GPT-Image-2.6 vs Nano Banana 2.1: La tabla de clasificación se contradice a sí misma

El 5 de noviembre de 2026, los dos modelos de imagen más interesantes a los que puedes recurrir se llevan un mes de diferencia en antigüedad, cuestan aproximadamente un centavo por imagen de diferencia entre sí, y ninguno de ellos es el modelo que los rankings independientes sitúan en primer lugar. OpenAI lanzó GPT-Image-2.6 el 4 de noviembre. Google lanzó Nano Banana 2.1 el 6 de octubre. Artificial Analysis, que ha dejado por los suelos las generaciones anteriores de ambas compañías, no tiene ninguna fila para GPT-Image-2.6 — mientras que Nano Banana 2.1 ocupa el cuarto puesto en su tabla de texto a imagen con 1.175 puntos Elo y 6.322 votos, y el cuarto en su tabla de edición con 1.151 puntos y 7.009 votos, por detrás de tres modelos que son todos más antiguos que el que OpenAI anunció esta semana.

Ese es todo el problema de esta comparativa en un párrafo. El modelo con un mes de votos es el más barato, el de movimiento más lento y el que ya se lanzó. El modelo sin votos es el que tiene nuevos formatos de salida. Cualquiera que te diga cuál de estos es mejor está citando a un proveedor o adivinando.

Dos lanzamientos, dos instintos opuestos

El lanzamiento de octubre de Google es un movimiento de precios e infraestructura. Nano Banana 2.1 — ID de API gemini-nano-banana-2.1, construido sobre Gemini 3.6 Flash — no añadió un nuevo formato de salida, un nuevo medio ni un nuevo tipo de control. Redujo los tokens de salida de imagen de $60 a $30 por millón, lo que reduce a la mitad el costo de un renderizado en 1K a $0.0336 y de uno en 2K a $0.0504, y dejó 4K en $0.113 porque la resolución más alta conlleva 3,780 tokens de imagen en lugar de 2,520. Añadió una escala de resoluciones con nombre, un cuarto recuento de ranuras de referencia por si llevabas la cuenta, y fundamentación con búsqueda. La propuesta es la previsibilidad: conoces el nivel, conoces el número de tokens, conoces la factura.

El lanzamiento de OpenAI en noviembre responde a una intuición completamente distinta. GPT-Image-2.6 mantuvo la tarifa exactamente donde GPT-Image-2.5 la dejó —$5 por millón de tokens de entrada de texto, $8 por millón de tokens de entrada de imagen y $30 por millón de tokens de salida de imagen— y dedicó el lanzamiento a nuevos controles y nuevos entregables: un control de complejidad, edición guiada por marcado, exportación a SVG, salida de GIF animado, fondos transparentes y tamaños personalizados en múltiplos de 16 píxeles. La propuesta es la capacidad: aquí hay cosas que el modelo puede crear que el anterior no podía.

Vuelve a leer esos dos párrafos y podrás predecir casi todas las diferencias prácticas entre los productos. Una empresa está optimizando la economía unitaria de algo que ya funciona. La otra está ampliando el conjunto de cosas que ese algo puede llegar a ser.

Lo que realmente dicen los consejos independientes

Artificial Analysis gestiona dos tableros de imágenes independientes, y esa separación importa: un modelo puede ser excelente generando una imagen desde cero a partir de un prompt y mediocre siguiendo una instrucción de edición, y promediar ambos oculta exactamente la diferencia que le importa a un equipo de producción.

Texto a imagen — GPT-Image-2.5 Sunburst (max) 1,224 Elo, 13,153 votos, primer puesto. GPT-Image-2.5 Flare (max) 1,207, segundo puesto. GPT Image 2 (high) 1,188, tercer puesto. Nano Banana 2.1 1,175, 6,322 votos, cuarto puesto. GPT-Image-2.6: sin fila.

