Salsomaggiore Terme (Tecnologia) -
10/09/2026 - GPT Images 2.5 porta sketch editing preciso e coerenza multi turno
GPT Images 2.5 e appena arrivato e cambia il modo in cui generiamo e modifichiamo le immagini dentro ChatGPT. Rispetto a GPT Images 2 offre dettagli più netti, tempi di generazione più rapidi e soprattutto un editing molto più preciso. Tra le novità ci sono un’esperienza di modifica aggiornata che permette di segnare, commentare, rimuovere lo sfondo, cancellare parti e ridimensionare, oltre alla possibilità di condividere immagini o template di prompt. In questo articolo esploriamo le principali novità partendo dalle prove pratiche mostrate nel video: dalla nuova funzione sketch che trasforma un disegno grezzo in un layout dettagliato, fino alla coerenza multi-turno che mantiene oggetti e volti stabili attraverso successive modifiche. Vedremo anche come il modello gestisce foto di riferimento per trasformare soggetti in nuovi contesti mantenendo identità e dettagli, e come i template permettono di passare da concept di prodotto a mockup di sito web e persino a codice HTML. Tutto questo con tempi di generazione che spesso si aggirano intorno al minuto e mezzo, anche se operazioni più complesse possono richiedere di più. L’obiettivo e capire dove GPT Images 2.5 migliora davvero rispetto alla versione precedente e quali workflow diventano ora più affidabili, specialmente per chi lavora con thumbnail, concept di studio o materiali marketing.
La prima novità che colpisce e la funzione sketch. Si attiva dal pulsante più, si sceglie sketch e si apre un canvas su cui disegnare con il mouse. Nel video viene testata proprio questa modalità per modellare un possibile aggiornamento dello studio YouTube. Si parte da un quadrato bianco che rappresenta lo spazio pavimento della stanza, poi si aggiunge un rettangolo verde per la scrivania, cerchi gialli per indicare le posizioni delle telecamere, un rettangolo viola per la sedia principale e un altro elemento nell’angolo per una seduta secondaria. Il disegno e grezzo, fatto in pochi secondi, con forme semplici e colori diversi per distinguere gli oggetti.
Una volta terminato lo sketch si descrive in linguaggio naturale cosa rappresenta ogni elemento: vista aerea della camera da letto convertita in studio, scrivania con due monitor, posizioni delle telecamere, posto dove si siede chi registra e la seduta d’angolo. Si invia e la generazione parte. Il progresso sale di circa un punto percentuale al secondo, quindi in poco più di un minuto e mezzo l’immagine e pronta. Il risultato e un layout tridimensionale coerente con lo sketch: la scrivania e al posto giusto, i monitor sono visibili, le telecamere risultano posizionate dove indicato e anche la seduta d’angolo e presente. Ci sono dettagli aggiuntivi che il modello ha inserito in autonomia, come piante e cartelli, ma la struttura richiesta e rispettata.
Si nota subito che alcuni cartelli risultano ruotati in modo strano, ma nel complesso la composizione mantiene le proporzioni e le relazioni spaziali disegnate. A questo punto si entra in modalità di modifica per zoomare e osservare i particolari: tastiera, mouse, forma delle telecamere e disposizione degli elementi risultano leggibili e ordinati. La velocita di generazione e un punto importante: anche se non e istantanea, un minuto e mezzo per passare da un disegno grezzo a un layout utilizzabile e un salto rispetto a cicli più lunghi della versione precedente. La funzione sketch si dimostra utile proprio perchè permette di comunicare l’intenzione spaziale senza dover descrivere tutto a parole. Si disegna la struttura base, si aggiunge una descrizione sintetica e si ottiene una base da cui partire per ulteriori interventi. Nel caso dello studio YouTube questo approccio consente di visualizzare rapidamente diverse disposizioni di telecamere, scrivania e posti a sedere prima di passare a versioni più rifinite. La combinazione di disegno e testo rende il processo più intuitivo, specialmente quando si ha già un’idea chiara della disposizione ma si vuole vedere come il modello la interpreta e la arricchisce con dettagli realistici.
