GPT Image 2.5 Flare vs Sunburst: Welches Modell für welche Aufgabe?
Für EvoLink-Nutzer, die eine Bildpipeline für ein Creative-SaaS oder einen Onlineshop planen, wird der Unterschied schnell konkret. Ein verworfener Layout-Entwurf kostet einen weiteren Versuch. Eine unbemerkte Änderung am Produktetikett kann ein ansonsten gelungenes Asset unbrauchbar machen. Solche Workflows verdienen unterschiedliche Bewertungskriterien, auch wenn sie dieselbe Bild-API nutzen.
Wenn die Ergebnisse vorliegen, entscheiden Sie in dieser Reihenfolge:
- Bei Flare bleiben, wenn es die harten Anforderungen und Lieferlimits der Aufgabe erfüllt und die Verbesserung durch Sunburst nicht genug Nacharbeit einspart, um die Mehrkosten oder die längere Wartezeit zu rechtfertigen.
- Sunburst für einen Workload wählen, wenn Ihr Paarvergleich zeigt, dass es einen folgenschweren Fehler behebt, etwa veränderte Produktdetails, und trotzdem ins Lieferbudget passt. Andere Workloads bleiben bei ihrer bisherigen Konfiguration.
- Beim bestehenden Workflow bleiben oder manuell bearbeiten, wenn keine der beiden Varianten die Anforderungen erfüllt oder der scheinbare Unterschied auf zu wenigen Beispielen beruht. Wer ein Produkt exakt erhalten muss, kommt unter Umständen nur weiter, indem er das Originalprodukt auf einen generierten Hintergrund montiert.
Flare vs Sunburst auf einen Blick
max macht aus dem einen Modell nicht das andere. Sie haben getrennte Modell-IDs, teilen sich aber die unten aufgeführten Qualitätsoptionen. Modellreferenz Flare, Modellreferenz Sunburst| Entscheidungskriterium | Flare | Sunburst |
|---|---|---|
| Offizielle Modell-ID | gpt-image-2.5-flare | gpt-image-2.5-sunburst |
| Positionierung durch OpenAI | Alltägliche Generierung, schnelle Iteration, Standard für die meisten Anwendungen | Generierung und Bearbeitung, wo Präzision am wichtigsten ist |
| Ausgangspunkt für die Bewertung | Viele Entwürfe und Varianten mit klaren Abnahmeregeln | Edits, bei denen freigegebene Details erhalten bleiben müssen |
| Qualitätsstufen bei OpenAI | low, medium, high, xhigh, max, auto | low, medium, high, xhigh, max, auto |
| Ein- und Ausgabe | Text- und Bild-Input; Bild-Output | Text- und Bild-Input; Bild-Output |
| Standard-Token-Preise | Gleiche Listenpreise wie Sunburst | Gleiche Listenpreise wie Flare |
| Was Sie auf Ihrem Workload klären müssen | Ob die schnellere Iteration auch genug brauchbare Ergebnisse liefert | Ob die höhere Akzeptanz die längere Wartezeit rechtfertigt |
low bis max) bereit, Standard ist medium; das auto aus der offiziellen Tabelle ist keine Qualitätsoption bei EvoLink. Siehe Parameterübersicht Flare und Parameterübersicht Sunburst.Das Modell danach wählen, was ein Bild brauchbar macht
Beginnen Sie mit der Anforderung, die sich nach der Generierung am schwersten reparieren lässt. Bei einem Layout-Entwurf ist das vielleicht eine erkennbare Inhaltshierarchie. Bei einem Produktfoto vielleicht die exakte Form und Position eines Etiketts. Schreiben Sie diese Anforderung auf, bevor Sie Ergebnisse vergleichen; sonst lenkt ein ansprechender Stil vom verfehlten Briefing ab.
