OpenAI GPT Image 2.5 est plus rapide, mais la cohérence des modifications est la véritable avancée

OpenAI a lancé GPT Image 2.5 avec une latence de génération réduite jusqu’à 50 %, mais la vitesse n’est que l’aspect le plus visible de cette mise à jour. Le changement le plus important concerne la manière dont le modèle gère les révisions. OpenAI affirme qu’il peut préserver plus fiablement les sujets, les compositions et les modifications précédentes au fil d’instructions répétées.

Cette distinction compte, car produire la première image était rarement l’étape la plus difficile d’un flux de création assisté par IA. La phase coûteuse commence lorsqu’un concept exploitable doit survivre à plusieurs révisions précises. Une modification maladroite peut altérer un visage, déplacer un produit, remplacer un texte ou effacer un détail visuel déjà validé.

Cette sortie met donc sous pression à la fois le précédent modèle GPT Image 2 d’OpenAI et les générateurs d’images concurrents. La compétition pratique ne se limite plus à déterminer quel système crée la première image la plus impressionnante. Elle porte de plus en plus sur celui qui permet d’obtenir une ressource finale validée avec moins de régénérations.

OpenAI sépare également la vitesse de la précision maximale dans son API. GPT-Image-2.5 Flare cible la génération quotidienne et les itérations rapides, tandis que GPT-Image-2.5 Sunburst vise les travaux créatifs détaillés qui peuvent tolérer un traitement plus long.

Les premiers essais confortent certains éléments du discours d’OpenAI, notamment sur les modifications ciblées et la fidélité aux images de référence. Toutefois, les preuves restent récentes, et la plupart des comparaisons proviennent d’OpenAI, de partenaires de lancement ou de testeurs disposant d’un temps d’essai limité. Les équipes devraient considérer cette sortie comme une amélioration prometteuse pour la production, et non comme une victoire établie dans les benchmarks.

Ce que GPT Image 2.5 d’OpenAI change réellement

OpenAI GPT Image 2.5 transforme la génération d’images, auparavant centrée sur les prompts, en un flux de modification plus guidé.

OpenAI a lancé ChatGPT Images 2.5 le 8 septembre 2026. L’entreprise a commencé son déploiement dans ChatGPT, ChatGPT Work et Codex sur ordinateur, mobile et web. Elle a également publié Flare et Sunburst via l’API.

Selon le lancement d’Images 2.5 de l’entreprise, les utilisateurs génèrent plus de trois milliards d’images chaque semaine via ChatGPT Images et ses modèles API. À cette échelle, même de modestes réductions du temps d’attente ou des révisions échouées affectent une grande quantité de travail créatif.

OpenAI met en avant quatre changements apportés au modèle d’image sous-jacent. L’entreprise affirme qu’Images 2.5 produit des détails plus nets, gère plus naturellement l’éclairage et les textures, préserve mieux les sujets de référence et suit plus fiablement les instructions de modification.

L’affirmation concernant les images de référence est importante pour les usages personnels comme commerciaux. Un modèle peut créer un portrait autonome séduisant tout en restant inadapté à une campagne si le sujet change d’une variation à l’autre. Le même problème touche la photographie de produits lorsque l’emballage, les proportions ou les éléments de marque dérivent.

La modification de précision répond à une défaillance connexe. Les utilisateurs peuvent demander une modification d’un seul objet tout en demandant au système de conserver le reste de l’image. OpenAI affirme que le modèle mis à jour isole mieux la modification demandée au lieu de reconstruire toute la scène.

La modification en plusieurs tours prolonge ce comportement au fil d’une conversation. Chaque révision validée devient une partie de l’état de travail, et les instructions ultérieures devraient la préserver. OpenAI affirme qu’Images 2.5 résiste à la perte progressive de qualité qui peut survenir lors de séquences de modification plus longues.

L’entreprise a également introduit les modifications basées sur des commentaires. Les utilisateurs peuvent placer un commentaire sur une région précise de l’image et décrire l’ajustement souhaité. Cette approche combine une indication spatiale et des instructions en langage naturel, réduisant l’ambiguïté sur l’objet à modifier.

Sketch offre une autre forme de contrôle spatial. Un utilisateur peut dessiner grossièrement un objet, une forme ou une composition directement dans ChatGPT et demander au modèle de le rendre. Le dessin sert de référence visuelle plutôt que de ressource finale.

