GPT-Image-2.6 vs. Nano Banana 2.1: Die Rangliste widerspricht sich selbst

Am 5. November 2026 liegen die beiden interessantesten Bildmodelle, die man aufrufen kann, altersmäßig einen Monat auseinander, kosten pro Bild innerhalb von etwa einem Cent dasselbe, und keines von beiden ist das Modell, das die unabhängigen Ranglisten auf Platz eins führen. GPT-Image-2.6 wurde am 4. November von OpenAI veröffentlicht. Nano Banana 2.1 wurde am 6. Oktober von Google veröffentlicht. Artificial Analysis, das die vorherigen Generationen beider Unternehmen regelrecht zerlegt hat, hat überhaupt keinen Eintrag für GPT-Image-2.6 – während Nano Banana 2.1 mit 1.175 Elo aus 6.322 Stimmen auf Platz vier seiner Text-to-Image-Rangliste und mit 1.151 aus 7.009 Stimmen auf Platz vier seiner Editing-Rangliste steht, hinter drei Modellen, die alle älter sind als das, das OpenAI diese Woche angekündigt hat.

Das ist das ganze Problem bei diesem Vergleich in einem Absatz. Das Modell mit einem Monat an Stimmen ist das günstigere, langsamer agierende, bereits ausgelieferte. Das Modell ohne Stimmen ist das mit den neuen Ausgabeformaten. Wer Ihnen sagt, welches von beiden besser ist, zitiert entweder einen Anbieter oder rät.

Zwei Markteinführungen, zwei gegensätzliche Instinkte

Googles Oktober-Release ist ein Preis- und Infrastruktur-Manöver. Nano Banana 2.1 — API-ID gemini-nano-banana-2.1, auf Gemini 3.6 Flash basierend, fügte kein neues Ausgabeformat, kein neues Medium und keine neue Art der Steuerung hinzu. Es senkte die Bildausgabe-Tokens von 60 $ auf 30 $ pro Million, was die Kosten eines 1K-Renders auf 0,0336 $ und eines 2K-Renders auf 0,0504 $ halbiert, und ließ 4K bei 0,113 $, weil die höhere Auflösung 3.780 Bild-Tokens statt 2.520 umfasst. Es fügte eine benannte Auflösungsleiter, eine vierte Referenz-Slot-Anzahl – falls Sie mitgezählt haben – und Search-Grounding hinzu. Das Versprechen ist Vorhersehbarkeit: Sie kennen die Stufe, Sie kennen die Token-Anzahl, Sie kennen die Rechnung.

OpenAIs November-Release folgt einem völlig anderen Instinkt. GPT-Image-2.6 behielt die Preisliste genau dort, wo GPT-Image-2.5 sie hinterlassen hatte – 5 US-Dollar pro Million Text-Input-Tokens, 8 US-Dollar pro Million Bild-Input-Tokens, 30 US-Dollar pro Million Bild-Output-Tokens – und widmete die Veröffentlichung neuen Stellschrauben und neuen lieferbaren Ergebnissen: einer Komplexitätssteuerung, markup-gesteuerter Bearbeitung, SVG-Export, animierter GIF-Ausgabe, transparenten Hintergründen, benutzerdefinierten Größen in Vielfachen von 16 Pixeln. Das Verkaufsargument ist die Leistungsfähigkeit: Hier sind Dinge, die das Modell erzeugen kann, die das vorherige nicht konnte.

Lies diese beiden Absätze noch einmal, und du kannst nahezu jeden praktischen Unterschied zwischen den Produkten vorhersagen. Das eine Unternehmen optimiert die Unit Economics einer Sache, die bereits funktioniert. Das andere erweitert die Menge der Dinge, die diese Sache sein kann.

Was die unabhängigen Gremien tatsächlich sagen

Artificial Analysis betreibt zwei separate Image-Boards, und die Trennung ist wichtig – ein Modell kann hervorragend darin sein, einen Prompt aus dem Nichts zu rendern, und nur mittelmäßig darin, einer Bearbeitungsanweisung zu folgen, und die Mittelung der beiden verbirgt genau den Unterschied, der für ein Produktionsteam zählt.

• Text-zu-Bild — GPT-Image-2.5 Sunburst (max) 1.224 Elo, 13.153 Stimmen, Erster Platz. GPT-Image-2.5 Flare (max) 1.207, Zweiter Platz. GPT Image 2 (high) 1.188, Dritter Platz. Nano Banana 2.1 1.175, 6.322 Stimmen, Vierter Platz. GPT-Image-2.6: keine Zeile.

• Bearbeitung — GPT-Image-2.5 Sunburst (max) 1.200, 18.370 Stimmen, Erster. MAI-Image-2.7-Preview 1.197, Zweiter. GPT-Image-2.5 Flare (max) 1.183, Dritter. Nano Banana 2.1 1.151, 7.009 Stimmen, Vierter. GPT-Image-2.6: keine Zeile.