Edición — GPT-Image-2.5 Sunburst (max) 1.200, 18.370 votos, primero. MAI-Image-2.7-Preview 1.197, segundo. GPT-Image-2.5 Flare (max) 1.183, tercero. Nano Banana 2.1 1.151, 7.009 votos, cuarto. GPT-Image-2.6: sin fila.

• Frente a su propio predecesor — Nano Banana 2.1 supera a Nano Banana 2, que ocupa el séptimo lugar en texto a imagen con 1.140 Elo de 16.224 votos, por 35 puntos.

Antes de que alguien base una decisión de compra en esas cifras, conviene señalar dos advertencias. La primera es el tamaño de la muestra: los 6.322 votos de texto a imagen de Nano Banana 2.1 son menos de la mitad de los 13.153 de GPT-Image-2.5 Sunburst, por lo que su intervalo de confianza es más amplio y su posición está menos consolidada de lo que sugiere la clasificación. La segunda es que una diferencia de 49 puntos entre el primero y el cuarto en una escala Elo de unos 1000 puntos es real, pero no enorme: es el tipo de diferencia que se manifiesta de forma fiable en las votaciones por pares a ciegas y de forma intermitente en si una imagen concreta resulta utilizable para una tarea concreta.

Dos afirmaciones de proveedores que no se pueden comparar entre sí

Ambas empresas publican sus propias cifras de preferencia humana y ambos conjuntos son inutilizables para esta decisión, por razones diferentes.

Google informa que Nano Banana 2.1 obtiene 1.050 Elo en modo de pensamiento y 1.015 sin pensamiento en una evaluación interna humana comparativa lado a lado, frente a 990 de Nano Banana 2 y 935 de Nano Banana Pro. Son mediciones reales de evaluadores reales, y están en la propia escala de Google con la propia distribución de prompts de Google; por eso 1.050 y 1.175 de Artificial Analysis describen el mismo modelo sin contradecirse entre sí. No compares los resultados entre sí.

OpenAI cita Design Arena para un primer puesto de GPT-Image-2.6 Sunburst. El mismo problema con otra forma: un panel distinto, un grupo de evaluadores distinto y un proveedor que selecciona el panel que favorece el lanzamiento. Bien puede ser cierto. No es un número que puedas poner junto a 1,175 y restarle.

El único resumen honesto es que Google cuenta con una posición medida de forma independiente y OpenAI todavía no tiene una. Esa asimetría debería determinar cuánta confianza depositas en cada uno.

Los medidores: una escalera con nombre frente a un presupuesto de tokens

Aquí es donde los dos productos divergen de una manera que importa más a un equipo de finanzas que a un diseñador, y es la diferencia que la mayoría de las comparativas pasan por alto.

• Renderizado 1K — Nano Banana 2.1 $0.0336, fijado en 1,120 tokens de imagen. GPT-Image-2.6 en calidad media, aproximadamente $0.043, estimado a partir de unos 1,449 tokens de salida.

• Renderizado 2K — Nano Banana 2.1 $0.0504. GPT-Image-2.6 no tiene un nivel 2K con nombre; se especifican las dimensiones de píxeles en múltiplos de 16 dentro de un rango de relación de aspecto de 1:3 a 3:1.

• Renderizado 4K — Nano Banana 2.1 $0.113, a partir de 3,780 tokens de imagen. GPT-Image-2.6 no publica ningún nivel 4K.

• Techo de calidad: GPT-Image-2.6 a máxima calidad cuesta aproximadamente $0.21 por imagen; Nano Banana 2.1 llega como máximo al precio de 4K.

• Entrada — Nano Banana 2.1: $1.50 por millón de tokens; GPT-Image-2.6: $5 por millón de texto y $8 por millón de imagen.

• Lote — Nano Banana 2.1 se reduce a la mitad, al 50 % del estándar. GPT-Image-2.6 aún no está disponible a través de la API Batch.

• Palancas — Nano Banana 2.1 cambia el costo según el nivel de resolución y el nivel de razonamiento. GPT-Image-2.6 cambia el costo según la calidad, la complejidad y la cantidad de contenido que contiene la imagen.