Cette interaction est utile lorsque le langage devient laborieux. Décrire l’angle exact d’une chaise, la position d’un logo ou le contour d’un vêtement peut demander plusieurs phrases. Un dessin sommaire peut communiquer la même contrainte plus directement.

Les modèles réduisent le travail nécessaire pour démarrer des projets courants. OpenAI cite des formats tels que les affiches, les produits dérivés, les flyers et les photographies de produits. Un modèle amorce le processus avec un format créatif structuré, plutôt qu’avec une zone de prompt vide.

Les utilisateurs peuvent également partager le prompt à l’origine d’une image générée. Une autre personne peut réutiliser ce concept en y substituant ses propres images ou instructions. Cette fonctionnalité facilite la circulation de structures de prompts efficaces sans obliger les utilisateurs à rétroconcevoir un résultat.

Ces changements d’interface ne sont pas identiques aux améliorations du modèle. Les commentaires, Sketch, les modèles et le partage de prompts structurent le flux de travail autour du modèle. La fidélité, le suivi des instructions et la cohérence décrivent le comportement de sortie revendiqué par le modèle.

Maintenir ces catégories distinctes évite une comparaison exagérée. Un meilleur éditeur peut rendre un modèle existant nettement plus utile, même si la qualité brute de génération ne progresse que légèrement. À l’inverse, un modèle plus performant peut rester frustrant si l’interface offre peu de contrôle sur les révisions.

Cette sortie combine les deux niveaux. OpenAI améliore son moteur d’images tout en ajoutant des moyens de communiquer une intention visuelle au-delà d’un prompt textuel classique. Cette combinaison explique pourquoi Images 2.5 paraît plus vaste qu’une simple mise à jour de vitesse.

GPT Image 2.5 face à GPT Image 2

La différence la plus nette entre GPT Image 2.5 et GPT Image 2 apparaît après la première génération, lorsque les utilisateurs commencent à demander des modifications contrôlées.

OpenAI mesure l’amélioration phare comme une latence de génération d’images jusqu’à 50 % inférieure à celle d’Images 2.0. Cette formulation importe, car « jusqu’à » décrit une réduction maximale observée, et non un résultat garanti pour chaque prompt ou paramètre de qualité.

Flare est le modèle API conçu autour de cet avantage de vitesse. OpenAI le présente comme le choix par défaut pour la plupart des applications, notamment le contenu social, les expériences produit, la recherche visuelle, les prototypes rapides et la génération à grand volume.

OpenAI affirme que Flare fournit des images de meilleure qualité que GPT Image 2 avec une latence réduite de 50 %. Sa page de modèle Flare officielle indique également la prise en charge des entrées textuelles et d’images, de la sortie d’images et de six réglages de qualité sélectionnables.

Ces réglages vont de faible à maximal, avec une option automatique disponible. Cette gamme de qualité plus étendue donne aux développeurs davantage de contrôle sur l’équilibre entre vitesse, consommation de ressources et niveau de détail. Elle ne garantit pas que le réglage le plus élevé conviendra à chaque tâche.

L’entreprise positionne Sunburst différemment. Sunburst accepte des temps de génération plus longs en échange d’un contrôle plus précis lors de travaux créatifs de haute précision. OpenAI cite comme usages représentatifs des visuels produits soignés et des supports de campagne prêts pour la production.

Cette séparation rend la décision API moins binaire que « nouveau modèle contre ancien modèle ». Les développeurs choisissent désormais entre deux profils de fonctionnement au sein de la nouvelle famille. Flare gère les générations fréquentes, tandis que Sunburst traite les travaux pour lesquels une révision mal maîtrisée entraîne davantage de retouches.

Les premiers essais indépendants concordent globalement avec l’affirmation sur les modifications. Axios a testé le modèle en générant un logo, en transformant une photographie de chat et en développant un concept de tatouage. Son test pratique a constaté une meilleure préservation de la ressemblance et des modifications plus détaillées que les précédents outils d’image.

Ce rapport fournit des éléments utiles, mais ne constitue pas un benchmark contrôlé. Le test couvrait un petit ensemble de tâches réelles et n’a pas publié de comparaison répétée et à l’aveugle entre les modèles. Il montre une promesse pratique plutôt qu’une supériorité statistique.

