СТАТТЯ

gpt-image-1 вимикається 23.10.2026: міграція bulk-каталогів у Bubble на gpt-image-2 через BIAIG

Віталій Дорошенко Опубліковано

Дедлайн OpenAI — 23.10.2026: після нього запити з model id gpt-image-1 падають на API. Чеклист для production bulk-каталогів у Bubble через BIAIG: шаблони промптів, aspect ratio, Batch/post-batch QA і що не чіпати в storage, щоб CSV-chunk job-и не зупинились.

Навіщо зараз

OpenAI фіксує вимкнення gpt-image-1 23.10.2026 (Deprecations). Після дати запити з цим model id мають падати на API; файли, уже збережені поза OpenAI, самі по собі від deprecation не зникають (Image prompting guide).

Для production bulk-каталогів у Bubble, де генерація йде чергами (CSV-chunk, async poll, batch), це не «оновити один параметр у тесті», а deadline-driven cutover оркестратора — у вашому стеку це BIAIG як шар між workflow і провайдерами. Публічної документації саме під назвою BIAIG Scout не знайшов; нижче — методологія з офіційних правил OpenAI + типових async-патернів gateway (на кшталт Buble GPT Image 2), без припущень про ваші внутрішні CSV-колонки, поки не знімете інвентаризацію. Поруч із цим: GPT Image 2.5: 250 IPM. Поруч із цим: BulkImagen async batches і nano-banana-2-1:. Поруч із цим: GPT Image 2.5 day-one в.

Рекомендовані заміни з таблиці deprecation: gpt-image-2.5-sunburst (якість) або gpt-image-2.5-flare (швидкість); паралельно в гайдах фігурує gpt-image-2. Уточніть у BIAIG, які id реально віддаються в production до масового перегенерування. Поруч із цим: GPT Image 2.5 day-one в. Схожий розбір: Fozzels (жовтень 2026): ліміти Image.

Що ламається одразу після 23.10.2026

Перевірте кожне місце, де зашитий gpt-image-1:

  • default model у BIAIG / backend workflow;
  • prompt-шаблони з полем model;
  • CSV-import мапінг «model column»;
  • retry-логіка, що повторює старий id після помилки.

Об’єкти в Bubble Storage / S3 / CDN з уже відомими URL не зобов’язані перегенеровуватись через shutdown — ломляться лише нові виклики API.

Параметри: не swap model id

GPT Image 1 (gpt-image-1) GPT Image 2 / 2.5
size: 1024x1024, 1024x1536, 1536x1024, auto auto або custom WIDTHxHEIGHT (сітка 16px, aspect 1:3…3:1, max edge 3840px)
опційний input_fidelity input_fidelity немає — high fidelity за замовчуванням implicit (Image prompting)

Якщо BIAIG або gateway (приклад публічного API: openai/gpt-image-2) приймає aspect_ratio (auto, 1:1, 16:9, …) і resolution (1K/2K/4K) замість сирих пікселів OpenAI — потрібна явна таблиця мапінгу з ваших legacy size на пару aspect+resolution, і перевірка downstream CSV (обкладинка, crop у email, пропорції в PDF).

GPT Image 2.5: окремі model id gpt-image-2.5-flare / gpt-image-2.5-sunburst, розширені tier quality включно з xhigh/max — це впливає на вартість, latency і критерії QA, не лише на назву моделі.

Чеклист міграції (Bubble + BIAIG)

1. Інвентаризація (1–2 дні роботи, не календарний термін)

  • Експорт усіх active prompt templates + reference images для edit chains.
  • Список job-ів: sync API vs OpenAI Batch (POST /v1/images/generations, POST /v1/images/edits — Batch API: ~50% дешевше, вікно до 24 год, часто швидше) vs async poll BIAIG (POST …/generations → poll до success/failed — патерн як у Buble API overview).
  • Де в CSV-chunk зберігається provider URL vs durable blob (Bubble image plugins часто попереджають про expiry URL) — це окремий ризик від migration. Поруч із цим: Imagen 3 GA знято: міграція.