Las estimaciones por imagen para GPT-Image-2.6 merecen una advertencia: OpenAI no publica un precio fijo por imagen, porque cobra por tokens y el número de tokens varía según lo que se haya solicitado. Las cifras anteriores se derivan de recuentos de tokens de salida, no se citan de una lista de precios, y distintos medios han publicado cifras sustancialmente diferentes al suponer distintos presupuestos de tokens. Cualquier afirmación del tipo «GPT-Image-2.6 cuesta X por imagen», incluida la nuestra, debe tratarse como una estimación con un rango asociado.

La consecuencia práctica es sencilla. Con Nano Banana 2.1 puedes pronosticar un mes de fotos de producto en 2K con un margen de error de redondeo, porque la resolución determina el número de tokens, que determina el precio. Con GPT-Image-2.6 puedes pronosticar la tarifa pero no el presupuesto, porque el parámetro de complejidad se establece por defecto en alto y los tokens de planificación se facturan a los mismos $30 por millón que los renderizados. Si tu equipo de finanzas necesita una cifra que no se mueva, ese es un argumento real a favor de Google. Si tu equipo prefiere tener la capacidad y medir después, no lo es.

Edición: catorce ranuras de referencia frente a una biblioteca guardada

Nano Banana 2.1 acepta hasta 14 imágenes de referencia en una sola solicitud —cuatro personajes y diez objetos— y admite ediciones locales basadas en máscaras en 1K, 2K y 4K. Las cifras del propio Google sitúan la consistencia entre varios personajes en 1.106 Elo en modo de pensamiento, frente a 978 de Nano Banana 2, lo que representa el mayor salto de una generación a la siguiente en su tabla publicada y el que se traduce de forma más directa en un flujo de trabajo real: mantener a las mismas tres personas consistentes a lo largo de una campaña.

La historia de edición de GPT-Image-2.6 gira en torno a la secuencia más que a la amplitud. OpenAI describe Sunburst como más consistente a lo largo de ediciones sucesivas —la décima edición se desvía menos de lo que solía— y añade la edición guiada por marcas, en la que se dibuja sobre una capa PNG transparente en lugar de proporcionar una máscara. Las dos no se pueden combinar: o marcas o máscara, no ambas. Por separado, la biblioteca de referencias reutilizables —guardar a una persona o personaje una vez y reutilizarlo— es una función de ChatGPT, no de la API, así que un equipo que construya sobre /v1/images/edits no la obtiene.

Si tu flujo de trabajo de edición consiste en «mantener catorce recursos coherentes en una sola generación», Nano Banana 2.1 es el único de los dos que lo logra. Si consiste en «hacer veinte cambios pequeños en una sola imagen sin que se degrade», 2.6 está dirigido justamente a ti, y no existe ninguna medición independiente de qué tan bien funciona.

Formatos: el único terreno donde no hay competencia alguna

GPT-Image-2.6 exporta SVG y genera GIF animados. Nano Banana 2.1 genera imágenes raster y nada más. Si el entregable es un recurso vectorial para un sistema de diseño o una animación breve en bucle para una superficie de producto, la comparación termina antes de empezar —y vale la pena decir sin rodeos que esto es una brecha de capacidades, no una brecha de benchmarks, así que no necesita verificación independiente para ser cierto.

Lo contrario ocurre con la resolución. Nano Banana 2.1 ofrece niveles con nombre de 1K, 2K y 4K y admite relaciones de aspecto de hasta 8:1 en los dos superiores, lo que significa que puedes escribir «4K, 8:1 banner» en una hoja de especificaciones y obtenerlo. GPT-Image-2.6 acepta dimensiones personalizadas en múltiplos de 16 dentro de 1:3 a 3:1 y no publica una escala de resolución con nombres, así que un proveedor de impresión que pida un entregable 4K especificado por contrato te está haciendo una pregunta que la documentación de OpenAI no responde.