• Gegenüber seinem eigenen Vorgänger liegt Nano Banana 2.1 um 35 Punkte vor Nano Banana 2, das mit 1.140 Elo aus 16.224 Stimmen auf Platz sieben im Text-zu-Bild-Ranking steht.

Zwei Vorbehalte, bevor jemand eine Kaufentscheidung auf diese Zahlen stützt. Der erste ist die Stichprobengröße: Nano Banana 2.1 kommt mit 6.322 Stimmen für Text zu Bild auf weniger als die Hälfte der 13.153 von GPT-Image-2.5 Sunburst, daher ist sein Konfidenzintervall breiter und seine Position weniger gefestigt, als das Ranking suggeriert. Der zweite ist, dass ein Abstand von 49 Punkten zwischen dem ersten und dem vierten Platz auf einer Elo-Skala von etwa 1.000 Punkten real, aber nicht enorm ist – es ist die Art von Unterschied, die sich bei blinden Paarvergleichen zuverlässig und bei der Frage, ob ein bestimmtes Bild für eine bestimmte Aufgabe brauchbar ist, sporadisch zeigt.

Zwei Anbieteraussagen, die sich nicht miteinander vergleichen lassen

Beide Unternehmen veröffentlichen ihre eigenen Zahlen zur menschlichen Präferenz, und beide Datensätze sind aus unterschiedlichen Gründen für diese Entscheidung unbrauchbar.

Google meldet für Nano Banana 2.1 im Denkmodus 1.050 Elo und ohne Denkmodus 1.015 in einer internen menschlichen Side-by-Side-Evaluierung, gegenüber 990 für Nano Banana 2 und 935 für Nano Banana Pro. Das sind echte Messungen echter Bewerter, und sie liegen auf Googles eigener Skala mit Googles eigener Prompt-Verteilung – weshalb 1.050 und die 1.175 von Artificial Analysis dasselbe Modell beschreiben, ohne einander zu widersprechen. Vergleichen Sie nicht zwischen ihnen.

OpenAI führt Design Arena als Beleg für einen ersten Platz für GPT-Image-2.6 Sunburst an. Dasselbe Problem in anderer Form: ein anderes Board, ein anderer Bewerterpool und ein Anbieter, der sich das Board aussucht, das dem Release schmeichelt. Es mag durchaus stimmen. Es ist aber keine Zahl, die man neben 1.175 stellen und davon abziehen kann.

Die einzige ehrliche Zusammenfassung ist, dass Google eine unabhängig gemessene Position hat und OpenAI noch keine. Diese Asymmetrie sollte bestimmen, wie viel Vertrauen Sie jedem entgegenbringen.

Die Messgeräte: eine benannte Leiter gegen ein Token-Budget

Hier gehen die beiden Produkte auf eine Weise auseinander, die für ein Finanzteam mehr zählt als für einen Designer – und genau diesen Unterschied übersehen die meisten Vergleiche.

• 1K-Render – Nano Banana 2.1 0,0336 $, festgelegt auf 1.120 Bild-Tokens. GPT-Image-2.6 bei mittlerer Qualität etwa 0,043 $, geschätzt aus rund 1.449 Ausgabe-Tokens.

• 2K-Rendering — Nano Banana 2.1 0,0504 $. GPT-Image-2.6 hat keine benannte 2K-Stufe; Sie geben die Pixelabmessungen in Vielfachen von 16 innerhalb eines Seitenverhältnisbereichs von 1:3 bis 3:1 an.

• 4K-Render — Nano Banana 2.1: 0,113 $, aus 3.780 Bild-Token. GPT-Image-2.6 bietet keine 4K-Stufe.

• Qualitätsobergrenze — GPT-Image-2.6 kostet bei maximaler Qualität rund 0,21 $ pro Bild; Nano Banana 2.1 erreicht maximal den 4K-Preis.

• Eingabe — Nano Banana 2.1 1,50 $ pro Million Tokens; GPT-Image-2.6 5 $ pro Million Text und 8 $ pro Million Bild.

• Batch — Nano Banana 2.1 halbiert bei 50 % des Standards. GPT-Image-2.6 ist noch nicht über die Batch-API verfügbar.

• Stellschrauben — Nano Banana 2.1 verändert die Kosten je nach Auflösungsstufe und Thinking-Level. GPT-Image-2.6 verändert die Kosten je nach Qualität, Komplexität und danach, wie viel Inhalt das Bild enthält.

