Ming-Image-0.1-Design vs Nano Banana 2 Lite: Capas editables o cuatro segundos

Aquí está toda la comparación en una frase: Ming-Image-0.1-Design te ofrece un diseño que todavía puedes desmontar, y Nano Banana 2 Lite te da una imagen en unos cuatro segundos que no puedes desmontar. Ambos ponen texto legible en una imagen. Ambos están dirigidos, explícitamente, a pantallas de aplicaciones, paneles de control y maquetas. Difieren en lo que decide si un flujo de trabajo de diseño es barato o caro —si la salida es un artefacto plano o un conjunto de componentes— y en si pagas por eso con dinero o con una GPU de 80 GiB.

Ming-Image-0.1-Design es el modelo de texto a imagen de 6B de inclusionAI, con licencia MIT, cuyos pesos se publicaron el 17 de septiembre de 2026. Nano Banana 2 Lite es el nombre orientado al consumidor de Gemini 3.1 Flash-Lite Image de Google —el ID de modelo exacto que llamarías—, un modelo alojado con disponibilidad general global desde junio de 2026 a unos $0,034 por cada 1000 imágenes. Uno es una descarga. Uno es un medidor.

Lo que vuelve a salir

• Ming-Image-0.1-Design — hasta 2048 x 2048 con 12 pasos de muestreo y CFG 1.0, o 1024 x 1024 para mayor velocidad, con los tamaños intermedios ajustados a uno de esos dos buckets; RGBA nativo cuando el prompt comienza con una frase de transparencia documentada; un modelo complementario, Ming-Image-0.1-Design-Layer, descompone un diseño aplanado en 2–9 PNG RGBA independientes que se recomponen en el original

• Nano Banana 2 Lite — una imagen fija de 1K, de aproximadamente 1024 x 1024, en aproximadamente cuatro segundos, aproximadamente cinco veces más rápida que su hermano mayor Nano Banana 2; sin 2K ni 4K, que se encuentran en Nano Banana 2 y Nano Banana Pro; hasta 14 imágenes de referencia por prompt; marca de agua SynthID y procedencia C2PA en cada salida

• Modo de entrada — Ming-Image-0.1-Design genera solo a partir de un prompt, sin necesidad de una imagen de referencia; Nano Banana 2 Lite se encarga de texto a imagen, edición y composición de varias imágenes en un solo modelo, y ahí es donde el límite de 14 referencias se justifica

• {{1}}Acceso{{/1}} — pesos {{2}}MIT{{/2}} que sirves tú mismo en una GPU CUDA de 80 GiB frente a una API alojada en la infraestructura de Google

• Nota de fuentes — La transparencia y el comportamiento de capas de Ming-Image-0.1-Design están documentados en las tarjetas del modelo; las cifras de Crello publicadas para el modelo Layer, un error L1 de RGB de 0,0574 y un IoU suave de alfa de 0,8923 a 1024, son reportadas por el proveedor y no se han reproducido

La cuestión de la capa no es una preferencia

La salida plana frente a la salida por capas parece una diferencia de estilo hasta que uno pone precio al trabajo que viene después.

Una imagen plana de 1K de un panel es una imagen de un panel. Para cambiar el titular, cambiar un logo, recolorear una tarjeta o localizar el texto, alguien regenera todo el conjunto y espera que el resto permanezca igual — que es exactamente el modo de fallo que un equipo de diseño reconoce al instante, porque es la razón por la que los diseñadores no trabajan con archivos planos. La salida por capas es una clase de artefacto diferente: Ming-Image-0.1-Design-Layer devuelve texto, tarjetas, sujeto principal y fondo como PNG RGBA separados que se recomponen en el original, por lo que un cambio de título es un cambio de título en lugar de una regeneración.

Ahí es también donde el soporte de transparencia demuestra su valor. El RGBA nativo hace que un fondo transparente salga del sampler, así que un recurso se coloca sobre un diseño existente sin una pasada de matting. Si alimentas el mismo pipeline con una imagen plana de 1K con un fondo ya integrado, estarás pagando a un modelo de segmentación —o a una persona— para hacer el recorte que el sampler podría haber hecho.

