Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Styr kvalitet, stil och upplösning

Lektion 4 av 12 Uppdaterad 2 november 2026 Utvecklare
På denna sida
  1. Styr kvalitet, stil och upplösning
  2. Kvalitetsnivåer
  3. Tillgängliga upplösningar
  4. Styr stil via din prompt
  5. Hjälpfunktion för generering
  6. Välj rätt kombination

Uppdaterad 2 november 2026 — Bildmodeller. gpt-image-1, modellen som denna kurs ursprungligen skrevs för, avvecklades den 23 oktober 2026. Dessutom kommer gpt-image-1.5, gpt-image-1-mini och chatgpt-image-latest att tas ur bruk den 1 december 2026. Exemplen använder nu gpt-image-2.5-sunburst, som erbjuder högsta precision för redigering; gpt-image-2.5-flare är snabbare för standardgenerering. Båda modellerna stöder nu kvalitetsnivåerna xhigh och max. GPT Image-modeller returnerar alltid bilder i base64-format: parametern response_format som användes av äldre DALL·E-modeller accepteras inte längre och har tagits bort från koden. Källa: Image generation (OpenAI).

Styr kvalitet, stil och upplösning

GPT Image erbjuder flera reglage för att justera ditt resultat, men de fungerar inte alla på samma sätt. Kvalitet och upplösning är explicita API-parametrar som påverkar kostnad och genereringstid. Stil styrs dock helt och hållet via din prompt. Att förstå denna skillnad hindrar dig från att leta efter alternativ som inte finns och hjälper dig att optimera förhållandet mellan kvalitet och kostnad för varje generering.

Kvalitetsnivåer

Parametern quality påverkar direkt detaljnivån och genereringstiden. Det bästa sättet att se skillnaden är att testa den på ett krävande motiv – som ett stilleben med Rembrandtbelysning, där gradienter och texturer är avgörande – snarare än på en platt grafik där skillnaderna skulle vara osynliga.

import base64
from openai import OpenAI

client = OpenAI()

qualities = ["low", "medium", "high"]

for q in qualities:
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Still life with exotic fruits on a marble table, Rembrandt lighting",
        size="1024x1024",
        quality=q
    )
    with open(f"quality_{q}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Quality {q}: quality_{q}.png")
KvalitetDetaljerTidKostnadRekommenderad användning
lowGrundläggandeSnabbtEkonomisktUtkast, tester, prototyper
mediumBraMåttligtMellanSociala medier, presentationer
highMaximaltLångsammarePremiumTryck, reklam, portfolior

Tillgängliga upplösningar

Tre bildformat är tillgängliga, var och ett skräddarsytt för specifika användningsområden: kvadratiskt 1024×1024 för sociala medier och avatarer, porträtt 1024×1536 för stories, affischer och mobilskärmar, samt landskap 1536×1024 för banners, sidhuvuden och presentationer. Generera alltid direkt i ditt målfORMAT. Att beskära efteråt slösar pixlar du har betalt för och stör den komposition som modellen byggde för just den ramen.

import base64
from openai import OpenAI

client = OpenAI()

resolutions = {
    "1024x1024": "Square — ideal for social media and avatars",
    "1024x1536": "Portrait — stories, posters, mobile",
    "1536x1024": "Landscape — banners, headers, presentations",
}

for size, description in resolutions.items():
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt="Panoramic view of a futuristic city at dusk, neon lights and skyscrapers",
        size=size,
        quality="medium"
    )
    with open(f"city_{size}.png", "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{size} ({description}) → city_{size}.png")

Styr stil via din prompt

Stil är ingen explicit API-parameter; du styr den helt genom din prompt. Den mest tillförlitliga tekniken är att specificera ett precist medium med dess egen vokabulär. “Professional photography, Nikon D850, f/2.8” begär inte bara ett foto – det kräver specifikt skärpedjup och optisk återgivning. “Retro 16-bit pixel art, limited palette” påtvingar en upplösningsbegränsning som modellen kommer att respektera. Slingan nedan applicerar fem olika medium på samma motiv, vilket gör skillnaderna omedelbart synliga.

import base64
mediums = [
    "professional photography, Nikon D850, f/2.8",
    "oil painting on canvas, impressionist style",
    "flat design vector illustration, pastel colors",
    "architectural technical drawing, cross-section view",
    "retro 16-bit pixel art, limited palette",
]

for medium in mediums:
    prompt = f"A typical Parisian café with outdoor seating, {medium}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1024",
        quality="medium"
    )
    filename = f"cafe_{mediums.index(medium) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"{medium[:40]}... → {filename}")