Die folgenden Ausgangspunkte übertragen OpenAIs Positionierung auf typische Workloads. Es sind Hypothesen, die Sie mit Ihren eigenen Assets überprüfen sollten.
| Workflow | Zuerst prüfen | Was als bestanden gilt | Wann Sie umdenken sollten |
|---|---|---|---|
| UI-Konzepte und Landingpage-Entwürfe | Flare, mit einem Vergleichsset aus Sunburst | Korrekte Hierarchie, lesbare Labels, geforderte Referenzelemente, brauchbare Komposition | Ein anderes Modell oder eine andere Stufe reduziert Layout-Korrekturen dauerhaft |
| Social-Media-Assets in mehreren Formaten | Flare | Korrekter Text, erkennbares Branding, brauchbare Zuschnitte in allen geforderten Größen | Wiederholte Ablehnungen fressen den Latenz- oder Kostenvorteil auf |
| Produktbild mit neuem Hintergrund | Sunburst, gepaart mit Flare | Form, Farbe, Etikett und freigegebene Details des Produkts bleiben akzeptabel | Eine der Varianten verändert geschützte Details; Review vor Auslieferung vorschreiben |
| Eine Person in einer neuen Szene | Beide auf demselben Referenzset | Identität, Licht, Textur und Szenenkonsistenz bestehen das Review | Ansprechende Einzelbilder fallen im vollen Set bei Identitäts- oder Texturprüfung durch |
| Mehrere Runden lokaler Bearbeitung | Sunburst, gepaart mit Flare | Frühere Edits bleiben erhalten; unberührte Bereiche bleiben akzeptabel | Der Drift summiert sich so weit, dass Sie zu einem früher freigegebenen Bild zurück müssen |
| Poster und transparente Marken-Assets | Beide mit expliziten Output-Einstellungen | Exakter Text, saubere Kanten, korrekte Komposition, geforderte Transparenz | Auch höhere Qualitätsstufen scheitern an der konkreten Lieferanforderung |
Zwei Aufgaben-Briefings: vom Input zur Modellentscheidung
Die Beispiele zeigen, wie sich Flares Positionierung für die Alltagsgenerierung und Sunbursts Schwerpunkt auf Bearbeitung in unterschiedliche Abnahmetests übersetzen lassen. Sie sagen nichts über die Erfolgsquote der Modelle voraus.
Aufgabe 1: ein UI-Entwurf, der zur Designer-Übergabe taugt
Nutzen Sie diesen englischen Prompt unverändert mit Ihren eigenen Referenz-Assets:
Create a desktop dashboard concept using the attached wireframe.
Preserve its four regions: navigation, upload, job queue, usage summary.
Use these labels exactly: "Upload images", "Queue", "Usage", "Settings".
Keep the supplied logo unchanged. Use a neutral background and teal accents.
Do not add features, pricing cards, or navigation items.
The deliverable is a visual design reference, not working interface code.Prüfen Sie den Pflichtinhalt vor dem visuellen Stil:
| Prüfung | Bestanden | Abgelehnt / nächster Schritt |
|---|---|---|
| Informationsarchitektur | Alle vier Bereiche und geforderten Bedienelemente sind vorhanden | Upload oder Warteschlange fehlt: Ergebnis durchfallen lassen; prüfen, ob Referenz und Prompt zusammenpassen |
| Text und Branding | Geforderte Labels sind exakt; Logo ist brauchbar | Geänderte Labels oder Logo: durchgefallen; exakten Text/Logo ggf. im Design-Tool setzen |
| Nutzen für die Übergabe | Hierarchie und Abstände lassen sich ohne Neugestaltung des Screens umsetzen | Ansprechend, aber strukturell verwirrend: als Layout-Fehler festhalten |
Starten Sie mit Flare, weil es sich um eine Entwurfs- und Iterationsaufgabe handelt. Erfüllen seine Ergebnisse diese Regeln und ändert Sunburst vor allem die Ästhetik, bleiben Sie bei Flare, wenn dessen gemessene Lieferkosten oder Latenz besser sind. Lässt Flare wiederholt einen Pflichtbereich weg, während Sunburst ihn über das gesamte Vergleichsset hinweg erhält, ziehen Sie Sunburst für diese Art von Briefing in Betracht. Ein einzelnes schönes Sunburst-Bild reicht nicht, um dieses Muster zu belegen.
Scheitern beide an exakter Typografie, trennen Sie die Kompositionsgenerierung von der Textplatzierung, statt immer wieder die Qualität hochzudrehen. Diese Anforderung ist in einem Design-Tool oft besser aufgehoben. Rechnen Sie diese Nacharbeitszeit mit, wenn Sie die fertige Übergabe vergleichen.
Aufgabe 2: neuer Hintergrund, unverändertes Produkt
Auch dieser Prompt bleibt auf Englisch und kann direkt übernommen werden:
Replace the background of the attached product photograph with a light
stone surface and a warm off-white wall. Match the reference background's
lighting. Add a natural contact shadow beneath the bottle.