TechRadar est arrivé à une conclusion similaire après une journée de test. Son testeur a mis l’accent sur la capacité à identifier une région exacte de l’image avant de demander une modification. La barre d’outils disponible comprenait le marquage, les commentaires, la suppression d’arrière-plan, l’effacement et le redimensionnement.

Le testeur a également relevé une incertitude sur le point où s’arrête la mise à jour du modèle et où commence le déploiement de l’interface. Certains contrôles de modification semblaient être apparus avant l’annonce officielle. Cette distinction complique toute affirmation selon laquelle chaque amélioration d’ergonomie provient directement de GPT Image 2.5.

L’évaluation sur 24 heures décrit néanmoins un changement significatif du flux de travail. Les modifications antérieures basées sur des prompts poussaient souvent le testeur à abandonner un résultat après plusieurs révisions ratées. Les contrôles spécifiques à une région ont rendu la poursuite de la modification plus pratique.

Les partenaires de lancement d’OpenAI offrent une autre perspective, même si leurs commentaires doivent être considérés comme des témoignages clients. Adobe a indiqué que les modèles apportaient une génération plus rapide et une résolution plus cohérente à Firefly. Higgsfield a souligné la capacité de Flare à modifier un élément sans perdre l’identité visuelle de l’image originale.

Manus a indiqué que Flare avait produit, dans ses évaluations, des images de haute qualité à une vitesse deux à quatre fois supérieure à celle de GPT Image 2. Ce résultat est encourageant, mais OpenAI n’a pas publié les prompts sous-jacents, les conditions de test, la taille de l’échantillon ou la méthode de notation.

La conclusion prudente est plus restreinte. GPT Image 2.5 semble plus rapide à la fois selon les mesures d’OpenAI et les premiers essais de partenaires. Les testeurs ont également constaté de meilleures modifications ciblées. Les preuves publiques n’établissent pas encore avec quelle constance ces gains se transfèrent à tous les styles, résolutions et types d’entrée.

Pourquoi la cohérence des modifications compte davantage que la qualité au premier essai

La véritable compétition se déplace de la génération d’images vers la gestion des révisions.

Une première image saisissante aide un modèle à attirer l’attention. Le travail de production exige autre chose. L’image doit rester reconnaissable lorsqu’un utilisateur modifie l’arrière-plan, corrige un texte, ajuste l’éclairage ou déplace un seul objet.

Prenons le cas d’un détaillant en ligne préparant une campagne produit. L’équipe peut valider l’angle du produit et son emballage avant de demander plusieurs mises en scène. Si le générateur modifie l’étiquette ou les dimensions à chaque révision de l’arrière-plan, chaque résultat doit être à nouveau vérifié.

Une équipe marketing rencontre le même problème avec un personnage de campagne. Elle peut avoir besoin de versions pour une publication carrée, une story verticale, une bannière de site web et une présentation. Les traits du visage, les vêtements et le traitement de la marque doivent rester cohérents dans chaque format.

GPT Image 2 gérait souvent bien les générations individuelles, mais les modifications répétées pouvaient introduire une dérive visuelle. La dérive désigne une modification involontaire d’un élément que l’utilisateur souhaitait préserver. Une nouvelle instruction pouvait corriger un détail tout en endommageant trois autres éléments déjà validés.

OpenAI a conçu GPT Image 2.5 autour de cette contrainte. L’entreprise affirme que les modifications précédentes ont davantage de chances de persister au fil de plusieurs tours. Elle soutient également que la qualité de l’image se dégrade moins à mesure que la conversation de modification s’allonge.

Cette amélioration modifie la mesure pertinente de la productivité. Le temps de génération reste utile, mais il ne couvre qu’une seule requête. Les équipes devraient également mesurer le nombre de tentatives nécessaires avant qu’une ressource soit validée.

Un modèle plus rapide peut décevoir s’il produit davantage de variations inutilisables. Un modèle plus lent peut justifier sa place s’il préserve une composition précieuse et réduit les retouches manuelles. Flare et Sunburst reflètent ces calculs différents.

Flare devrait convenir à l’exploration, où les utilisateurs ont besoin de nombreuses idées rapidement et peuvent tolérer des rejets occasionnels. Sunburst devrait convenir à l’affinage, lorsque l’image existante contient déjà des détails approuvés. À ce stade, l’erreur la plus coûteuse est souvent une modification non souhaitée.

