GPT-Image-2.6 vs Nano Banana 2.1: la classifica si contraddice

Il 5 novembre 2026 i due modelli di immagini più interessanti che puoi chiamare hanno un mese di differenza quanto a età, con una differenza di circa un centesimo l'uno dall'altro per immagine, e nessuno dei due è il modello che le classifiche indipendenti mettono al primo posto. GPT-Image-2.6 è stato rilasciato da OpenAI il 4 novembre. Nano Banana 2.1 è stato rilasciato da Google il 6 ottobre. Artificial Analysis, che ha stroncato nei punteggi le generazioni precedenti di entrambe le aziende, non ha affatto una riga per GPT-Image-2.6 — mentre Nano Banana 2.1 è quarta nella sua classifica text-to-image con 1.175 Elo da 6.322 voti e quarta nella classifica di editing con 1.151 da 7.009 voti, dietro a tre modelli che sono tutti più vecchi di quello annunciato da OpenAI questa settimana.

Ecco, in un solo paragrafo, tutto il problema di questo confronto. Il modello che ha un mese di voti è quello più economico, più lento a evolvere e già rilasciato. Il modello senza voti è quello con i nuovi formati di output. Chiunque ti dica quale dei due sia migliore sta citando un fornitore o tirando a indovinare.

Due lanci, due istinti opposti

Il rilascio di ottobre di Google è una mossa sui prezzi e sull'infrastruttura. Nano Banana 2.1 — ID API gemini-nano-banana-2.1, basato su Gemini 3.6 Flash, non ha aggiunto un nuovo formato di output, un nuovo medium o un nuovo tipo di controllo. Ha ridotto i token di output immagine da $60 a $30 per milione, dimezzando il costo di un rendering 1K a $0,0336 e di un rendering 2K a $0,0504, e ha lasciato il 4K a $0,113 perché la risoluzione più alta comporta 3.780 token immagine anziché 2.520. Ha aggiunto una scala di risoluzioni denominata, un quarto slot di riferimento se li stavi contando, e il grounding tramite ricerca. La proposta è la prevedibilità: conosci il livello, conosci il numero di token, conosci il conto.

Il rilascio di novembre di OpenAI rappresenta un istinto del tutto opposto. GPT-Image-2.6 ha mantenuto il tariffario esattamente dove lo aveva lasciato GPT-Image-2.5 — 5 $ per milione di token di input di testo, 8 $ per milione di token di input di immagini, 30 $ per milione di token di output di immagini — e ha dedicato il rilascio a nuovi controlli e nuovi risultati concreti: un controllo della complessità, editing guidato dal markup, esportazione SVG, output GIF animate, sfondi trasparenti, dimensioni personalizzate in multipli di 16 pixel. La promessa è la capacità: ecco cose che il modello può realizzare e che il precedente non riusciva a fare.

Rileggi quei due paragrafi e puoi prevedere quasi ogni differenza pratica tra i prodotti. Un'azienda sta ottimizzando l'economia unitaria di una cosa che già funziona. L'altra sta ampliando l'insieme delle cose che quella cosa può essere.

Cosa dicono davvero i consigli indipendenti

Artificial Analysis gestisce due classifiche di immagini separate e la separazione è importante: un modello può essere eccellente nel rendering di un prompt da zero e mediocre nel seguire un'istruzione di modifica, e fare la media delle due nasconde esattamente la differenza che conta per un team di produzione.

• Da testo a immagine — GPT-Image-2.5 Sunburst (max) 1.224 Elo, 13.153 voti, primo. GPT-Image-2.5 Flare (max) 1.207, secondo. GPT Image 2 (high) 1.188, terzo. Nano Banana 2.1 1.175, 6.322 voti, quarto. GPT-Image-2.6: nessuna riga.

• Modifica — GPT-Image-2.5 Sunburst (max) 1.200, 18.370 voti, primo. MAI-Image-2.7-Preview 1.197, secondo. GPT-Image-2.5 Flare (max) 1.183, terzo. Nano Banana 2.1 1.151, 7.009 voti, quarto. GPT-Image-2.6: nessuna riga.