Preserve the bottle shape, cap, label lettering, logo, and liquid color.
Do not add props, alter the camera angle, crop the bottle, or redesign it.Sunburst ist hier der erste Kandidat, weil Bearbeitungspräzision die zentrale Anforderung ist. Nehmen Sie Flare als Vergleich mit: Eine Positionierung auf Bearbeitung belegt nicht, dass Sunburst für jeden einfachen Hintergrundtausch nötig ist.
Testen Sie anschließend eine kurze Edit-Folge: Wandfarbe wärmer machen, Schatten weicher zeichnen, einen störenden Fleck im Hintergrund entfernen. Führen Sie für diese Aufgabe drei Edits pro Zweig durch und speichern Sie jedes Zwischenbild. Prüfen Sie nach jedem Edit alle geschützten Details und ob frühere Änderungswünsche erhalten geblieben sind. Eine Folge gilt nur als akzeptiert, wenn ihr Endergebnis die komplette Checkliste besteht.
Kosten pro akzeptiertem Bild vergleichen
usage-Wert zu messen; der Verbrauch hängt von Modell und Einstellungen ab. Der Output-Schätzer deckt nur die Output-Kosten ab, eine vollständige Anfrage kann zusätzlich Inputs enthalten. Workflows über die Responses API verursachen obendrein den Verbrauch des Hauptmodells. OpenAIs Hinweise zu Kosten und LatenzDefinieren Sie für Ihren Vergleich:
Cost per accepted image =
total actual generation and retry charges for the evaluation batch
/ number of images that pass the acceptance rulesBei Bearbeitungssitzungen zählen Sie akzeptierte Endergebnisse, nicht jedes Zwischenbild. Rechnen Sie die Kosten aller Schritte und Wiederholungen ein. Einen Batch ohne akzeptiertes Ergebnis melden Sie als gescheitert; seine Stückkosten sind undefiniert, nicht null. Halten Sie Review- und Reparaturaufwand getrennt und addieren Sie ihn erst für den Vergleich der Gesamtlieferkosten.
Rechenbeispiel: wann sich eine höhere Batch-Rechnung lohnt
| Beispiel-Batch | Aufträge | Gesamtkosten | Akzeptierte Endbilder | Kosten pro akzeptiertem Bild |
|---|---|---|---|---|
| Flare-Beispiel | 20 | $4.00 | 10 | $0.40 |
| Sunburst-Beispiel | 20 | $6.00 | 18 | Etwa $0.33 |
In diesem hypothetischen Batch ist die Sunburst-Rechnung 50 % höher, die Kosten pro akzeptiertem Bild liegen aber etwa 17 % niedriger. Zur besseren Konfiguration wird Sunburst erst, wenn auch Latenz und die übrigen Lieferanforderungen bestehen.
Der Break-even hilft weiter: Bei $6 Batch-Kosten braucht Sunburst 15 akzeptierte Bilder, um Flares $0.40 zu erreichen, und mindestens 16, um sie zu unterbieten. Liefert eine andere Flare-Konfiguration für dieselben $4 stattdessen 16 akzeptierte Bilder, kostet Flare $0.25 pro akzeptiertem Bild, und die Entscheidung kippt. Konfigurationsänderungen können auch die Rechnung selbst verändern; rechnen Sie also beide Größen neu, statt konstante Kosten anzunehmen.
Deshalb kann ein gemeinsamer Token-Preis die Entscheidung nicht klären. Betrachten Sie den Nenner aus akzeptierten Ergebnissen und die vollständige Rechnung zusammen. Gleichen Sie abgebrochene oder fehlgeschlagene Anfragen mit den Abrechnungsregeln des Anbieters ab; weder kostenlose Fehlschläge noch Doppelabrechnungen sollten Sie stillschweigend voraussetzen.