Les commentaires par région renforcent ce flux de travail. Un utilisateur peut désigner la zone exacte à corriger, réduisant le risque que le modèle interprète « modifier la bouteille » comme « repenser l’intégralité de la photographie du produit ». Les instructions spatiales resserrent la cible de l’édition.

Sketch intervient plus tôt dans le processus, au niveau de la composition. Un designer produit peut indiquer où un appareil doit se trouver dans une scène. Un architecte d’intérieur peut dessiner l’emplacement approximatif d’un meuble. Un créateur peut esquisser une pose difficile à décrire.

Les modèles apportent une structure aux utilisateurs moins expérimentés. Une personne créant une photographie de produit peut partir d’un flux de travail défini et répondre à des questions complémentaires sur l’objet, le décor et le traitement visuel. Le modèle transforme le prompting en brief guidé.

Ces fonctionnalités confient davantage de responsabilités à l’interface du produit. OpenAI ne demande pas aux utilisateurs de devenir des experts en rédaction de prompts avant de pouvoir contrôler une image. L’entreprise ajoute des actions créatives familières, telles que dessiner, commenter, sélectionner et partir d’un format.

Cette orientation met également les concurrents sous pression. Google, Adobe, Runway, Midjourney et les produits d’édition spécialisés rivalisent de plus en plus sur le contrôle, la cohérence et l’intégration aux flux de travail. La qualité esthétique reste importante, mais elle différencie moins les offres à mesure que les principaux modèles progressent.

La décision d’Adobe de rendre les nouveaux modèles d’OpenAI disponibles via Firefly illustre une autre couche de concurrence. Les fournisseurs de modèles ne s’affrontent pas toujours uniquement au moyen d’applications autonomes. Leurs modèles peuvent aussi apparaître dans le même environnement créatif.

Cette configuration offre davantage de choix aux équipes créatives, mais réduit la fidélité à un modèle unique. Si un espace de travail permet aux utilisateurs de changer de moteur sans changer d’outils, les performances doivent s’imposer au niveau de la tâche. Un générateur peut être performant pour l’idéation, tandis qu’un autre gère mieux une retouche finale.

La stratégie API à deux modèles d’OpenAI correspond à ce marché. Au lieu de présenter un seul moteur comme optimal pour chaque demande, l’entreprise propose une option rapide par défaut et une alternative axée sur la précision. Les développeurs peuvent acheminer les tâches selon leurs propres exigences de latence et de qualité.

La question sans réponse est de savoir si les applications exposeront ce choix directement. Un outil professionnel peut permettre aux utilisateurs de sélectionner Flare ou Sunburst. Un produit grand public peut acheminer les demandes automatiquement, sans que les utilisateurs sachent quel modèle a effectué le travail.

Le routage automatique pourrait simplifier l’expérience, mais il rend aussi l’évaluation plus difficile. Les utilisateurs peuvent comparer des résultats sans savoir si le modèle sous-jacent, le réglage de qualité ou la couche de sécurité a changé. Les développeurs auront besoin de journaux internes pour prendre des décisions fiables.

Ce que les premiers tests ne prouvent toujours pas

GPT Image 2.5 présente des avantages initiaux crédibles, mais les démonstrations de lancement ne peuvent pas établir des performances fiables sur l’ensemble des charges de travail de production.

OpenAI a sélectionné des exemples mettant en avant la préservation des sujets, l’édition ciblée, la mise en page et la cohérence sur plusieurs tours. Ces démonstrations montrent ce que le modèle peut produire. Elles ne révèlent pas son taux de réussite moyen face à des prompts non contrôlés.

L’entreprise n’a pas publié de benchmark public étendu comparant la qualité de Flare, Sunburst et GPT Image 2 sur des tâches créatives représentatives. Elle n’a pas non plus fourni de taux d’échec concernant la dérive d’identité, les erreurs de texte, les erreurs spatiales ou les modifications non intentionnelles.

Plusieurs questions pratiques restent donc sans réponse. Sunburst est présenté comme plus précis, mais OpenAI n’a pas quantifié publiquement cet avantage de précision. On ignore à quelle fréquence Sunburst réussit là où Flare échoue, ou combien de temps supplémentaire les utilisateurs doivent attendre.

