GPT-Image-2.6 vs Nano Banana 2.1 : le classement se contredit

Le 5 novembre 2026, les deux modèles d’image les plus intéressants auxquels on puisse faire appel ont un mois d’écart d’âge, environ un centime d’écart par image, et aucun des deux n’est le modèle que les classements indépendants placent en tête. GPT-Image-2.6 a été lancé par OpenAI le 4 novembre. Nano Banana 2.1 a été lancé par Google le 6 octobre. Artificial Analysis, qui a démoli les générations précédentes des deux entreprises dans ses évaluations, n’a aucune ligne pour GPT-Image-2.6 — tandis que Nano Banana 2.1 occupe la quatrième place de son classement texte-image avec 1 175 Elo issus de 6 322 votes, et la quatrième place de son classement d’édition avec 1 151 Elo issus de 7 009 votes, derrière trois modèles tous plus anciens que celui qu’OpenAI a annoncé cette semaine.

Voilà tout le problème de cette confrontation en un paragraphe. Le modèle qui a un mois de votes est le moins cher, le plus lent à évoluer, celui déjà livré. Le modèle sans votes est celui qui propose de nouveaux formats de sortie. Quiconque vous dit lequel des deux est meilleur cite soit un fournisseur, soit devine.

Deux lancements, deux instincts opposés

La version d'octobre de Google est une manœuvre tarifaire et d'infrastructure. Nano Banana 2.1 — ID d'API gemini-nano-banana-2.1, reposant sur Gemini 3.6 Flash — n'a ajouté aucun nouveau format de sortie, aucun nouveau support, ni aucun nouveau type de contrôle. Il a fait passer le prix des jetons de sortie d'image de $60 à $30 par million, ce qui divise par deux le coût d'un rendu 1K à $0.0336 et d'un rendu 2K à $0.0504, et a laissé le rendu 4K à $0.113, car la résolution supérieure compte 3,780 jetons d'image plutôt que 2,520. Il a ajouté une échelle de résolutions nommées, un quatrième emplacement de référence, si vous suiviez le compte, et l'ancrage par recherche. L'argument de vente est la prévisibilité : vous connaissez le palier, vous connaissez le nombre de jetons, vous connaissez la facture.

La sortie de novembre d’OpenAI obéit à une tout autre logique. GPT-Image-2.6 a maintenu la grille tarifaire exactement là où GPT-Image-2.5 l’avait laissée — 5 $ par million de tokens d’entrée texte, 8 $ par million de tokens d’entrée image, 30 $ par million de tokens de sortie image — et a consacré cette version à de nouveaux réglages et de nouveaux livrables : un contrôle de la complexité, une édition guidée par balisage, l’export SVG, la sortie de GIF animés, des arrière-plans transparents, des tailles personnalisées en multiples de 16 pixels. L’argument de vente est la capacité : voici des choses que le modèle peut créer que le précédent ne pouvait pas.

Relisez ces deux paragraphes et vous pouvez prédire presque toutes les différences pratiques entre les produits. Une entreprise optimise l’économie unitaire d’une chose qui fonctionne déjà. L’autre élargit l’ensemble des choses que cette chose peut être.

Ce que disent réellement les conseils indépendants

Artificial Analysis gère deux classements d'images distincts, et cette séparation a son importance — un modèle peut être excellent pour générer une image à partir d'un prompt, à partir de rien, et médiocre pour suivre une instruction de retouche, et faire la moyenne des deux masque précisément la différence qui importe à une équipe de production.

• Texte-vers-image — GPT-Image-2.5 Sunburst (max) 1 224 Elo, 13 153 votes, premier. GPT-Image-2.5 Flare (max) 1 207, deuxième. GPT Image 2 (high) 1 188, troisième. Nano Banana 2.1 1 175, 6 322 votes, quatrième. GPT-Image-2.6 : aucune ligne.

• Édition — GPT-Image-2.5 Sunburst (max) 1 200, 18 370 votes, premier. MAI-Image-2.7-Preview 1 197, deuxième. GPT-Image-2.5 Flare (max) 1 183, troisième. Nano Banana 2.1 1 151, 7 009 votes, quatrième. GPT-Image-2.6 : aucune ligne.