Qualitätsstufen brauchen einen eigenen Vergleich
auto bringt eine weitere Variable ins Spiel, und dieselbe Qualitätsbezeichnung bei zwei Modellen beweist weder gleichen Rechenaufwand noch gleiche Bildqualität noch gleiche Gesamtkosten. Der offizielle Leitfaden dokumentiert modellspezifische Token-Schätzungen und empfiehlt, den Verbrauch anhand des tatsächlichen usage-Werts zu prüfen. Leitfaden zur BildgenerierungVergleichen Sie zuerst identische explizite Einstellungen und testen Sie eine andere Qualitätsstufe nur gegen die beobachteten Fehler. Verliert etwa die UI-Konfiguration Pflichtbereiche, prüfen Sie, ob ein geänderter Prompt, eine höhere Stufe oder Sunburst das Problem behebt. Ändern Sie immer nur eine Variable. Frieren Sie die gewählte Konfiguration ein und testen Sie sie an neuen Briefings, bevor Sie sie übernehmen; wer an denselben Beispielen auswählt und validiert, überschätzt die Verbesserung leicht.
max schickt. Ein falsch geschriebenes Label, eine unvollständige Anweisung, eine ungeeignete Referenz oder ein falscher Zuschnitt braucht eine Diagnose. Eine höhere Qualitätsstufe ist eine mögliche Maßnahme, kein Ersatz dafür, den Fehler zu verstehen.Test durchführen und Entscheidungsbogen ausfüllen
Legen Sie einen Konfigurationsdatensatz an mit exaktem Modell oder Snapshot, Anbieter, Prompt-Version, Referenz-Assets, Qualität, Größe, Output-Einstellungen und Retry-Regel. Bei Edit-Folgen speichern Sie zusätzlich jedes Ausgangsbild und jeden Änderungswunsch. Wechseln Sie die Reihenfolge der Varianten unter vergleichbarer Last ab, damit eine Stoßzeit nicht systematisch nur ein Modell trifft. Nehmen Sie Ihren aktuellen Workflow als Baseline mit, wenn es um eine Migrationsentscheidung geht.
Erst Lieferfähigkeit bewerten, dann Geschmack
Wenden Sie zuerst die aufgabenspezifischen harten Prüfungen von oben an. Bewerten Sie dann drei weiche Kriterien, Komposition, Licht/visuelle Stimmigkeit und Finish, jeweils von 0 bis 2: 0 braucht erhebliche Nacharbeit, 1 kleine Korrekturen, 2 ist bereit für die geplante Übergabe. In dieser Beispielrubrik gilt nur ein Ergebnis als akzeptiert, das alle harten Prüfungen besteht und mindestens 5/6 erreicht. Legen Sie Ihre echte Schwelle fest, bevor Sie die Modellnamen sehen.
Das heißt: Ein ansprechendes Produktbild mit verändertem Etikett fällt auch mit 6/6 durch. Ein UI-Konzept mit allen Pflichtelementen und 2/2/1 besteht diese Beispielrubrik. Notieren Sie die verbleibende Reparaturzeit, statt sie als kostenlos zu behandeln.
run_log_reference.completed, failed oder unfinished ein, in den Feldern für Abnahme und Frist yes/no. Eine abgeschlossene Anfrage kann trotzdem ein unbrauchbares Bild liefern. Lassen Sie die Zeit bis zur Abnahme leer, wenn nichts akzeptiert wurde. Setzen Sie die Abrechnung auf pending, bis sie abgeglichen ist; warten Sie auf die Kosten des gesamten Batches, bevor Sie vergleichen, statt offene Aufträge wegzulassen oder als kostenlos zu werten.Fassen Sie jeden Workload getrennt zusammen:
| Entscheidungsfeld | Flare | Sunburst |
|---|---|---|
| Konfigurations-ID und Stichprobengröße | Ausfüllen | Ausfüllen |
| Akzeptierte Endergebnisse / gestartete Aufträge | Ausfüllen | Ausfüllen |
| Harte Fehler nach Ursache | Ausfüllen | Ausfüllen |
| Abgeglichene Batch-Kosten / akzeptierte Ergebnisse | Ausfüllen | Ausfüllen |
| Zeit bis zum akzeptierten Ergebnis; unfertige Aufträge | Ausfüllen | Ausfüllen |
| Review- und Reparaturminuten | Ausfüllen | Ausfüllen |
| Erfüllt die Lieferlimits dieses Workloads? | Ja / nein / nicht genug Belege | Ja / nein / nicht genug Belege |
Halten Sie unfertige Aufträge im Zeitbericht sichtbar: Ein Modell mit vielen Fehlschlägen darf nicht schneller wirken, nur weil allein seine leichtesten Erfolge gestoppt wurden. Zeigen Sie bei diesem kleinen Screening beobachtete Dauern und verpasste Fristen; präsentieren Sie kein belastbares p95 und keine breite Leistungsaussage.