La même prudence s’applique à la latence. Une réduction pouvant atteindre 50 % est significative, mais le temps réel peut varier selon les dimensions, la qualité, la charge, les images d’entrée et la complexité de l’édition. Les équipes devraient enregistrer la latence de bout en bout dans leurs propres applications.

La cohérence nécessite également des tests plus longs que ceux proposés par de nombreuses évaluations de lancement. Une séquence de trois étapes peut sembler stable alors qu’un flux de campagne en dix étapes continue de dériver. Le modèle doit être testé avec des retouches répétées préservant les visages, les produits, la typographie et la mise en page.

Le rendu de texte mérite une attention particulière. OpenAI affirme que le modèle comprend mieux les mises en page complexes et les informations du monde réel. Mieux ne signifie pas systématiquement correct, en particulier pour les infographies denses ou les documents contenant des noms, dates et chiffres exacts.

Le texte des infographies générées devrait donc rester soumis à une vérification humaine. Un graphique visuellement convaincant peut toujours contenir un axe mal étiqueté ou une statistique inventée. Une meilleure apparence peut rendre ces erreurs plus difficiles à détecter.

La sécurité crée une autre tension. Un réalisme accru et une meilleure préservation de l’identité améliorent le travail créatif légitime. Ils peuvent aussi accroître la crédibilité d’images trompeuses ou abusives impliquant de vraies personnes.

La system card d’OpenAI reconnaît explicitement ce risque. Elle indique qu’Images 2.5 peut créer des deepfakes plus convaincants qu’Images 2.0 sans garde-fous. L’entreprise applique des contrôles aux prompts, aux images d’entrée et aux contenus générés.

OpenAI a évalué Flare et Sunburst avec des prompts conçus pour susciter du contenu interdit. Lors de ces tests adversariaux, le taux final signalé de résultats dangereux était de 1,41 % pour Flare et de 1,09 % pour Sunburst. Images 2.0 affichait 1,64 %.

Ces chiffres nécessitent du contexte. OpenAI avertit que les prompts ne représentent pas un trafic de production typique. L’entreprise précise également que les libellés automatisés peuvent comporter des erreurs et que la taille des échantillons influence la précision statistique.

La system card indique qu’aucune différence dans la mesure des images dangereuses montrées n’a atteint son seuil de significativité. Les lecteurs ne devraient pas interpréter les pourcentages inférieurs mis en avant comme la preuve que l’un ou l’autre des nouveaux modèles est définitivement plus sûr qu’Images 2.0.

OpenAI continue d’ajouter des métadonnées de provenance C2PA, qui enregistrent des informations sur l’origine et l’historique d’édition d’un actif. Images 2.5 utilise également le filigrane invisible SynthID dans ChatGPT, Codex et l’API.

Aucun de ces mécanismes ne résout entièrement la question de la provenance des images. Les métadonnées peuvent être supprimées lors du traitement ou de la distribution. La détection des filigranes invisibles dépend d’outils compatibles et de leur préservation lors de transformations ultérieures.

OpenAI reconnaît qu’aucune méthode unique ne fournit une solution complète. Cette combinaison peut néanmoins aider les plateformes, éditeurs et enquêteurs à identifier les médias générés. Son efficacité dépendra de son adoption en dehors des produits d’OpenAI.

Les données d’entraînement restent un autre sujet contesté pour les utilisateurs commerciaux et les créateurs. OpenAI indique que les modèles ont été entraînés à partir d’informations internet publiquement disponibles, d’informations tierces sous licence et de contenus fournis par des utilisateurs ou des contributeurs humains.

La system card fournit cette description générale, mais ne répertorie pas les jeux de données individuels. Les organisations ayant des exigences en matière de propriété intellectuelle devront toujours définir leurs propres politiques concernant les prompts, les images de référence, la révision des résultats et les usages autorisés.

Ces limites n’effacent pas l’amélioration. Elles définissent ce que les équipes doivent valider avant de remplacer un flux de travail établi. La preuve la plus convaincante viendra de tests de production répétés, et non d’exemples isolés.

Trois signaux qui détermineront si l’amélioration perdure

Le prochain test consiste à déterminer si GPT Image 2.5 réduit les reprises hors des démonstrations d’OpenAI et des premières évaluations de partenaires.

