Python 最小生图示例
示例未进行付费调用。运行需要可用的开发项目、密钥与模型权限。先用默认参数跑通流程，再设置符合当前模型文档的尺寸与质量。
# 本地或服务端运行：安装 openai 并配置 OPENAI_API_KEY
import base64
from pathlib import Path
from openai import OpenAI
client = OpenAI()
result = client.images.generate(
model="gpt-image-2.5-sunburst",
prompt="暖白摄影棚中的绿色陶瓷杯，柔和阴影，左侧留白，不含文字",
)
Path("product.png").write_bytes(base64.b64decode(result.data[0].b64_json))
print(result.usage)
保留真实 usage 统计费用；密钥不能放进访客浏览器或网页源码。
从最小请求开始
安装官方 OpenAI Python SDK，在服务端配置 OPENAI_API_KEY，再用一个短提示词跑通生成和图片保存。不要把密钥写进前端 JavaScript、网页源码或公开仓库。示例应在你自己的后端或本地开发环境运行；让应用后端负责鉴权、调用和保存结果，再把图片交给使用者。
把模型参数与业务任务分开
为业务保存 task_id、模型标识、提示词版本、输入图片、质量、尺寸和输出位置。用户说“重新生成”时要知道是原参数重试，还是一条新的编辑任务。保留任务记录，才能比较不同模型的通过率，也能避免因为前端刷新反复计费。
GPT Image 2.5 怎么算钱
目前两个 2.5 模型的标准价格均按 token 计算：每百万文本输入 token 为 5 美元，图像输入为 8 美元，图像输出为 30 美元；缓存输入另有价格。一次费用需要把输入与输出合计，不能把“30 美元”误读为每张图片费用。假设一次返回 2,000 个图像输出 token，仅输出部分就是 0.06 美元，这只是算式示例，不是固定单张报价。
把失败处理放进第一版
鉴权失败先检查密钥和项目配置；参数错误先检查当前模型支持的尺寸与质量；遇到限流按服务端反馈退避，不要无限并发重试。网络超时不一定代表服务端没有执行，先核对已有任务记录。为每个用户设置应用层预算与队列，并记录真实 usage；不要只依赖一个不会终止请求的界面预算提示。
上线前测量真正的成本
选择与你的业务接近的任务，分别记录成功调用数和最终合格图片数。单张合格成本应包括失败尝试、重做、存储和人工审核。若使用 Responses API，还需计入主模型的用量。先在小流量下验证排队时间与回调流程，再提升并发。