Aus dem Bogen eine Entscheidung machen
Akzeptiert Flare 12 und Sunburst 18, und der protokollierte Unterschied ist wiederholt der Erhalt des Produktetiketts, schicken Sie Sunburst in ein frisches Validierungsset für Produkt-Edits. Verletzt seine zusätzliche Wartezeit die Frist, fällt es in der Lieferentscheidung trotzdem durch. Erreicht keines der Modelle 16, behalten Sie den bestehenden Workflow, überarbeiten die Aufgabe oder bearbeiten manuell. Diese Zahlen zeigen eine Entscheidungsregel, keine beobachteten Ergebnisse und keine allgemeingültigen Akzeptanzziele.
Aus den Ergebnissen eine Routing-Policy ableiten
Sobald eine eingefrorene Konfiguration die Validierung an neuen Briefings besteht, führen Sie sie für einen begrenzten Teil dieses Workloads ein. Halten Sie Flare- und Sunburst-Entscheidungen je Aufgabe getrennt: Eine Verbesserung bei Produkt-Edits rechtfertigt keinen Umzug der UI-Entwürfe. Bewahren Sie die vorherige funktionierende Konfiguration und die freigegebenen Assets auf, damit Sie den Rollout zurücknehmen können, wenn Kosten, Ablehnungsquote oder Lieferzeit Ihre Limits überschreiten.
Eine erste Policy kann vier Ausgänge unterscheiden:
| Ausgang | Vorgeschlagene Maßnahme |
|---|---|
| Ergebnis besteht die Abnahmeregeln der Aufgabe | Ausliefern; genug Konfigurations- und Abrechnungsbelege aufbewahren, um die Leistung später zu prüfen |
| Ergebnis wird fertig, scheitert aber an einer konkreten visuellen Anforderung | Fehler festhalten; eine getestete Alternativkonfiguration probieren oder innerhalb des Retry-Budgets ins Review geben |
| Anfrage scheitert an Transport, Rate-Limit oder Anbieterverfügbarkeit | Dem dokumentierten Retry-/Statusverhalten folgen; bei Bedarf einen geprüften Fallback nutzen |
| Budget aufgebraucht, Anforderungen unvereinbar oder Review scheitert wiederholt | Generierung stoppen und die Aufgabe zur Klärung oder manuellen Bearbeitung zurückgeben |
Trennen Sie technische Fehler von Qualitätsfehlern. Ein Modellwechsel kann den Identitätserhalt verbessern; ein fehlerhafter Request wird durch wiederholten Modellwechsel nicht richtig. Gleichen Sie nach einem Timeout den Request-Status ab, wo der Kanal das unterstützt, bevor Sie einen weiteren, möglicherweise kostenpflichtigen Auftrag absetzen.
Bewahren Sie das zuletzt freigegebene Asset und die funktionierende Konfiguration auf. Driftet ein neues Modell in einer Edit-Folge, setzen Sie an einem freigegebenen Zwischenstand wieder an, statt ein bereits unbrauchbares Ergebnis weiter zu bearbeiten. Prüfen Sie nach dem Rollout Latenz und Akzeptanz je Workload, statt nur die Gesamtzahl erfolgreicher API-Antworten zu beobachten.
Umsetzung über EvoLink
Teams, die ein einheitliches Gateway nutzen, sollten die Workload-Policy von anbieterspezifischen Request-Details trennen. Die Anwendung muss wissen, warum ein Auftrag eine bestimmte Konfiguration braucht; die geprüfte Integration liefert die akzeptierte Modell-ID, die Parameter und das Abrechnungsverhalten.
Testen Sie Flare und Sunburst getrennt, bevor Sie Produktionsverkehr über EvoLink leiten: bestätigen Sie die akzeptierten Parameter, je ein generiertes und ein bearbeitetes Ergebnis sowie die abgeglichene Abrechnung. Ein bestandener Integrationstest auf einer Variante ersetzt nicht den Test der anderen; beide Varianten sind bereits auf EvoLink verfügbar. Die Policy oben ist ein Anwendungsentwurf, keine Aussage, dass EvoLink automatisches Failover zwischen diesen Varianten bietet.
FAQ
Flare oder Sunburst: Womit soll ich anfangen?