Dopo la prima generazione si entra nel vero punto di forza dichiarato: l’editing preciso e la coerenza attraverso più turni di modifica. Nel video vengono fatte diverse prove successive sulla stessa immagine dello studio. Prima si cerchia un’area dietro una telecamera e si chiede di aggiungere una pianta alta tipo monsterà. L’immagine viene aggiornata in circa un minuto e cinquanta secondi. Confrontando la versione precedente e quella nuova si nota che la pianta e stata inserita correttamente, mentre tutto il resto della scena rimane praticamente identico. L’unica differenza percepibile e un leggero cambiamento di illuminazione: la seconda immagine risulta un po’ più scura o con contrasti più profondi.
Si passa poi alla funzione erase. Si seleziona un cartello sulla parete e si chiede di rimuoverlo. Anche in questo caso il tempo di elaborazione e simile a quello della generazione iniziale. Il cartello scompare completamente e, di nuovo, il resto della composizione resta stabile. Confrontando le versioni successive si conferma che gli oggetti non modificati mantengono posizione, forma e dettagli con una fedeltà molto alta, intorno al 99 percento secondo le osservazioni del video. Solo la luce e i contrasti variano leggermente.
L’ultima prova di questa serie riguarda il tappeto. Si chiede di sostituirlo con uno di quelli tipici per bambini, con strade e citta disegnate per giocare con le macchinine. Il risultato e esattamente il tipo di tappeto richiesto. Confrontando tutte le versioni si vede che scrivania, sedie, telecamere e pianta restano nelle stesse posizioni relative. Le foglie della pianta diventano un po’ più scure nelle versioni successive, ma la struttura generale non si deforma. Questo comportamento e presentato come un netto miglioramento rispetto a GPT Images 2, dove dopo tre o quattro generazioni successive i soggetti, specialmente i volti, tendevano a distorcersi fino a diventare irriconoscibili.
Nel video viene sottolineato che l’editing multi-turno e un’operazione comune: si genera un’immagine, si fanno ritocchi, si aggiungono o si tolgono elementi e si continua finche il risultato non e soddisfacente. Con la versione precedente questo processo rischiava di degradare progressivamente la coerenza. Con GPT Images 2.5 invece le parti non toccate restano stabili e solo le zone modificate cambiano in modo controllato. Anche quando si fanno interventi piu impegnativi, come cambiare completamente un elemento di arredo, il modello riesce a mantenere l’allineamento generale della scena. Questo rende il flusso di lavoro piu prevedibile e riduce la necessita di ricominciare da zero ogni volta che si vuole correggere un dettaglio. La coerenza non e ancora perfetta al cento per cento, ma il salto qualitativo rispetto a prima e evidente e rende l’editing iterativo finalmente utilizzabile in modo pratico.
Un altro punto su cui GPT Images 2.5 mostra progressi netti e la capacita di lavorare a partire da foto di riferimento per trasformare soggetti familiari in nuovi contesti, stili e composizioni mantenendo riconoscibile l’identità. Nel video vengono mostrati diversi esempi ufficiali e poi riprodotti in pratica. Uno dei casi più chiari e quello di un bambino e di un cane: a sinistra l’immagine originale, a destra la versione generata in cui il cane indossa un costume da astronauta o stuntman. Il volto del bambino, le proporzioni, le ombre e persino le zampe del cane restano estremamente fedeli. Solo la texture del pelo risulta un po’ più pulita e meno granulosa nella versione generata, ma l’identità complessiva e preservata in modo impressionante.
