Copilot і GPT Image 2.5 Flare (public preview): де зупинити UI, а bulk-каталог у Bubble вести через BIAIG

Чому це в digest зараз

28.10.2026 GitHub оголосив генерацію та редагування зображень у GitHub Copilot (VS Code, Copilot app, Copilot CLI) у public preview для платних планів Copilot (Pro, Pro+, Business, Enterprise; не Free/Student). Запити йдуть через окремий image tool на базі GPT Image 2.5 Flare: inline preview і збереження файлу в workspace. Білінг — окремо від chat-моделі, через text/image tokens і GitHub AI credits (умови preview можуть змінитися).

Я одразу відокремлюю це від сценаріїв після інциденту 14.10 (failover bulk-каталогу через API) і від того, що фаундери часто називають «production catalog». Швидкий preview в IDE ≠ масова генерація в Bubble.

Три канали — одна сім’я моделей

Канал	Роль	Статус (за публічними джерелами)
GitHub Copilot	Розмова → одне зображення в проєкті	Flare, public preview
OpenAI Image API / Batch	Програмний bulk, gpt-image-2.5-flare / sunburst	API + Batch (/v1/images/generations, /v1/images/edits; до 50k запитів, вікно 24 год; знижка на image output у Batch vs sync — за документацією OpenAI)
Azure Foundry	REST POST .../openai/v1/images/generations для Flare	У каталозі — GA (інший lifecycle, ніж Copilot preview)

OpenAI з 08.09.2026 позиціонує Flare для швидкості та high-volume, Sunburst — для точнішого редагування. Copilot у reviewed docs називає лише Flare; вибору Sunburst у Copilot не зафіксовано.

Bubble: офіційна інtegrація — API Connector → OpenAI, не GitHub Copilot image generation (Bubble Docs: OpenAI). З документації для мене випливає просте: bulk-каталог будуєте API-ключами та workflows у Bubble, а не через Copilot chat/CLI. Про це окремо: Batch Banana: FLUX 3 Image.

Межа продукту: де Copilot доречний

Copilot доречний, коли:

• один SKU, один hero/asset, швидка ітерація в чаті;
• людина в циклі (prompt → preview → правка → save to workspace);
• не потрібен повторюваний pipeline на сотні/тисячі позицій каталогу.

Copilot не доречний як control plane для каталогу, бо:

• pooled AI credits і fair-use rate limits організації — без batch-семантики з Copilot docs;
• org може вимкнути image model через Copilot model policies;
• preview subject to change (поведінка, ціни, доступність);
• немає офіційного шляху «Bubble backend → Copilot» для nightly catalog jobs.

Я не змішую Azure GA Flare або OpenAI Batch economics з тим, що Copilot preview «вже production» для всього каталогу.

Bulk-каталог у Bubble: API Connector + BIAIG

У ваших brief уже описані маршрути Flare/Sunburst і high-volume async patterns. BIAIG тут — внутрішній шар (gateway/orchestration між Bubble і Image API); у публічних джерелах з Scout packet окремого продукту «BIAIG» не знайдено. Нижче — методологія, узгоджена з тими brief і з OpenAI/Bubble docs.

1. Синхрон vs Batch

• Sync (/v1/images/generations) — один товар, терміново, мало паралельних запитів.
• Batch — каталог, де допустима latency до ~24 год; JSONL, chunking (наприклад, пакети по N SKU), polling статусу, розбір output file. Для Flare/Sunburst Batch явно підтриманий.

Режим	Для чого	Не для
Sync (/v1/images/generations)	Один товар, терміново, мало паралельних запитів	Каталог, допустима latency до ~24 год, JSONL/chunking/polling/output file
Batch	Каталог; latency до ~24 год допустима; JSONL, chunking (напр. пакети по N SKU), polling статусу, розбір output file; Flare/Sunburst Batch підтриманий	Один товар, терміново, мало паралельних запитів

2. Публічні URL

Згенеровані URL від провайдера часто короткоживучі. Для каталогу в Bubble: після генерації — завантажити в Bubble file storage/CDN і в Product зберігати стабільний публічний URL (як у ваших latency/bulk brief). Точні параметри response_format і TTL — звіряйте з актуальним API reference (open question у редакції).

3. Chunking і backoff

• Черга jobs у Bubble (або зовнішній worker, якщо так у BIAIG): idempotency key на SKU.
• Failover Flare ↔ Sunburst або OpenAI ↔ Azure — політика з brief 14.10; публічні docs підтримують обидва API-маршрути, але не вашу конкретну failover-матрицю.

4. API Connector

• Окремі calls або shared workflow для generations vs edits (Sunburst, якщо потрібен precision edit).
• Секрети — не на client-side; backend workflows + privacy rules на типах з image URL.

5. Governance і metadata

Copilot документує C2PA і опційні watermarks. У API-pipeline закладіть обробку metadata/safety identifiers, якщо це вимога org — не припускайте, що bulk автоматично повторює Copilot UX.

Практичний workflow для команди

1. Прототип hero для одного SKU — Copilot (Flare preview), якщо план і політики org дозволяють.
2. Freeze prompt template + brand constraints (текстом, не «магія в чаті»).
3. Production — Bubble → BIAIG → OpenAI Batch (або Azure) → persist files → оновлення Things.
4. Моніторинг — credits/limits на API-ключах, не на Copilot pool. Поруч із цим: OpenAI Images API: до 10.

Відкриті питання (не вигадуємо відповіді)

• Чи «Copilot» у digest завжди означає лише GitHub Copilot (Oct 2026 docs — GitHub-specific).
• Окремі квоти саме на Copilot image generation beyond AI credits — у reviewed docs не знайдено.
• Стандарт failover OpenAI vs Azure для вашого каталогу — внутрішня політика.

Джерела

• GitHub Changelog, 2026-10-28
• About image generation in GitHub Copilot
• Copilot models and pricing
• Introducing ChatGPT Images 2.5 (OpenAI)
• OpenAI Image generation guide
• OpenAI Batch API
• gpt-image-2.5-flare — Azure catalog
• Bubble — OpenAI via API Connector

Стаття для внутрішньої редакції; зовнішньо не публікується.