• Face à son propre prédécesseur — Nano Banana 2.1 devance Nano Banana 2, qui se classe septième en text-to-image avec 1 140 Elo sur 16 224 votes, de 35 points.

Deux mises en garde avant de fonder une décision d’achat sur ces chiffres. La première concerne la taille de l’échantillon : les 6 322 votes texte-image de Nano Banana 2.1 représentent moins de la moitié des 13 153 de GPT-Image-2.5 Sunburst, son intervalle de confiance est donc plus large et sa position moins stable que ne le laisse entendre le classement. La seconde est qu’un écart de 49 points entre le premier et le quatrième sur une échelle Elo d’environ 1 000 points est réel mais pas énorme — c’est le genre d’écart qui apparaît de manière fiable dans les votes en aveugle par paires et de façon intermittente lorsqu’il s’agit de savoir si une image donnée est utilisable pour une tâche donnée.

Deux allégations de fournisseurs qui ne peuvent pas être comparées entre elles

Les deux entreprises publient leurs propres chiffres de préférence humaine, et les deux ensembles sont inutilisables pour cette décision, pour des raisons différentes.

Google indique que Nano Banana 2.1 obtient 1 050 Elo en mode réflexion et 1 015 sans réflexion lors d'une évaluation interne par des humains en comparaison côte à côte, contre 990 pour Nano Banana 2 et 935 pour Nano Banana Pro. Ce sont de véritables mesures réalisées par de vrais évaluateurs, et elles reposent sur l'échelle de Google avec la distribution de prompts de Google — c'est pourquoi 1 050 et le 1 175 d'Artificial Analysis décrivent tous deux le même modèle sans se contredire. Ne comparez pas les résultats d'une échelle à l'autre.

OpenAI cite Design Arena pour une première place pour GPT-Image-2.6 Sunburst. Le même problème sous une autre forme : un autre classement, un autre vivier d’évaluateurs, et un fournisseur qui choisit le classement qui flatte la sortie. C’est peut-être bien vrai. Ce n’est pas un nombre que l’on peut mettre à côté de 1,175 et soustraire.

Le seul résumé honnête est que Google dispose d’une position mesurée de manière indépendante, alors qu’OpenAI n’en a pas encore. Cette asymétrie devrait déterminer le degré de confiance que vous accordez à chacune.

Les compteurs : une échelle nommée face à un budget de tokens

C'est ici que les deux produits divergent d'une manière qui compte davantage pour une équipe financière que pour un designer, et c'est précisément la différence que la plupart des comparatifs omettent.

• Rendu 1K — Nano Banana 2.1 à 0,0336 $, fixé à 1 120 tokens d’image. GPT-Image-2.6 en qualité moyenne environ 0,043 $, estimé à partir d’environ 1 449 tokens de sortie.

• Rendu 2K — Nano Banana 2.1 0,0504 $. GPT-Image-2.6 n'a pas de niveau 2K nommé ; vous spécifiez les dimensions en pixels en multiples de 16 dans une plage de rapport d'aspect de 1:3 à 3:1.

• Rendu 4K — Nano Banana 2.1 à 0,113 $, à partir de 3 780 jetons d'image. GPT-Image-2.6 ne propose aucun palier 4K.

• Plafond de qualité — GPT-Image-2.6 en qualité maximale coûte environ 0,21 $ par image ; Nano Banana 2.1 plafonne au tarif 4K.

• Entrée — Nano Banana 2.1 : 1,50 $ par million de jetons ; GPT-Image-2.6 : 5 $ par million de jetons de texte et 8 $ par million de jetons d’image.

• Lot — Nano Banana 2.1 à 50 % du tarif standard. GPT-Image-2.6 n’est pas encore disponible via l’API Batch.

• Leviers — Nano Banana 2.1 fait varier le coût selon le palier de résolution et le niveau de réflexion. GPT-Image-2.6 fait varier le coût selon la qualité, la complexité et la quantité de contenu présente dans l'image.