Un altro esempio riguarda una foto composita stile party anni passati. Si caricano tre foto separate di attori comici (Will Ferrell, Andrzej Grabowski e Eddie Izzard) e una foto di riferimento del tipo di composizione desiderata. Si chiede di mettere le tre persone insieme in un’immagine old-timey stampata su carta fotografica lucida, come se stessero festeggiando. Il risultato e molto vicino all’esempio mostrato: le tre figure sono abbracciate, il tono rosato tipico delle vecchie foto e presente, e anche elementi di sfondo della foto di riferimento vengono riutilizzati in modo coerente. Si decide poi di fare modifiche successive: prima si chiedono i bicchieri rossi il 25 percento più grandi, poi si aggiunge uno skateboard appeso in orizzontale sulla parete in modo da vedere le ruote, infine si chiede di aggiungere una stampa a caldo di una fragola sulla maglietta della persona al centro, rispettando le pieghe del tessuto.
Confrontando le versioni successive si nota che le zone non modificate restano stabili, mentre le aree toccate cambiano. A volte l’intera inquadratura si sposta leggermente o i colori diventano un po’ più scuri, e in un caso i bicchieri sembrano continuare a crescere oltre la richiesta iniziale. Tuttavia la riconoscibilità dei volti e delle pose principali si mantiene. Nel video viene confrontato questo comportamento con quanto succedeva con GPT Images 2, dove dopo poche iterazioni i volti diventavano di fatto di un’altra persona e gli oggetti statici (come un blocco geometrico) tendevano a spostarsi sull’asse. Con 2.5 lo scostamento e molto più contenuto. Anche negli esempi ufficiali di persone inserite in contesti diversi con abiti e illuminazioni cambiate, il soggetto sembra ’incollato’ in modo professionale su ogni nuovo sfondo.
Questa stabilita e particolarmente utile per chi crea thumbnail YouTube o materiali in cui la riconoscibilità del volto o del prodotto e fondamentale. Non si arriva ancora alla perfezione assoluta: qualche micro-spostamento e qualche variazione di luce restano, ma il livello di coerenza e sufficiente per lavorare in modo iterativo senza perdere il soggetto originale. Il modello sembra quindi aver fatto un passo avanti concreto nella capacita di mantenere l’identità attraverso trasformazioni e successive correzioni.
L’ultima parte del video esplora i template e un flusso completo che va dal concept di prodotto al mockup di sito web fino a una pagina HTML funzionante. Si sceglie il template di mockup website e prima di usarlo si chiede a GPT Images 2.5 di creare un prodotto fittizio: una bottiglia d’acqua chiamata Bart’s Water, con colori salubri arancione e verde, diverse angolazioni, close-up del logo e del tappo, in pratica una scheda prodotto pronta per un designer. Dopo circa un minuto e quarantadue secondi arriva una scheda completa: bottiglia slanciata da 710 ml, tappo con montagne, indicazioni BPA free, materiali riciclati al 50 percento, pH bilanciato e minerali aggiunti. Il risultato e coeso e presentabile.
Si scarica l’immagine e si apre una nuova conversazione con il template website. Si carica la scheda prodotto e si chiede di generare un sito di esempio senza rispondere a troppe domande preliminari. Dopo poco più di quattro minuti arriva un mockup completo: hero section con il brand, slogan ’Hydrate happier’, layout ordinato, icone e sezioni. A questo punto si chiede di convertire il tutto in una vera landing page HTML. L’operazione, eseguita in modalità pro, richiede oltre diciassette minuti. Il risultato e una pagina navigabile con sezioni prodotto, possibilita di aggiungere al carrello (anche se il checkout non e collegato) e un aspetto pulito e professionale.
Nel video si osserva che il modello ha generato autonomamente le immagini necessarie (prodotto, icone, composizioni) per completare il sito. Il risultato non e un sito complesso con effetti 3D o animazioni avanzate, ma una base solida e esteticamente curata ottenuta con pochissimo prompting. Viene sottolineato che per un titolare di attività che carica semplicemente foto del proprio prodotto e chiede angolazioni diverse più un sito di presentazione, il flusso e già molto efficace. Si lascia aperta la possibilità di approfondire in futuri video combinazioni con altri strumenti per arrivare a siti più articolati.