Schätzungen pro Bild für GPT-Image-2.6 verdienen einen Hinweis: OpenAI veröffentlicht keinen festen Preis pro Bild, da das Unternehmen Tokens abrechnet und die Tokenanzahl je nach Anfrage variiert. Die oben genannten Zahlen stammen aus Ausgabetoken-Zählungen und sind nicht aus einer Preisliste zitiert; verschiedene Medien haben deutlich abweichende Zahlen veröffentlicht, indem sie unterschiedliche Token-Budgets annahmen. Behandeln Sie jede Aussage „GPT-Image-2.6 kostet X pro Bild“, einschließlich unserer, als eine Schätzung mit einer zugehörigen Bandbreite.

Die praktische Konsequenz ist einfach. Mit Nano Banana 2.1 können Sie einen Monat an 2K-Produktaufnahmen bis auf einen Rundungsfehler genau vorhersagen, denn die Auflösung bestimmt die Tokenanzahl und diese den Preis. Mit GPT-Image-2.6 können Sie den Tarif vorhersagen, nicht aber das Budget, weil der Komplexitätsparameter standardmäßig auf hoch steht und Planungstokens mit denselben 30 US-Dollar pro Million abgerechnet werden wie gerenderte. Wenn Ihr Finanzteam eine Zahl braucht, die sich nicht ändert, ist das ein echtes Argument für Google. Wenn Ihr Team lieber die Leistungsfähigkeit hätte und hinterher messen möchte, nicht.

Bearbeitung: vierzehn Referenzplätze gegen eine gespeicherte Bibliothek

Nano Banana 2.1 akzeptiert bis zu 14 Referenzbilder in einer Anfrage – vier Charaktere und zehn Objekte – und unterstützt maskenbasierte lokale Bearbeitungen in 1K, 2K und 4K. Googles eigene Zahlen setzen die Konsistenz bei mehreren Charakteren im Thinking-Modus auf 1.106 Elo gegenüber 978 für Nano Banana 2; das ist der größte Sprung einer einzelnen Generation in der veröffentlichten Tabelle und derjenige, der sich am direktesten auf einen realen Workflow abbilden lässt: dieselben drei Personen über eine Kampagne hinweg konsistent zu halten.

Bei GPT-Image-2.6 dreht sich die Bearbeitungsgeschichte um Sequenz statt Breite. OpenAI beschreibt Sunburst als konsistenter über aufeinanderfolgende Bearbeitungen hinweg – die zehnte Bearbeitung driftet weniger als früher – und ergänzt Markup-gestützte Bearbeitung, bei der man auf ein transparentes PNG-Overlay zeichnet, statt eine Maske bereitzustellen. Die beiden lassen sich nicht kombinieren: Entweder Markup oder Maske, nicht beides. Davon getrennt ist die wiederverwendbare Referenzbibliothek – eine Person oder Figur einmal speichern und wiederverwenden – eine ChatGPT-Funktion, keine API-Funktion, sodass ein Team, das auf /v1/images/edits setzt, sie nicht bekommt.

Wenn dein Bearbeitungsworkflow darin besteht, vierzehn Assets in einer einzigen Generierung konsistent zu halten, ist Nano Banana 2.1 von den beiden das einzige, das das schafft. Wenn er darin besteht, zwanzig kleine Änderungen an einem Bild vorzunehmen, ohne dass es an Qualität verliert, ist 2.6 genau auf dich zugeschnitten, und es gibt keine unabhängige Messung dafür, wie gut es funktioniert.

Formate: der einzige Bereich, in dem es überhaupt keinen Wettbewerb gibt

GPT-Image-2.6 exportiert SVG und gibt animierte GIFs aus. Nano Banana 2.1 gibt Rasterbilder aus und sonst nichts. Wenn das Ergebnis ein Vektor-Asset für ein Designsystem oder eine kurze Schleifenanimation für eine Produktoberfläche ist, ist der Vergleich vorbei, bevor er begonnen hat — und es lohnt sich, klar zu sagen, dass dies eine Fähigkeitslücke ist, keine Benchmark-Lücke, sodass es nicht unabhängig verifiziert werden muss, um wahr zu sein.

Bei der Auflösung ist es umgekehrt. Nano Banana 2.1 verkauft benannte 1K-, 2K- und 4K-Stufen und unterstützt bei den beiden höchsten Seitenverhältnisse bis 8:1, was bedeutet, dass man „4K, 8:1-Banner“ in ein Spezifikationsblatt schreiben kann und genau das bekommt. GPT-Image-2.6 akzeptiert benutzerdefinierte Abmessungen in Vielfachen von 16 innerhalb von 1:3 bis 3:1 und veröffentlicht keine benannte Auflösungsleiter; wenn ein Druckdienstleister also ein vertraglich festgelegtes 4K-Lieferergebnis verlangt, stellt er Ihnen eine Frage, die OpenAIs Dokumentation nicht beantwortet.