2. Baseline і locked dimensions (OpenAI workflow)

З Image prompting guide:

  1. Зафіксуйте референсний набір промптів + reference для edits.
  2. Перший прогін — однакові dimensions/format для порівняння 1→2/2.5.
  3. Post-batch QA: текст на зображенні, identity/product, alpha transparency, багатокрокові edits.

2. Baseline і locked dimensions (OpenAI workflow)

У Bubble: окремий «migration QA» chunk CSV (10–50 рядків), не весь каталог.

3. Prompt-шаблони

  • Прибрати згадки input_fidelity; переписати інструкції, що покладались на «low/high fidelity» поведінку v1.
  • Перевірити text-in-image і brand colors — bulk regen може змінити вигляд каталогу навіть при тому ж тексті промпту (drift).
  • Versioning: поле prompt_template_version + model_id у chunk metadata, щоб rollback і partial regen були можливі.

4. Aspect ratio і layout-sensitive рядки

  • Мапінг: 1024x1024 → 1:1 + обрана resolution; 1024x1536 / 1536x1024 → 9:16 / 16:9 (перевірити на QA, не припускати 1:1 padding).
  • Рядки з strict crop у наступних кроках workflow — кандидати на обов’язкове перегенерування після зміни size policy.

5. Що перегенерувати vs що лишити в storage

Дія Коли
Лишити URL/blob Asset уже в durable storage; metadata в CSV узгоджена; немає edit chain «generation → edit v1»
Перегенерувати Відсутній файл, битий URL, текст на зображенні критичний, PNG alpha, product geometry для compliance, ланцюжок edits на v1
Re-QA без regen Тільки змінився model у workflow, але pixel output для SKU не критичний — рішення продуктове, не технічне

5. Що перегенерувати vs що лишити в storage

Не зупиняйте job-и: введіть pending_migration status у chunk row замість hard fail, якщо model ще не перемкнуто в staging.

6. CSV-chunk continuity (без публічної специфікації)

Scout не знайшов публічного опису вашого CSV-chunk формату — тому мінімальний контракт:

  • Chunk ідempotent: повторний run з тим саме chunk_id не дублює upload.
  • Стани: queued → provider_pending → stored → qa_pass|qa_fail.
  • Після cutover: старі рядки з model=gpt-image-1 не потрапляють у retry без оновлення mapper.

Якщо зараз chunk очікує sync completion, а шлях migration — Batch або gateway poll — додайте backpressure і timeout, інакше deadlock (risk: async latency).

7. Throughput

  • gpt-image-2 має tier IPM (напр. Tier 1: 5 images/min у model doc) — peak bulk може stall або retry-storm.
  • Batch — окремий rate-limit pool; знижка ~50% vs sync (Batch API).
  • Перевірте Organization Verification для GPT Image (Image generation guide) до планового піку.

8. Rollout

  1. Staging: BIAIG → gpt-image-2 або 2.5 id з QA chunk.
  2. Production: canary % рядків каталогу або окремий «new SKUs only» pipeline.
  3. Cutover date до 23.10.2026 з моніторингом failed API по model id.

Відкриті питання (зніміть до cutover)

  • BIAIG у вас: internal plugin, gateway, direct OpenAI, hybrid — де catalog model versioning?
  • Ціль: лише gpt-image-2 (як у Buble docs) чи офіційні 2.5 flare/sunburst, і чи є 2.5 в BIAIG сьогодні?
  • «Batch discount» — OpenAI Batch API чи внутрішні credits BIAIG (Pricing vs per-image credits gateway)?

Джерела

OpenAI: Deprecations, Image prompting, Batch API, GPT-Image-2, Image generation, Pricing. Async/storage контекст: Buble, Bubble plugin pattern. Cross-check: OpenAI community deprecation thread.

Схожі статті

← Усі статті