Questa sequenza mostra come GPT Images 2.5 non si limiti alla generazione isolata di immagini ma supporti interi processi creativi: dal disegno grezzo al layout, dall’editing iterativo alla trasformazione di soggetti, fino alla progettazione di prodotto e alla traduzione in interfacce web. I tempi restano variabili e le operazioni più complesse richiedono pazienza, ma la qualità e la coerenza complessiva rendono questi workflow finalmente praticabili in modo continuo.
Indice
- Funzione sketch e generazione da disegno grezzo
- Editing preciso e coerenza nelle modifiche successive
- Trasformazioni da foto di riferimento e preservazione dell’identità
- Template, product design e creazione di siti web
Tutorial video
Funzione sketch e generazione da disegno grezzo
La prima novità che colpisce e la funzione sketch. Si attiva dal pulsante più, si sceglie sketch e si apre un canvas su cui disegnare con il mouse. Nel video viene testata proprio questa modalità per modellare un possibile aggiornamento dello studio YouTube. Si parte da un quadrato bianco che rappresenta lo spazio pavimento della stanza, poi si aggiunge un rettangolo verde per la scrivania, cerchi gialli per indicare le posizioni delle telecamere, un rettangolo viola per la sedia principale e un altro elemento nell’angolo per una seduta secondaria. Il disegno e grezzo, fatto in pochi secondi, con forme semplici e colori diversi per distinguere gli oggetti.
Una volta terminato lo sketch si descrive in linguaggio naturale cosa rappresenta ogni elemento: vista aerea della camera da letto convertita in studio, scrivania con due monitor, posizioni delle telecamere, posto dove si siede chi registra e la seduta d’angolo. Si invia e la generazione parte. Il progresso sale di circa un punto percentuale al secondo, quindi in poco più di un minuto e mezzo l’immagine e pronta. Il risultato e un layout tridimensionale coerente con lo sketch: la scrivania e al posto giusto, i monitor sono visibili, le telecamere risultano posizionate dove indicato e anche la seduta d’angolo e presente. Ci sono dettagli aggiuntivi che il modello ha inserito in autonomia, come piante e cartelli, ma la struttura richiesta e rispettata.
Si nota subito che alcuni cartelli risultano ruotati in modo strano, ma nel complesso la composizione mantiene le proporzioni e le relazioni spaziali disegnate. A questo punto si entra in modalità di modifica per zoomare e osservare i particolari: tastiera, mouse, forma delle telecamere e disposizione degli elementi risultano leggibili e ordinati. La velocita di generazione e un punto importante: anche se non e istantanea, un minuto e mezzo per passare da un disegno grezzo a un layout utilizzabile e un salto rispetto a cicli più lunghi della versione precedente. La funzione sketch si dimostra utile proprio perchè permette di comunicare l’intenzione spaziale senza dover descrivere tutto a parole. Si disegna la struttura base, si aggiunge una descrizione sintetica e si ottiene una base da cui partire per ulteriori interventi. Nel caso dello studio YouTube questo approccio consente di visualizzare rapidamente diverse disposizioni di telecamere, scrivania e posti a sedere prima di passare a versioni più rifinite. La combinazione di disegno e testo rende il processo più intuitivo, specialmente quando si ha già un’idea chiara della disposizione ma si vuole vedere come il modello la interpreta e la arricchisce con dettagli realistici.
Editing preciso e coerenza nelle modifiche successive
Dopo la prima generazione si entra nel vero punto di forza dichiarato: l’editing preciso e la coerenza attraverso più turni di modifica. Nel video vengono fatte diverse prove successive sulla stessa immagine dello studio. Prima si cerchia un’area dietro una telecamera e si chiede di aggiungere una pianta alta tipo monsterà. L’immagine viene aggiornata in circa un minuto e cinquanta secondi. Confrontando la versione precedente e quella nuova si nota che la pianta e stata inserita correttamente, mentre tutto il resto della scena rimane praticamente identico. L’unica differenza percepibile e un leggero cambiamento di illuminazione: la seconda immagine risulta un po’ più scura o con contrasti più profondi.