• Rispetto al proprio predecessore — Nano Banana 2.1 supera Nano Banana 2, che si trova al settimo posto nella categoria text-to-image con 1.140 Elo da 16.224 voti, di 35 punti.

Due avvertenze prima che qualcuno fondi una decisione d'acquisto su quei numeri. La prima è la dimensione del campione: i 6.322 voti text-to-image di Nano Banana 2.1 sono meno della metà dei 13.153 di GPT-Image-2.5 Sunburst, quindi il suo intervallo di confidenza è più ampio e la sua posizione è meno consolidata di quanto la classifica lasci intendere. La seconda è che un divario di 49 punti tra il primo e il quarto posto su una scala Elo dell'ordine di 1.000 punti è reale ma non enorme: è il tipo di differenza che emerge in modo affidabile nei voti ciechi a coppie e in modo intermittente nel fatto che una specifica immagine sia utilizzabile per uno specifico compito.

Due dichiarazioni di fornitori che non possono essere confrontate tra loro

Entrambe le aziende pubblicano i propri dati sulle preferenze umane, ed entrambi i set sono inutilizzabili per questa decisione, per ragioni diverse.

Google riporta Nano Banana 2.1 a 1.050 Elo in modalità di pensiero e a 1.015 senza modalità di pensiero in una valutazione comparativa interna condotta da esseri umani, rispetto a 990 di Nano Banana 2 e 935 di Nano Banana Pro. Queste sono misurazioni reali di valutatori reali, e sono sulla scala di Google stessa con la distribuzione di prompt di Google stessa — ed è per questo che 1.050 e il 1.175 di Artificial Analysis descrivono entrambi lo stesso modello senza contraddirsi. Non confrontarli tra loro.

OpenAI cita Design Arena per un primo posto per GPT-Image-2.6 Sunburst. Lo stesso problema in una forma diversa: una classifica diversa, un pool di valutatori diverso e un fornitore che sceglie la classifica che lusinga il rilascio. Può benissimo essere vero. Non è un numero che si può mettere accanto a 1.175 e sottrarre.

L'unico riassunto onesto è che Google ha una posizione misurata in modo indipendente e OpenAI non ne ha ancora una. Questa asimmetria dovrebbe influenzare quanta fiducia accordi a ciascuna.

I meter: una scala con nome rispetto a un budget di token

È qui che i due prodotti divergono in un modo che conta più per un team finanziario che per un designer, ed è la differenza che la maggior parte dei confronti trascura.

• Rendering 1K — Nano Banana 2.1 $0,0336, fisso a 1.120 token immagine. GPT-Image-2.6 a qualità media circa $0,043, stimato da circa 1.449 token di output.

• Rendering 2K — Nano Banana 2.1 $0,0504. GPT-Image-2.6 non ha un livello 2K denominato; si specificano le dimensioni in pixel in multipli di 16 entro un intervallo di proporzioni da 1:3 a 3:1.

• Rendering 4K — Nano Banana 2.1 $0.113, a partire da 3,780 token immagine. GPT-Image-2.6 non pubblica alcun livello 4K.

• Tetto di qualità — GPT-Image-2.6 alla massima qualità costa circa $0,21 per immagine; Nano Banana 2.1 si ferma al prezzo del 4K.

• Input — Nano Banana 2.1 1,50 $ per milione di token; GPT-Image-2.6 5 $ per milione di token di testo e 8 $ per milione di token di immagine.

• Batch — Nano Banana 2.1 è dimezzato al 50% dello standard. GPT-Image-2.6 non è ancora disponibile tramite l'API Batch.

• Leve — Nano Banana 2.1 fa variare il costo in base al livello di risoluzione e al livello di ragionamento. GPT-Image-2.6 fa variare il costo in base alla qualità, alla complessità e alla quantità di contenuto presente nell'immagine.