Nada de esto hace que Nano Banana 2 Lite sea peor en lo que es. Lo convierte en una etapa distinta del proceso. La propia guía de Google para el trabajo de UI deja claro que el valor del modelo es la velocidad y el volumen: renderizar por lotes, elegir el mejor, componer para 1K y recortar después, mantener el texto crítico corto y grande porque las líneas largas y las leyendas diminutas fallan, y tratar los gráficos y los datos como borradores de diseño en lugar de números reales. Eso es una herramienta de borrador, descrita con honestidad por el proveedor.

Lo que dicen los tableros, léelo con atención.

Esta es la rara comparación en la que ambos modelos tienen cifras de terceros, así que lo interesante es qué tabla lees.

• Tabla completa de Texto a Imagen — Nano Banana 2 Lite en el #13, Elo 1.092, ±8, 16.022 votos, listado en junio de 2026; Ming-Image-0.1-Design en el #45, Elo 995, ±8, 21.342 votos, listado en septiembre de 2026

• Segmento de Diseño UI/UX — Nano Banana 2 Lite en el n.º 11, Elo 1.119, 1.618 votos en el segmento; Ming-Image-0.1-Design en el n.º 16, Elo 1.084, 2.100 votos en el segmento

• Clasificación de edición — Nano Banana 2 Lite en el n.º 24, Elo 1.042, 6.074 votos; Ming-Image-0.1-Design no tiene entrada

• Posición de los pesos abiertos en el segmento de UI/UX — Ming-Image-0.1-Design es el modelo de pesos abiertos mejor valorado allí; Nano Banana 2 Lite es un modelo alojado y se sitúa por encima de él

Lee la tabla completa y Nano Banana 2 Lite gana por 97 Elo. Lee el segmento de diseño y gana por 35. Lee la tabla de edición y gana sin oposición. La brecha que parece decisiva en el nivel superior se reduce a aproximadamente un tercio de su tamaño cuando las indicaciones son de diseño, que es el mismo patrón que muestra este modelo en todas las comparaciones: rinde por debajo de su propia especialidad en trabajo general y cierra la mayor parte de la distancia en maquetaciones.

Una afirmación de proveedor que vale la pena tratar con cuidado, porque es del tipo que se propaga. Los materiales de lanzamiento de inclusionAI informan de victorias en UI cara a cara de Ming-Image-0.1-Design frente a Nano Banana 2 Lite, FLUX.2 [max] y Krea 2 Medium en un panel de escritorio con múltiples elementos —un 12 de 12 reportado—, y frente a Nano Banana 2, Nano Banana Pro y MAI-Image-2.5-Flash en una app de recetas de tres páginas, un 10 de 10 reportado. Esas son comparaciones ejecutadas por el proveedor con prompts que este eligió, sin un conjunto de prompts publicado, y las cifras de arena anteriores no las reproducen: en el segmento de UI/UX, Nano Banana 2 Lite lidera por 35 Elo en votos ciegos independientes. Considera la barrida como un artefacto de marketing y el segmento como evidencia.

La aritmética de costos, ejecutada correctamente

Las dos etiquetas de precio no miden lo mismo, y una razón ingenua es peor que inútil.

Nano Banana 2 Lite se factura por imagen entregada: alrededor de $0.034 a la tarifa estándar de la API por una imagen 1K, con un precio por lotes más bajo, de aproximadamente $0.017, sobre una base de tokens de $0.25 por millón de entrada y $1.50 por millón de salida. El tablero de Artificial Analysis lista el mismo modelo a $33.60 por 1,000 imágenes, que es la misma cifra redondeada. Las generaciones fallidas o descartadas son una partida, por lo que el costo de un borrador rechazado es real.

Ming-Image-0.1-Design no tiene ningún precio por imagen en absoluto. La tabla indica $30.00 por cada 1000 imágenes, pero esa es una columna derivada de la tabla, no una lista de tarifas del proveedor: inclusionAI publica pesos y una receta de servicio, no una API. El costo real es una GPU CUDA con 80 GiB de VRAM, más la electricidad y el tiempo de ingeniería para desplegarlo. El costo marginal de la vigesimoprimera imagen es casi cero; el costo fijo, no.

