuatan, struktur harga, dan kasus penggunaan untuk masing-masing. Dan jika Anda menginginkan opsi pengeditan yang cepat dan berbiaya rendah bersama GPT Image, Panduan API Nano Banana: Pembuatan dan Pengeditan Gambar Melalui TokenLab mencakup pengaturan dan contoh praktis.

Ketersediaan model, batas tarif, dan harga dapat berubah, jadi konfirmasikan detail saat ini sebelum meningkatkan alur kerja apa pun ke produksi volume tinggi.

Siap untuk mulai membangun? Buat API key dan uji GPT Image Edit bersama model lain yang didukung dalam hitungan menit.