Le stime per immagine di GPT-Image-2.6 meritano una precisazione: OpenAI non pubblica un prezzo fisso per immagine, perché fattura i token e il numero di token varia in base a ciò che hai richiesto. Le cifre sopra derivano dai conteggi dei token di output, non sono citate da un listino prezzi, e diverse testate hanno pubblicato numeri sostanzialmente diversi ipotizzando budget di token differenti. Considera qualsiasi affermazione del tipo «GPT-Image-2.6 costa X per immagine», compresa la nostra, come una stima con un intervallo associato.

La conseguenza pratica è semplice. Con Nano Banana 2.1 puoi prevedere un mese di scatti prodotto in 2K con un margine di errore trascurabile, perché la risoluzione determina il numero di token, che determina il prezzo. Con GPT-Image-2.6 puoi prevedere la tariffa ma non il budget, perché il parametro di complessità è impostato su alto per impostazione predefinita e i token di pianificazione vengono fatturati agli stessi $30 per milione di quelli renderizzati. Se il tuo team finanziario ha bisogno di un numero che non si muova, questo è un argomento valido a favore di Google. Se il tuo team preferisce avere la capacità e misurarla dopo, non lo è.

Modifica: quattordici slot di riferimento rispetto a una libreria salvata

Nano Banana 2.1 accetta fino a 14 immagini di riferimento in un'unica richiesta — quattro personaggi e dieci oggetti — e supporta modifiche locali basate su maschera a 1K, 2K e 4K. I numeri forniti da Google collocano la coerenza multi-personaggio a 1.106 Elo in modalità thinking rispetto a 978 per Nano Banana 2, il maggiore salto in una singola generazione nella sua tabella pubblicata e quello che si ricollega più direttamente a un flusso di lavoro reale: mantenere le stesse tre persone coerenti nell'ambito di una campagna.

La storia dell'editing di GPT-Image-2.6 riguarda più la sequenza che l'ampiezza. OpenAI descrive Sunburst come più coerente attraverso modifiche successive — la decima modifica si discosta meno di quanto facesse prima — e aggiunge l'editing guidato dal markup, in cui si disegna su un overlay PNG trasparente invece di fornire una maschera. I due non possono essere combinati: è markup o maschera, non entrambi. Separatamente, la libreria di riferimenti riutilizzabili — salvare una persona o un personaggio una volta e riutilizzarli — è una funzionalità di ChatGPT, non dell'API, quindi un team che costruisce su /v1/images/edits non ne dispone.

Se il tuo flusso di lavoro di modifica è "mantenere quattordici asset coerenti in un'unica generazione", Nano Banana 2.1 è l'unico dei due che ci riesce. Se è "apportare venti piccole modifiche a un'immagine senza che peggiori", il 2.6 è pensato proprio per te, e non esiste alcuna misurazione indipendente di quanto funzioni bene.

Formati: l'unico ambito in cui non c'è alcuna competizione

GPT-Image-2.6 esporta SVG e genera GIF animate. Nano Banana 2.1 produce immagini raster e nient'altro. Se il deliverable è un asset vettoriale per un design system o una breve animazione in loop per una superficie di prodotto, il confronto è chiuso prima ancora di iniziare — e vale la pena dire chiaramente che si tratta di un divario di capacità, non di un divario di benchmark, quindi non serve una verifica indipendente perché sia vero.

Per la risoluzione vale il contrario. Nano Banana 2.1 offre livelli denominati 1K, 2K e 4K e supporta rapporti d'aspetto fino a 8:1 nei due livelli superiori, il che significa che puoi scrivere «4K, banner 8:1» in una scheda tecnica e ottenerlo. GPT-Image-2.6 accetta dimensioni personalizzate in multipli di 16 entro un rapporto da 1:3 a 3:1 e non pubblica alcuna scala di risoluzioni denominata, quindi un fornitore di stampa che chiede un deliverable 4K specificato dal contratto ti sta ponendo una domanda a cui la documentazione di OpenAI non dà risposta.