Wo Googles eigene Modellkarte die Schwäche einräumt

Ehre, wem Ehre gebührt: Googles Model Card für Nano Banana 2.1 ist ungewöhnlich offen. Sie führt unscharfen kleinen Text bei 1K auf, eine schwache Verarbeitung langer Textpassagen, unvollkommene Charakterkonsistenz, gelegentliche räumliche Links-rechts-Verwechslungen sowie begrenztes 3D-Reasoning und begrenzte faktische Genauigkeit. Das sind die Fehlermodi, die einem echten Projekt schaden – ein Produktetikett mit unleserlichem Kleingedruckten, ein Diagramm, dessen Pfeil in die falsche Richtung zeigt.

Die Versuchung liegt nahe, zu sagen, GPT-Image-2.6 habe diese Probleme nicht. Vielleicht hat es sie auch nicht. Doch es gibt keine unabhängige Bewertung der Textdarstellung oder des räumlichen Denkens von 2.6, und die ehrliche Haltung ist: Google hat seine Schwächen dokumentiert, OpenAI hat keine dokumentiert. Das Fehlen einer veröffentlichten Schwäche ist kein Beleg für deren Abwesenheit – schon gar nicht bei einem Modell, das 24 Stunden vor Niederschrift dieses Textes veröffentlicht wurde.

Wenn man all das bedenkt, eines auszuwählen

• Wenn Sie Ausgaben in Druckauflösung oder im Großformat benötigen und dabei ein Budget haben, das Sie im Voraus freigeben können, nehmen Sie Nano Banana 2.1. Die benannte Preisstaffel, die Unterstützung für 8:1-Seitenverhältnisse und der Mengenrabatt sind alles Dinge, die 2.6 derzeit nicht bietet.

• Wenn Ihre Ergebnisse Vektor- oder Motion-Inhalte umfassen, nehmen Sie GPT-Image-2.6. Kein Preisvorteil auf der anderen Seite – und sei er noch so groß – verschafft Ihnen ein SVG.

• Wenn Ihre Arbeit aus langen Bearbeitungssequenzen an einer kleinen Anzahl von Assets besteht, ist 2.6 das besser zugeschnittene Produkt – mit der Einschränkung, dass niemand außerhalb von OpenAI gemessen hat, ob es liefert.

• Wenn Sie heute das beste unabhängig verifizierte Standbild wollen, nehmen Sie keines von beiden. Das ist GPT-Image-2.5 Sunburst, mit 1.224 bei Text-to-Image und 1.200 beim Editing, und es ist einen Monat älter als eines dieser Modelle und zwei Monate älter als das andere.

Der letzte Aufzählungspunkt ist der, den die Leute überspringen werden, und er ist der nützlichste Satz hier. Beide Anbieter verkaufen Ihnen einen Schritt nach vorn. Auf Grundlage der einzigen öffentlichen Belege, die nicht von einem der beiden stammen, ist der Schritt nach vorn noch nicht sichtbar.

Wie man beides sieht, ohne auf eines zu setzen

OrcaRouter führt mit Stand vom 5. November 2026 weder GPT-Image-2.6 noch Nano Banana 2.1, daher ist dies kein Beitrag, in dem wir Ihnen empfehlen können, einen Endpunkt für beide zu verwenden. Was wir führen, ist die jeweils vorherige Generation – GPT-Image-2.5 Sunburst und GPT-Image-2.5 Flare sowie Nano Banana 2 als gemini-3.1-flash-image-preview– über einen einzigen Schlüssel, zum Listenpreis mit 0 % Aufschlag, sodass der Tarif des Anbieters genau der Tarif ist, den Sie zahlen, mit automatischem Failover zwischen den Anbietern.

Was ohnehin der richtige Weg zum Einstieg ist. Die Modelle mit verifizierten Scores sind genau die Modelle, die Sie heute über einen einzigen Endpunkt und eine einzige Abrechnung aufrufen können, und wenn Sie Ihre eigenen Prompts durch diese beiden schicken, erfahren Sie, welche Ästhetik und welche Fehlermodi des jeweiligen Anbieters zu Ihrer Arbeit passen — bevor Sie sich aufgrund eines Launch-Posts für die neueste Veröffentlichung des einen oder anderen Anbieters entscheiden. Wenn jedes neue Modell in den Katalog gelangt, sorgt die Durchreichungsregel dafür, dass der Preis des Anbieters unverändert mitkommt, sodass sich auf Ihrer Seite nur der Modell-String ändert.

Das ist die Reihenfolge, die die Beweislage stützt: die Anbieterfrage für die Generation klären, über die abgestimmt wurde, und dann zur neuen übergehen, sobald es eine Zahl gibt, auf die man sich stützen kann. Die Alternative – zwischen zwei Modellen zu wählen, deren einzige vergleichbare Werte von ihren Vorgängern stammen – ist eine Wette, die als Vergleich ausgegeben wird.