GPT Image 2 Thinking Mode: guia de raciocínio + web search

Um modelo de imagem que pensa antes de desenhar

gpt-image-2 — a marca de consumo é ChatGPT Images 2.0, lançada em 21 de abril de 2026 — é o primeiro modelo de imagem da OpenAI com raciocínio nativo. Antes de renderizar qualquer coisa, ele executa uma cadeia de pensamento: planeja a composição, verifica as relações espaciais entre objetos, valida que qualquer texto na imagem será grafado corretamente e se autocorrige antes de se comprometer com os pixels. O retorno prático é uma taxa de falha menor na primeira tentativa e menos daquela sensação de "dá pra ver na hora que é IA" que assolava os modelos anteriores.

O detalhe que a maioria dos usuários não nota é que este é um recurso de dois níveis. Usuários gratuitos do ChatGPT recebem o modo Instant — rápido, sem passagem de raciocínio. O thinking mode, com a etapa de planejamento e a ancoragem por web search, é reservado aos assinantes Plus, Pro e Business. Se os seus resultados não se parecem em nada com as demos de lançamento, verifique em qual nível você está realmente gerando antes de culpar o seu prompt.

Como acionar o Thinking Mode

Há duas portas de entrada. A explícita é o botão de raciocínio no ChatGPT: ative-o e toda solicitação de imagem passa pela etapa de planejamento. A via no nível do prompt é o fraseado — adicionar uma linha como "think through this carefully" a uma solicitação de imagem empurra o modelo pelo caminho do raciocínio. A frase não custa nada, então em qualquer prompt que importe, inclua-a.

O modo realmente muda a saída? Nos testes práticos do The Decoder, a versão Thinking produziu detalhes visivelmente melhores em prompts exigentes como "DSLR-quality photorealistic portrait" do que o mesmo prompt rodado no Instant. Em prompts fáceis a diferença diminui; nos difíceis é a diferença entre uma tomada utilizável e três novas tentativas.

Think through this carefully before generating: a DSLR-quality photorealistic portrait of a ceramicist in her studio, soft window light from the left, shallow depth of field, hands dusted with dried clay, honest skin texture — no beauty-filter smoothing.

Quais prompts se beneficiam de forma mensurável

O raciocínio é uma sobrecarga, e a sobrecarga só compensa onde o planejamento importa. Três famílias de prompts se beneficiam de forma mensurável:

• Imagens carregadas de texto — pôsteres, rótulos, mockups de UI. O modelo valida a ortografia e o layout durante a passagem de raciocínio em vez de descobrir tipografia ininteligível depois de renderizar.
• Cenas espacialmente complexas — muitos objetos com relações definidas, em que modelos anteriores descartavam ou fundiam elementos em silêncio.
• Sequências de múltiplos quadros — qualquer coisa que precise do mesmo personagem, iluminação e estilo ao longo de várias imagens (mais abaixo).

Os números da comunidade confirmam isso. O teste estilo "Onde está Wally?" de Simon Willison — "where is the raccoon holding a ham radio" — passou na resolução máxima de 3840x2160 (relatados cerca de US$ 0,40 por imagem e 13.342 tokens de saída) onde os modelos antecessores falhavam; seu veredito foi que ele "takes the crown from Gemini, at least for the moment" (toma a coroa do Gemini, ao menos por enquanto). O benchmark comunitário GenAI Showdown pontuou o gpt-image-2 em 12/15 em prompts de aderência estrita, superando os líderes anteriores. A própria OpenAI afirma que ele lidera todos os rankings da Image Arena, com uma vantagem de +242 pontos em Text-to-Image que descreve como a maior na história desse ranking — uma afirmação do fornecedor, mas direcionalmente consistente com os resultados independentes.

Uma ressalva honesta da thread de lançamento no Hacker News: no teste de grade 8x8 de Pokémon de um usuário com regras de estilo condicional, o GPT Image 2 venceu na qualidade visual, mas o Nano Banana Pro seguiu melhor a lógica condicional. Se o seu prompt é essencialmente um livro de regras — "every third cell in grayscale, water types get a blue border" —, teste ambos antes de comprometer um pipeline com qualquer um deles.

Geração ancorada por web search

O maior desbloqueio dentro do Thinking Mode é a recuperação. Durante sua passagem de raciocínio, o modelo pode fazer uma web search em tempo real por referências visuais, de modo que pode mirar em estilos atualmente em tendência ou em fatos recentes do mundo real em vez de aproximá-los a partir de dados de treinamento congelados meses antes. É a primeira vez que a recuperação no estilo RAG entra em um pipeline de geração de imagens — em paralelo à abordagem do Google com o Nano Banana Pro — e o The Decoder chama isso de um avanço que poderia reformular fundamentalmente a geração gráfica. Como o próprio raciocínio, isso é restrito aos assinantes pagos.

Escrever um prompt ancorado significa fixá-lo a algo que o modelo deveria procurar em vez de imaginar. O padrão: nomeie uma referência visual atual e observável e, em seguida, descreva o seu sujeito.

• "A product shot in the style currently trending on Instagram for skincare brands" — o modelo busca primeiro e depois gera.
• "A UI mockup that matches the visual language of modern fintech apps" — ancorado na aparência que esses apps realmente têm agora.

Gestos vagos ("a modern-looking website") não acionam uma recuperação útil; uma referência verificável ("currently trending", "this season's campaign look") aciona.

Consistência de múltiplos quadros: até 8 imagens por prompt

O Thinking Mode pode gerar até 8 imagens a partir de um único prompt mantendo o personagem, os objetos, a iluminação e o estilo consistentes entre os quadros. É aqui que a passagem de raciocínio justifica o seu custo da forma mais visível: o modelo planeja a sequência inteira antes de renderizar o primeiro quadro, em vez de tratar cada painel como uma jogada de dados independente.

Generate an 8-panel manga sequence of the same silver-haired detective walking through a rainy Tokyo street at night. Keep the character design, trench coat, facial features and umbrella identical in every panel. Maintain the same neon-reflection lighting and ink-wash style across all 8 frames. Panel flow: wide establishing shot, medium follow, close-up on the eyes, reflection in a puddle, turning into an alley, noticing a clue, picking it up, final wide shot from behind.

Enuncie o requisito de consistência de forma explícita — "keeping the character design, outfit and lighting consistent across all panels" — em vez de presumir que o modelo o infere. A passagem de raciocínio o trata como uma restrição a verificar, que é exatamente o que você quer.

Instant ou Thinking: uma regra de decisão simples

O Instant serve bem para moodboards, conceitos descartáveis e imagens de sujeito único sem texto. Mude para o Thinking — ou formule o seu prompt para acioná-lo — no momento em que a sua imagem contiver palavras, mais de três ou quatro objetos com relações definidas, ou qualquer exigência de consistência entre quadros. Essa é a linha em que a passagem de planejamento deixa de ser sobrecarga e passa a ser o produto.

Se você quer sentir a diferença antes de assinar, o GPT Image 2 é grátis para começar — você ganha 20 créditos ao se cadastrar, sem cartão de crédito. Cole um dos prompts acima, ou rode o seu próprio teste de pôster carregado de texto, em https://gpt-img2.com.