Si passa poi alla funzione erase. Si seleziona un cartello sulla parete e si chiede di rimuoverlo. Anche in questo caso il tempo di elaborazione e simile a quello della generazione iniziale. Il cartello scompare completamente e, di nuovo, il resto della composizione resta stabile. Confrontando le versioni successive si conferma che gli oggetti non modificati mantengono posizione, forma e dettagli con una fedeltà molto alta, intorno al 99 percento secondo le osservazioni del video. Solo la luce e i contrasti variano leggermente.
L’ultima prova di questa serie riguarda il tappeto. Si chiede di sostituirlo con uno di quelli tipici per bambini, con strade e citta disegnate per giocare con le macchinine. Il risultato e esattamente il tipo di tappeto richiesto. Confrontando tutte le versioni si vede che scrivania, sedie, telecamere e pianta restano nelle stesse posizioni relative. Le foglie della pianta diventano un po’ più scure nelle versioni successive, ma la struttura generale non si deforma. Questo comportamento e presentato come un netto miglioramento rispetto a GPT Images 2, dove dopo tre o quattro generazioni successive i soggetti, specialmente i volti, tendevano a distorcersi fino a diventare irriconoscibili.
Nel video viene sottolineato che l’editing multi-turno e un’operazione comune: si genera un’immagine, si fanno ritocchi, si aggiungono o si tolgono elementi e si continua finche il risultato non e soddisfacente. Con la versione precedente questo processo rischiava di degradare progressivamente la coerenza. Con GPT Images 2.5 invece le parti non toccate restano stabili e solo le zone modificate cambiano in modo controllato. Anche quando si fanno interventi piu impegnativi, come cambiare completamente un elemento di arredo, il modello riesce a mantenere l’allineamento generale della scena. Questo rende il flusso di lavoro piu prevedibile e riduce la necessita di ricominciare da zero ogni volta che si vuole correggere un dettaglio. La coerenza non e ancora perfetta al cento per cento, ma il salto qualitativo rispetto a prima e evidente e rende l’editing iterativo finalmente utilizzabile in modo pratico.
Trasformazioni da foto di riferimento e preservazione dell’identità
Un altro punto su cui GPT Images 2.5 mostra progressi netti e la capacita di lavorare a partire da foto di riferimento per trasformare soggetti familiari in nuovi contesti, stili e composizioni mantenendo riconoscibile l’identità. Nel video vengono mostrati diversi esempi ufficiali e poi riprodotti in pratica. Uno dei casi più chiari e quello di un bambino e di un cane: a sinistra l’immagine originale, a destra la versione generata in cui il cane indossa un costume da astronauta o stuntman. Il volto del bambino, le proporzioni, le ombre e persino le zampe del cane restano estremamente fedeli. Solo la texture del pelo risulta un po’ più pulita e meno granulosa nella versione generata, ma l’identità complessiva e preservata in modo impressionante.
Un altro esempio riguarda una foto composita stile party anni passati. Si caricano tre foto separate di attori comici (Will Ferrell, Andrzej Grabowski e Eddie Izzard) e una foto di riferimento del tipo di composizione desiderata. Si chiede di mettere le tre persone insieme in un’immagine old-timey stampata su carta fotografica lucida, come se stessero festeggiando. Il risultato e molto vicino all’esempio mostrato: le tre figure sono abbracciate, il tono rosato tipico delle vecchie foto e presente, e anche elementi di sfondo della foto di riferimento vengono riutilizzati in modo coerente. Si decide poi di fare modifiche successive: prima si chiedono i bicchieri rossi il 25 percento più grandi, poi si aggiunge uno skateboard appeso in orizzontale sulla parete in modo da vedere le ruote, infine si chiede di aggiungere una stampa a caldo di una fragola sulla maglietta della persona al centro, rispettando le pieghe del tessuto.