Belysning är ditt andra reglage, och ofta det mest kraftfulla: det kan radikalt transformera samma scen. Ett porträtt av en keramikhantverkare i hennes verkstad blir en sober dokumentärbild under trepunktsstudiebelysning, en reklam bild i gyllene timmens ljus, eller en filmaffisch i Caravaggio-inspirerad chiaroscuro. Motivet har inte ändrat ett ord; bara atmosfären har skiftat.

import base64
lightings = [
    "three-point studio lighting, neutral white background",
    "natural golden hour light",
    "cyberpunk neon lighting, pink and blue",
    "dramatic Caravaggio-style chiaroscuro",
    "diffuse rainy day light, gray tones",
]

for lighting in lightings:
    prompt = f"Portrait of a ceramic artisan in her workshop, {lighting}"
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        size="1024x1536",
        quality="high"
    )
    filename = f"artisan_{lightings.index(lighting) + 1}.png"
    with open(filename, "wb") as f:
        f.write(base64.b64decode(response.data[0].b64_json))
    print(f"Lighting: {lighting} → {filename}")

Hjälpfunktion för generering

Att upprepa samma sex rader för varje anrop blir snabbt tröttsamt och felbenäget. Kapsla in dina standardpreferenser i en återanvändbar funktion som också hanterar lagring på disk och filsuffix när du begär flera bilder.

from openai import OpenAI
import base64
from pathlib import Path

client = OpenAI()

def generate_image(
    prompt: str,
    output_path: str,
    size: str = "1024x1024",
    quality: str = "medium",
    n: int = 1
) -> list[str]:
    """
    Generates one or more images and saves them locally.
    Returns a list of created file paths.
    """
    response = client.images.generate(
        model="gpt-image-2.5-sunburst",
        prompt=prompt,
        n=n,
        size=size,
        quality=quality,
    )

    paths = []
    for i, image in enumerate(response.data):
        if n > 1:
            path = Path(output_path).stem + f"_{i+1}" + Path(output_path).suffix
        else:
            path = output_path

        data = base64.b64decode(image.b64_json)
        with open(path, "wb") as f:
            f.write(data)
        paths.append(path)
        print(f"Saved: {path}")

    return paths


# Usage
generate_image(
    prompt="Premium packaging for matcha tea, minimalist Japanese design",
    output_path="matcha_packaging.png",
    size="1024x1024",
    quality="high"
)

Välj rätt kombination

Du bestämmer båda parametrarna tillsammans, baserat på ditt målmedium. Tabellen nedan sammanfattar de vanligaste scenarierna.

KontextUpplösningKvalitet
Snabb prototypning1024×1024low
Inlägg på Instagram / LinkedIn1024×1024medium
Vertikal story / Reel1024×1536medium
Webb-banner / sidhuvud1536×1024medium
A3+ tryckt affisch1024×1536high
Kreativ portfolio / bok1024×1024high
Batch-testning av prompts1024×1024low

I produktion ska du inte manuellt kopiera denna tabell till varje skript. Översätt den till konfigurationslogik och låt din kod välja baserat på den deklarerade kontexten. Du får en enda sanningskälla, och om du senare bestämmer att dina sociala inlägg ska använda high-kvalitet räcker det med en enda rad ändring.

def generate_for_context(prompt: str, context: str, output: str):
    """Automatically adapts quality and resolution to the context."""
    configs = {
        "prototype": {"size": "1024x1024", "quality": "low"},
        "social_media": {"size": "1024x1024", "quality": "medium"},
        "story": {"size": "1024x1536", "quality": "medium"},
        "banner": {"size": "1536x1024", "quality": "medium"},
        "print": {"size": "1024x1536", "quality": "high"},
    }

    config = configs.get(context, configs["social_media"])

    return generate_image(
        prompt=prompt,
        output_path=output,
        **config
    )


# Generate the same image for different media
generate_for_context(
    "Corsen AI logo on dark background, premium tech style",
    "social_media",
    "logo_social.png"
)

För att bygga din egen uppfattning om dessa inställningar, generera hela matrisen själv: skriv ett skript som tar en enda prompt och producerar alla nio kombinationer av kvalitet × upplösning, sparar varje fil med ett explicit namn som image_low_1024x1024.png, och visar en sammanfattande tabell. Du kommer snart att med blotta ögat veta när medium räcker.