Les estimations par image pour GPT-Image-2.6 méritent une mise en garde : OpenAI ne publie pas de prix fixe par image, car l’entreprise facture des tokens et le nombre de tokens varie selon ce que vous avez demandé. Les chiffres ci-dessus sont dérivés de nombres de tokens de sortie, et non cités d’une grille tarifaire, et différents médias ont publié des chiffres sensiblement différents en supposant des budgets de tokens différents. Considérez toute affirmation du type « GPT-Image-2.6 coûte X par image », y compris la nôtre, comme une estimation assortie d’une fourchette.

La conséquence pratique est simple. Avec Nano Banana 2.1, vous pouvez prévoir un mois de photos produit en 2K à une erreur d’arrondi près, car la résolution détermine le nombre de tokens, qui détermine le prix. Avec GPT-Image-2.6, vous pouvez prévoir le tarif mais pas le budget, car le paramètre de complexité est défini sur élevé par défaut et les tokens de planification sont facturés au même prix de 30 $ par million que les tokens rendus. Si votre équipe financière a besoin d’un chiffre qui ne bouge pas, c’est un véritable argument en faveur de Google. Si votre équipe préfère disposer de la capacité et mesurer ensuite, ce n’est pas le cas.

Édition : quatorze emplacements de référence par rapport à une bibliothèque enregistrée

Nano Banana 2.1 accepte jusqu'à 14 images de référence dans une seule requête — quatre personnages et dix objets — et prend en charge les retouches locales par masque en 1K, 2K et 4K. Selon les chiffres de Google, la cohérence multi-personnages atteint 1 106 Elo en mode réflexion, contre 978 pour Nano Banana 2, ce qui représente le plus grand saut d'une génération à l'autre dans son tableau publié et celui qui correspond le plus directement à un flux de travail réel : maintenir la cohérence des mêmes trois personnes tout au long d'une campagne.

L’histoire de l’édition de GPT-Image-2.6 porte sur la séquence plutôt que sur l’étendue. OpenAI décrit Sunburst comme plus cohérent au fil des éditions successives — la dixième édition dérive moins qu’auparavant — et ajoute l’édition guidée par annotations, où l’on dessine sur un calque PNG transparent plutôt que de fournir un masque. Les deux ne peuvent pas être combinés : c’est annotations ou masque, pas les deux. Par ailleurs, la bibliothèque de références réutilisables — enregistrer une personne ou un personnage une fois pour le réutiliser — est une fonctionnalité de ChatGPT, pas de l’API, donc une équipe qui développe sur /v1/images/edits n’en bénéficie pas.

Si votre flux de travail d'édition consiste à « maintenir quatorze éléments cohérents en une seule génération », Nano Banana 2.1 est le seul des deux à le faire. S'il consiste à « apporter vingt petites modifications à une image sans la dégrader », 2.6 s'adresse directement à vous, et il n'existe aucune mesure indépendante de son efficacité.

Formats : le seul domaine où il n’y a absolument aucune concurrence

GPT-Image-2.6 exporte des SVG et produit des GIF animés. Nano Banana 2.1 produit des images matricielles et rien d’autre. Si le livrable est une ressource vectorielle destinée à un système de design ou une courte animation en boucle pour une interface produit, la comparaison est terminée avant même d’avoir commencé — et il vaut la peine de dire clairement qu’il s’agit d’une lacune de capacités, et non d’un écart de benchmark, si bien qu’elle n’a pas besoin d’une vérification indépendante pour être avérée.

C’est l’inverse pour la résolution. Nano Banana 2.1 propose des niveaux nommés 1K, 2K et 4K et prend en charge des ratios d’image jusqu’à 8:1 sur les deux niveaux supérieurs, ce qui signifie que vous pouvez inscrire « bannière 4K, 8:1 » dans une fiche technique et l’obtenir. GPT-Image-2.6 accepte des dimensions personnalisées en multiples de 16 dans une plage de 1:3 à 3:1 et ne publie aucune échelle de résolution nommée ; ainsi, un prestataire d’impression qui demande un livrable 4K spécifié au contrat vous pose une question à laquelle la documentation d’OpenAI ne répond pas.