Donde la propia ficha del modelo de Google admite la debilidad

Hay que reconocerlo: la ficha del modelo de Google para Nano Banana 2.1 es inusualmente franca. Enumera texto pequeño borroso a 1K, manejo deficiente de pasajes largos de texto, consistencia imperfecta de los personajes, confusión espacial ocasional entre izquierda y derecha, y razonamiento 3D y precisión fáctica limitados. Esos son los modos de fallo que perjudican un proyecto real: una etiqueta de producto con letra pequeña ilegible, un diagrama con la flecha apuntando en la dirección equivocada.

La tentación es decir que GPT-Image-2.6 no tiene esos problemas. Puede que no los tenga. Pero no existe una evaluación independiente del renderizado de texto o el razonamiento espacial de 2.6, y la postura honesta es que Google ha documentado sus debilidades y OpenAI no ha documentado ninguna. La ausencia de una debilidad publicada no es evidencia de ausencia, especialmente para un modelo lanzado 24 horas antes de que se escribiera esto.

Escoger uno, teniendo en cuenta todo eso

• Si necesitas una salida con resolución de imprenta o en gran formato con un presupuesto que puedas aprobar de antemano, elige Nano Banana 2.1. La escalera de nombres, la compatibilidad con relación de aspecto 8:1 y el descuento por lotes son cosas que 2.6 no ofrece actualmente.

• Si tus entregables incluyen vectores o movimiento, elige GPT-Image-2.6. Ninguna ventaja de precio del otro lado te consigue un SVG.

• Si tu trabajo consiste en secuencias de edición largas sobre un número reducido de activos, 2.6 es el producto mejor orientado, con la salvedad de que nadie fuera de OpenAI ha medido si realmente cumple.

• Si lo que quieres es la mejor imagen fija verificada de forma independiente que existe hoy, no elijas ninguna de las dos. Esa es GPT-Image-2.5 Sunburst, con 1.224 en texto a imagen y 1.200 en edición, y es un mes más antigua que uno de estos modelos y dos meses más antigua que el otro.

Esa última viñeta es la que la gente se saltará, y es la frase más útil aquí. Ambos proveedores te están vendiendo un paso adelante. Según la única evidencia pública que no fue producida por ninguno de los dos, el paso adelante aún no es visible.

Cómo ver ambos sin apostar por ninguno

OrcaRouter no ofrece GPT-Image-2.6 ni Nano Banana 2.1 a fecha de 5 de noviembre de 2026, así que este no es un artículo en el que podamos decirte que apuntes un único endpoint a ambos. Lo que sí ofrecemos es la generación anterior de cada uno — GPT-Image-2.5 Sunburst y GPT-Image-2.5 Flare, y Nano Banana 2 como gemini-3.1-flash-image-preview — con una sola clave, a precio de lista con 0 % de margen, de modo que la tarifa del proveedor es la que pagas, con conmutación por error automática entre proveedores.

Lo cual, de todos modos, resulta ser la manera correcta de empezar. Los modelos con puntuaciones verificadas son exactamente los modelos que puedes llamar hoy desde un único endpoint y con una sola factura, y ejecutar tus propios prompts a través de esos dos te dice qué estética y modos de fallo de proveedor encajan con tu trabajo —antes de comprometerte con el lanzamiento más reciente de cualquiera de los dos proveedores basándote en una publicación de lanzamiento. Cuando cada nuevo modelo llega al catálogo, la regla de paso directo hace que el precio del proveedor llegue con él sin cambios, así que lo único que cambia de tu lado es la cadena del modelo.

Esa es la secuencia que respaldan las pruebas: resolver la cuestión del proveedor con la generación sobre la que ya se ha votado y, después, pasar a la nueva cuando haya una cifra con la que avanzar. La alternativa —elegir entre dos modelos cuyas únicas puntuaciones comparables pertenecen a sus predecesores— es una apuesta disfrazada de comparación.