Le premier signal est le taux d’approbation lors de retouches répétées. Les équipes créatives devraient sélectionner des actifs représentatifs, appliquer les mêmes séquences de révision à GPT Image 2 et GPT Image 2.5, puis enregistrer la fréquence à laquelle les éléments approuvés restent inchangés.

Ce test devrait inclure des cas difficiles. Les visages, les emballages de marque, les petites typographies, les produits réfléchissants, les scènes comportant plusieurs objets et les arrière-plans transparents révèlent différents modes d’échec. Un modèle performant doit préserver les détails sans obliger les utilisateurs à recommencer.

Si la nouvelle famille nécessite moins de générations correctives, l’affirmation d’OpenAI sur la cohérence gagnera en crédibilité. Si les utilisateurs abandonnent encore des images après plusieurs retouches, la mise à jour ressemblera davantage à une amélioration de l’interface qu’à un changement de production.

Le deuxième signal est la séparation pratique entre Flare et Sunburst. Les développeurs ont besoin de preuves montrant quelles demandes justifient le temps de génération plus long de Sunburst. Le positionnement d’OpenAI fournit des cas d’usage, mais ne définit pas encore de seuil de routage mesurable.

Une évaluation utile devrait comparer les modèles avec des prompts, images d’entrée, dimensions et objectifs de qualité identiques. Les équipes devraient suivre la latence, le nombre de révisions, les modifications non intentionnelles, le rejet des résultats et la préférence humaine finale.

Si Flare gère la plupart des tâches quotidiennes tandis que Sunburst sauve les retouches exigeantes, la stratégie à deux modèles prendra tout son sens sur le plan opérationnel. Si les résultats se chevauchent fortement, cette distinction pourrait ajouter de la complexité sans améliorer les résultats.

Le troisième signal est la réaction des concurrents. La génération d’images est devenue une compétition rapide impliquant des plateformes généralistes d’IA, des suites créatives et des modèles spécialisés. Les concurrents peuvent répondre à OpenAI par une inférence plus rapide, une meilleure cohérence, une typographie plus solide ou des contrôles d’édition plus approfondis.

L’intégration comptera autant que la qualité du modèle. Adobe, Runway et d’autres plateformes créatives peuvent intégrer plusieurs modèles dans des flux de travail établis. Cela permet aux professionnels de comparer les résultats sans déplacer des fichiers entre des produits déconnectés.

OpenAI bénéficie d’un avantage grâce à la distribution de ChatGPT et à son API. L’entreprise indique qu’Images 2.5 est disponible sur tous les niveaux de ChatGPT, tandis que Flare et Sunburst sont proposés aux développeurs. Un accès large peut accélérer les retours et l’adoption.

Cependant, la disponibilité seule ne garantit pas une préférence à long terme. Les professionnels de l’image se préoccupent du contrôle, de la reproductibilité, des droits sur les résultats, des outils de révision et d’une intégration prévisible. Un résultat visuellement impressionnant doit toujours s’intégrer aux systèmes dans lesquels les équipes approuvent et publient des actifs.

La comparaison la plus importante au cours des prochains mois sera donc opérationnelle. OpenAI GPT Image 2.5 réduit-il la distance entre un concept prometteur et une image finale approuvée ?

Pour les utilisateurs individuels, la réponse peut commencer par un test simple. Recréez un projet existant, puis demandez plusieurs modifications ciblées sans recommencer. Observez quels détails résistent et lesquels dérivent.

Pour les développeurs, la meilleure approche consiste en une évaluation journalisée utilisant de vraies demandes d’application. Séparez la qualité de génération du confinement de l’édition, et comparez Flare à Sunburst plutôt que de traiter GPT Image 2.5 comme un service uniforme.

Pour les équipes créatives, constituez un jeu de révision avant de modifier le flux de travail. Incluez des actifs ayant auparavant échoué en raison d’une dérive d’identité, d’erreurs de texte, de changements de composition ou d’itérations lentes. La sortie ne gagne sa valeur que lorsque ces échecs diminuent.

OpenAI a fait de la vitesse l’amélioration la plus facile à promouvoir. La cohérence de l’édition est l’affirmation plus difficile, et celle qui compte davantage. Testez les révisions, consignez les échecs et déterminez si le modèle termine le travail au lieu de simplement le commencer.