Là où la fiche de modèle de Google elle-même admet la faiblesse

Il faut reconnaître ce qui revient à Google : la fiche modèle de Google pour Nano Banana 2.1 est étonnamment franche. Elle y répertorie du petit texte flou à 1K, une gestion faible des longs passages de texte, une cohérence des personnages imparfaite, des confusions spatiales gauche-droite occasionnelles, ainsi qu’un raisonnement 3D et une exactitude factuelle limités. Ce sont là les modes de défaillance qui nuisent à un vrai projet — une étiquette produit dont les mentions en petits caractères sont illisibles, un schéma dont la flèche pointe dans la mauvaise direction.

La tentation est de dire que GPT-Image-2.6 n'a pas ces problèmes. C'est peut-être vrai. Mais il n'existe aucune évaluation indépendante du rendu de texte ni du raisonnement spatial de la version 2.6, et la position honnête consiste à reconnaître que Google a documenté ses faiblesses, tandis qu'OpenAI n'en a documenté aucune. L'absence de faiblesse publiée ne prouve pas l'absence de faiblesse, en particulier pour un modèle publié 24 heures avant la rédaction de ces lignes.

En choisir un, compte tenu de tout cela

• Si vous avez besoin d’une sortie en résolution d’impression ou en grand format avec un budget que vous pouvez approuver à l’avance, choisissez Nano Banana 2.1. L’échelle nommée, la prise en charge du rapport d’aspect 8:1 et la remise sur lot sont autant de choses que 2.6 n’offre pas actuellement.

• Si vos livrables incluent du vectoriel ou du motion, prenez GPT-Image-2.6. Aucun avantage de prix en face ne vous achète un SVG.

• Si votre travail consiste en de longues séquences de modification sur un petit nombre d’actifs, 2.6 est le produit le mieux ciblé, avec la réserve que personne en dehors d’OpenAI n’a mesuré s’il tient ses promesses.

• Si ce que vous voulez est la meilleure image fixe vérifiée de manière indépendante aujourd’hui, ne prenez ni l’un ni l’autre. C’est GPT-Image-2.5 Sunburst, avec 1 224 en text-to-image et 1 200 en édition, et il est plus ancien d’un mois que l’un de ces modèles et de deux mois que l’autre.

Cette dernière puce est celle que les gens sauteront, et c'est pourtant la phrase la plus utile ici. Les deux fournisseurs vous vendent un pas en avant. Or, à en croire la seule preuve publique qui n'ait été produite par aucun des deux, ce pas en avant n'est pas encore visible.

Comment voir les deux sans parier sur l’un ou l’autre

OrcaRouter ne propose pas GPT-Image-2.6 ni Nano Banana 2.1 à la date du 5 novembre 2026, ce n'est donc pas un article dans lequel nous pouvons vous conseiller de faire pointer un seul endpoint vers les deux. Ce que nous proposons, en revanche, c'est la génération précédente de chacun — GPT-Image-2.5 Sunburst et GPT-Image-2.5 Flare, et Nano Banana 2 sous gemini-3.1-flash-image-preview — sur une seule clé, au prix catalogue avec 0 % de marge, afin que le tarif du fournisseur soit celui que vous payez, avec basculement automatique entre fournisseurs.

Ce qui, de toute façon, se trouve être la bonne façon de commencer. Les modèles dont les scores sont vérifiés sont exactement ceux que vous pouvez appeler aujourd’hui depuis un point de terminaison unique et une seule facture, et faire passer vos propres prompts dans ces deux modèles vous indique quelle esthétique et quels modes de défaillance de fournisseur conviennent à votre travail — avant de vous engager envers la dernière version de l’un ou l’autre fournisseur sur la foi d’un article de lancement. Lorsque chaque nouveau modèle arrive au catalogue, la règle de répercussion signifie que le prix du fournisseur l’accompagne sans modification, de sorte que la seule chose qui change de votre côté est la chaîne de caractères du modèle.

C’est la séquence que les éléments de preuve étayent : régler la question du fournisseur sur la génération qui a été soumise au vote, puis passer à la nouvelle lorsqu’il existe un chiffre sur lequel avancer. L’alternative — choisir entre deux modèles dont les seuls scores comparables appartiennent à leurs prédécesseurs — est un pari déguisé en comparaison.