Nehmen Sie Flare als ersten Kandidaten für alltägliche Generierung und häufige Varianten. Ziehen Sie Sunburst vor, wenn Bearbeitungspräzision und der Erhalt freigegebener Details die Hauptschwierigkeit sind. Diese Ausgangspunkte folgen OpenAIs Positionierung; die endgültige Wahl bleibt an Ihre Abnahmeregeln gebunden.
Ist Sunburst grundsätzlich besser als Flare?
Das belegt dieser Leitfaden nicht. Ein Workload braucht ein akzeptables Ergebnis innerhalb seines Latenz- und Kostenbudgets. Eine anspruchsvollere Modellkonfiguration lohnt sich nur, wenn ihre Verbesserung für genau diese Aufgabe zählt. Prüfen Sie beide an schwierigen Fällen, bevor Sie den Standard festlegen.
Ist Flare günstiger?
Die offiziellen Standard-Token-Preise sind gleich. Vergleichen Sie den tatsächlichen Input- und Output-Verbrauch, die Wiederholungen und die Zahl akzeptierter Bilder. Flare kann für eine bestimmte Aufgabe wirtschaftlicher sein, aber Modellname und gemeinsame Preisliste belegen das nicht.
Soll ich für jedes finale Bild die Qualitätsstufe max nehmen?
Wählen Sie die günstigste getestete Konfiguration, die die Lieferanforderungen erfüllt. Nehmen Sie höhere Stufen in die Bewertung auf, wenn eine niedrigere scheitert, und prüfen Sie, ob sie den tatsächlichen Fehler beheben. Behalten Sie Review-Zeit und Wiederholungen im Kostenvergleich.
Garantiert Sunburst, dass Produktdetails über mehrere Edits unverändert bleiben?
Die hier genutzten Quellen belegen keine solche Garantie. Behandeln Sie die geschützten Details als explizite Abnahmekriterien. Testen Sie die vollständige Edit-Folge und bewahren Sie ein freigegebenes Ausgangsbild für die Wiederherstellung oder manuelle Montage auf.
Kann ich Flare für Entwürfe und Sunburst für finale Edits kombinieren?
Das ist ein sinnvoller Workflow für eine Bewertung. Testen Sie den Übergang selbst: Das zweite Modell muss die richtigen Referenz-Assets erhalten und die freigegebenen Entscheidungen bewahren. Vergleichen Sie Gesamtkosten und Durchlaufzeit der zwei Stufen mit der Bearbeitung durch ein einziges Modell.
Sehe ich einem Bild an, welche Variante ChatGPT verwendet hat?
Das Aussehen allein reicht nicht, und dieser Artikel hat einzelne ChatGPT- oder Codex-Anfragen nicht überprüft. Für reproduzierbare Tests wählen und protokollieren Sie das Bildmodell explizit; beide offiziellen Modellseiten dokumentieren die Auswahl über die Images API und das Bild-Tool der Responses API. Ein Community-Screenshot ohne Konfiguration, Versuche und Kosten belegt kein gepaartes API-Ergebnis.
Sind beide Varianten über EvoLink erreichbar?
gpt-image-2.5 gibt es nicht; nennen Sie die Variante im Request.Quellen und Aktualisierungsregeln
- Introducing ChatGPT Images 2.5 — offizielle Positionierung und Release-Kontext; geprüft am 9. September 2026.
- Modellreferenz GPT-Image-2.5 Flare — Modell-ID, Modalitäten, Qualitätsoptionen und Standardpreise; geprüft am 9. September 2026.
- Modellreferenz GPT-Image-2.5 Sunburst — Modell-ID, Modalitäten, Qualitätsoptionen und Standardpreise; geprüft am 9. September 2026.
- OpenAI-Leitfaden zur Bildgenerierung — Modellwahl sowie Hinweise zu usage und Kosten; geprüft am 9. September 2026.
- UI-Generierungsvergleich eines 12ui-Autors — Community-Demonstration mit offengelegter Produktverbindung; keine unabhängig geprüfte Leistungsquelle.
Überprüfen Sie die Empfehlungen, sobald sich Modellverhalten, offizielle Einstellungen, geprüfte Routenverfügbarkeit oder vergleichbare Workload-Ergebnisse ändern. Halten Sie beim Nachtragen von Messungen die exakte Konfiguration und das Testdatum fest, und trennen Sie weiterhin sauber zwischen Herstellerangaben, Drittberichten und EvoLinks eigenen Ergebnissen.