Dove la stessa scheda del modello di Google ammette il punto debole

Va dato atto a chi lo merita: la model card di Google per Nano Banana 2.1 è insolitamente schietta. Elenca testo piccolo sfocato a 1K, gestione debole dei passaggi di testo lunghi, coerenza dei personaggi imperfetta, occasionali confusioni spaziali tra sinistra e destra, e ragionamento 3D e accuratezza fattuale limitati. Sono questi i tipi di errore che penalizzano un progetto reale: un'etichetta di prodotto con note in piccolo illeggibili, un diagramma con la freccia rivolta nella direzione sbagliata.

La tentazione è dire che GPT-Image-2.6 non ha quei problemi. Potrebbe non averli. Ma non esiste una valutazione indipendente del rendering del testo o del ragionamento spaziale di 2.6, e la posizione onesta è che Google ha documentato le sue debolezze e OpenAI non ne ha documentata alcuna. L'assenza di una debolezza pubblicata non è prova dell'assenza, soprattutto per un modello rilasciato 24 ore prima della stesura di questo testo.

Sceglierne uno, considerato tutto ciò

• Se ti serve un output a risoluzione di stampa o in grande formato con un budget che puoi approvare in anticipo, scegli Nano Banana 2.1. La scala denominata, il supporto alle proporzioni 8:1 e lo sconto per ordini in blocco sono tutte cose che 2.6 non offre attualmente.

• Se i tuoi deliverable includono grafica vettoriale o motion, scegli GPT-Image-2.6. Nessun vantaggio di prezzo dall'altra parte ti farà mai ottenere un SVG.

• Se il tuo lavoro consiste in lunghe sequenze di montaggio su un numero ridotto di asset, 2.6 è il prodotto più mirato, con l'avvertenza che nessuno al di fuori di OpenAI ha misurato se mantiene le promesse.

• Se quello che cercate è la migliore immagine statica verificata in modo indipendente oggi, non scegliete nessuno dei due. Quello è GPT-Image-2.5 Sunburst, con 1.224 su text-to-image e 1.200 sull'editing, e ha un mese in più di uno di questi modelli e due mesi in più dell'altro.

Quell'ultimo punto è quello che la gente salterà a piè pari, ed è la frase più utile qui. Entrambi i fornitori ti stanno vendendo un passo avanti. Sull'unica prova pubblica che non è stata prodotta da nessuno dei due, il passo avanti non è ancora visibile.

Come vedere entrambi senza scommettere su nessuno dei due

OrcaRouter non offre GPT-Image-2.6 né Nano Banana 2.1 al 5 novembre 2026, quindi questo non è un articolo in cui possiamo dirti di puntare un unico endpoint su entrambi. Quello che offriamo è la generazione precedente di ciascuno — GPT-Image-2.5 Sunburst e GPT-Image-2.5 Flare, e Nano Banana 2 come gemini-3.1-flash-image-preview — su un'unica chiave, al prezzo di listino con 0% di ricarico, così la tariffa del provider è quella che paghi, con failover automatico tra provider.

Che, tra l'altro, è comunque il modo giusto per iniziare. I modelli con punteggi verificati sono esattamente i modelli che puoi chiamare oggi da un unico endpoint e con un'unica fattura, e provare i tuoi prompt su quei due ti dice l'estetica e le modalità di errore di quale fornitore si adattano al tuo lavoro — prima che ti impegni con la nuova release di uno dei due fornitori sulla base di un post di lancio. Quando ciascun nuovo modello arriva nel catalogo, la regola del pass-through fa sì che il prezzo del fornitore arrivi con esso invariato, quindi l'unica cosa che cambia dal tuo lato è la stringa del modello.

Questa è la sequenza che le evidenze supportano: chiudere la questione del fornitore sulla generazione sulla quale si è votato, poi passare alla nuova quando c’è un numero su cui muoversi. L’alternativa — scegliere tra due modelli i cui unici punteggi comparabili appartengono ai loro predecessori — è una scommessa travestita da confronto.