El punto de cruce es el habitual para el autoalojamiento, y cae donde cabría esperar. Con unos cientos de imágenes al mes, 0,034 $ por cada una es trivial y el autoalojamiento es un pasatiempo. Con millones de imágenes, el medidor por imagen se convierte en una partida que tu equipo de finanzas nota, y una flota de GPU amortizada empieza a parecer más barata — siempre que las imágenes que generas sean del tipo que se beneficia de las capas, porque si vas a aplanar la salida de todos modos, pagaste por una capacidad que no usaste.

También hay un argumento de resiliencia que favorece la descarga, y no es sentimental. Una API alojada es una dependencia; un modelo que ejecutas es un activo. Si la generación de imágenes ocupa el centro de tu producto, poseer los pesos elimina una clase de interrupciones y cambios de precios de proveedores del registro de riesgos. Si no es así, alquilar a tres centavos por imagen es la decisión correcta y la GPU es una distracción.

Por nuestra parte, la versión honesta: OrcaRouter no enruta ningún modelo de inclusionAI, así que Ming-Image-0.1-Design es tu hardware o nada. Tampoco enrutamos Nano Banana 2 Lite: el nivel Gemini 3.1 Flash Image que ofrecemos es el hermano en vista previa, no el Lite. Lo que sí ofrecemos en el apartado de imágenes es la familia OpenAI GPT-Image, los niveles de Google Imagen 4 y las vistas previas de imágenes de Gemini, y el endpoint de imágenes Grok Imagine de xAI. Donde una capa de enrutamiento hace un trabajo real es cuando quieres ejecutar el mismo conjunto de prompts contra un modelo alojado en el que ya confías mientras evalúas este: un endpoint compatible con OpenAI a través de más de 200 modelos, el precio de lista del proveedor trasladado con un 0 % de margen, para que una bajada de precio de un proveedor esté activa el mismo día, y conmutación por error automática entre proveedores para que un nuevo checkpoint no tenga que ser una apuesta sobre tu ruta de producción.

Cuál realmente necesitas

• Generación de gran volumen donde el resultado es el producto: Nano Banana 2 Lite. Cuatro segundos y tres centavos por imagen es una categoría de rendimiento genuinamente distinta, y un precio por imagen está bien cuando las imágenes son el entregable.

• Diseños que se editarán después — Ming-Image-0.1-Design. Si el siguiente paso tras la generación es «cambiar el título», una salida RGBA por capas evita la regeneración, y el modelo de capas es el único mecanismo en esta comparación que produce una.

• Una ruta alojada con una puntuación de edición medida — Nano Banana 2 Lite, que tiene una entrada en la tabla de edición con Elo 1.042, mientras que Ming-Image-0.1-Design no tiene ninguna.

• Texto a gran escala, impresión o 2K o más: ninguno de los dos. Nano Banana 2 Lite está fijado en 1K por diseño, y Ming-Image-0.1-Design alcanza como máximo 2048 en cuadrado con un número de pasos concebido para el rendimiento más que para la máxima fidelidad.

• Datos que tienen que ser reales — tampoco, y Google lo dice sobre su propio modelo: los gráficos y las figuras en un diseño generado son un borrador, no un conjunto de datos. La propia tarjeta de Ming-Image-0.1-Design es igualmente clara en que el diseño y el texto son sus fortalezas, mientras que las acciones manuales complejas, las secuencias de varios pasos y las sombras y reflejos finos son menos estables.

La decisión se reduce a cuál recurso escaso te falta. Nano Banana 2 Lite te vende tiempo y te cobra por imagen; Ming-Image-0.1-Design te vende estructura y te cobra una GPU. Lo que vale la pena observar es si inclusionAI alguna vez conecta un endpoint a estos pesos, porque ese único cambio convertiría una decisión de autoalojamiento en una simple comparación de precios — y si Google alguna vez elimina el límite de 1K en el nivel Lite, lo que eliminaría la razón principal por la que un equipo de diseño va más allá.