Neu auf Medium: Wo OpenAIs Image 2.0 an seine Grenzen kommt

Stand: 06. Mai 2026 - zuletzt aktualisiert

Autor: Mika Schmidt (IT-Security Experte) – Six Eight Consulting, Fokus: Analyse, IAM, Security Engineering.

Auf Medium ist daraus jetzt eine zweiteilige Artikelserie geworden: Part 1 und Part 2 . Darin schaue ich mir nicht nur die beeindruckenden Stärken des Modells an, sondern bewusst auch die Stellen, an denen es bei Konsistenz und räumlichem Verständnis noch sichtbar stolpert und wie weit man diese Fehler mit besseren Prompts reduzieren kann.

Der erste Test ist absichtlich einfach gehalten: ein Schachbrett als kontrollierte Ausgangsbasis und anschließend wiederholte Perspektivwechsel um jeweils 90 Grad. Genau solche einfachen Setups sind spannend, weil sie sehr schnell zeigen, ob ein Modell Objekte, Farben, Positionen und Geometrie wirklich stabil beibehält - oder nur auf den ersten Blick sehr überzeugend wirkt.

Worum es im Artikel geht

Im Beitrag teste ich, wie gut OpenAIs Image 2.0 eine Szene über mehrere Transformationen hinweg konsistent halten kann. Besonders interessant war dabei, dass die Ergebnisse auf den ersten Blick sehr stark aussehen, bei genauerem Hinsehen aber typische Fehler sichtbar werden: Figuren verrutschen, Muster bleiben inkonsistent, Farben verändern sich leicht und es tauchen zusätzliche Artefakte auf.

Zusätzlich vergleiche ich den Test mit anderen Einstellungen und einem alternativen Modell-Setup. Gerade dieser direkte Vergleich macht greifbar, wie weit Bildmodelle inzwischen gekommen sind - und wo einfache, reproduzierbare Prüfungen noch klare Grenzen sichtbar machen. Inzwischen ist auch der zweite Teil erschienen: I Tried to Fix OpenAI Images 2.0's Spatial Errors With Better Prompts .

Warum ich den Test spannend finde

Viele Demos zeigen vor allem spektakuläre Einzelergebnisse. Mich interessiert eher, wie belastbar ein Modell wird, wenn man ihm klare, wiederholbare Aufgaben gibt. Genau dort trennt sich oft der erste Wow-Effekt von echter Zuverlässigkeit. Wenn Sie sich für Bildgenerierung, Modellverhalten und praktische Limit-Tests interessieren, ist der Artikel wahrscheinlich genau Ihr Ding.