Confrontando le versioni successive si nota che le zone non modificate restano stabili, mentre le aree toccate cambiano. A volte l’intera inquadratura si sposta leggermente o i colori diventano un po’ più scuri, e in un caso i bicchieri sembrano continuare a crescere oltre la richiesta iniziale. Tuttavia la riconoscibilità dei volti e delle pose principali si mantiene. Nel video viene confrontato questo comportamento con quanto succedeva con GPT Images 2, dove dopo poche iterazioni i volti diventavano di fatto di un’altra persona e gli oggetti statici (come un blocco geometrico) tendevano a spostarsi sull’asse. Con 2.5 lo scostamento e molto più contenuto. Anche negli esempi ufficiali di persone inserite in contesti diversi con abiti e illuminazioni cambiate, il soggetto sembra ’incollato’ in modo professionale su ogni nuovo sfondo.
Questa stabilita e particolarmente utile per chi crea thumbnail YouTube o materiali in cui la riconoscibilità del volto o del prodotto e fondamentale. Non si arriva ancora alla perfezione assoluta: qualche micro-spostamento e qualche variazione di luce restano, ma il livello di coerenza e sufficiente per lavorare in modo iterativo senza perdere il soggetto originale. Il modello sembra quindi aver fatto un passo avanti concreto nella capacita di mantenere l’identità attraverso trasformazioni e successive correzioni.
Template, product design e creazione di siti web
L’ultima parte del video esplora i template e un flusso completo che va dal concept di prodotto al mockup di sito web fino a una pagina HTML funzionante. Si sceglie il template di mockup website e prima di usarlo si chiede a GPT Images 2.5 di creare un prodotto fittizio: una bottiglia d’acqua chiamata Bart’s Water, con colori salubri arancione e verde, diverse angolazioni, close-up del logo e del tappo, in pratica una scheda prodotto pronta per un designer. Dopo circa un minuto e quarantadue secondi arriva una scheda completa: bottiglia slanciata da 710 ml, tappo con montagne, indicazioni BPA free, materiali riciclati al 50 percento, pH bilanciato e minerali aggiunti. Il risultato e coeso e presentabile.
Si scarica l’immagine e si apre una nuova conversazione con il template website. Si carica la scheda prodotto e si chiede di generare un sito di esempio senza rispondere a troppe domande preliminari. Dopo poco più di quattro minuti arriva un mockup completo: hero section con il brand, slogan ’Hydrate happier’, layout ordinato, icone e sezioni. A questo punto si chiede di convertire il tutto in una vera landing page HTML. L’operazione, eseguita in modalità pro, richiede oltre diciassette minuti. Il risultato e una pagina navigabile con sezioni prodotto, possibilita di aggiungere al carrello (anche se il checkout non e collegato) e un aspetto pulito e professionale.
Nel video si osserva che il modello ha generato autonomamente le immagini necessarie (prodotto, icone, composizioni) per completare il sito. Il risultato non e un sito complesso con effetti 3D o animazioni avanzate, ma una base solida e esteticamente curata ottenuta con pochissimo prompting. Viene sottolineato che per un titolare di attività che carica semplicemente foto del proprio prodotto e chiede angolazioni diverse più un sito di presentazione, il flusso e già molto efficace. Si lascia aperta la possibilità di approfondire in futuri video combinazioni con altri strumenti per arrivare a siti più articolati.
Questa sequenza mostra come GPT Images 2.5 non si limiti alla generazione isolata di immagini ma supporti interi processi creativi: dal disegno grezzo al layout, dall’editing iterativo alla trasformazione di soggetti, fino alla progettazione di prodotto e alla traduzione in interfacce web. I tempi restano variabili e le operazioni più complesse richiedono pazienza, ma la qualità e la coerenza complessiva rendono questi workflow finalmente praticabili in modo continuo.
Salsomaggiore Terme (Tecnologia) -
10/09/2026 - GPT Images 2.5 porta sketch editing preciso e coerenza multi turno -
Written by Mokik