Ming-Image-0.1-Design 対 Nano Banana 2 Lite：編集可能なレイヤーか、それとも4秒か

全体の比較を一文で言うと、こうなります：Ming-Image-0.1-Designは、後からでも分解できるデザインを生成し、Nano Banana 2 Liteは、約4秒で画像を生成しますが、それは分解できません。どちらも、判読可能なテキストを画像に入れられます。どちらも、アプリ画面、ダッシュボード、モックアップを明示的に対象としています。両者が異なるのは、デザインパイプラインが安価か高価かを決める点——出力がフラットな成果物なのか、コンポーネントの集合なのか——そして、その代価を金銭で払うのか、80 GiB GPUで払うのかという点です。

Ming-Image-0.1-Design は inclusionAI の 6B テキスト-to-画像モデルで、MIT ライセンス、重みは 2026 年 9 月 17 日に公開されました。Nano Banana 2 Lite は Google の Gemini 3.1 Flash-Lite Image の消費者向け名称です — 実際に呼び出す際の正確なモデル ID はこちらで、2026 年 6 月から世界で GA のホスト型モデルであり、1K 画像あたり約 0.034 ドルです。一方はダウンロード。一方は従量課金です。

何が出てくるのか

• Ming-Image-0.1-Design — 最大2048 x 2048を12サンプリングステップおよびCFG 1.0で、または速度重視なら1024 x 1024で、中間サイズはこれら2つのバケットのいずれかにスナップされます。プロンプトが文書化された透明性フレーズで始まる場合はネイティブRGBA。コンパニオンモデルであるMing-Image-0.1-Design-Layerは、平坦化されたデザインを2～9個の別々のRGBA PNGに分解し、元のデザインに再構成します。

• Nano Banana 2 Lite — 固定1K画像、約1024 x 1024、およそ4秒で生成、上位モデルのNano Banana 2より約5倍高速。2Kや4Kには非対応で、これらはNano Banana 2とNano Banana Proで利用可能。1プロンプトあたり最大14枚の参照画像に対応。すべての出力にSynthIDウォーターマークとC2PAの来歴情報を付与

• 入力モード — Ming-Image-0.1-Design は参照画像を必要とせず、プロンプトのみから生成します。一方 Nano Banana 2 Lite は、テキストからの画像生成、編集、複数画像の合成を単一モデルで処理できるため、14枚の参照上限がここでこそ真価を発揮します

• アクセス — 1台の80 GiB CUDA GPU上で自分でホストするMITライセンスの重み vs Googleのインフラ上のホスト型API

• 出典注記 — Ming-Image-0.1-Design の透明性とレイヤー挙動はモデルカードに記載されている。Layer モデルが公開している Crello の数値、つまり RGB L1 誤差 0.0574 と 1024 でのアルファソフト IoU 0.8923 は、ベンダー報告であり、再現されていない。

レイヤーの問題は好みではない

フラットな出力とレイヤー化された出力は、その後に続く作業のコストを見積もるまでは、単なるスタイルの違いに見える。

ダッシュボードのフラットな1K画像は、ダッシュボードの絵である。見出しを変更したり、ロゴを差し替えたり、カードの色を変更したり、コピーをローカライズしたりするには、誰かが全体を再生成し、残りが同じままであることを願う——これはまさにデザインチームが即座に認識する失敗モードであり、デザイナーがフラットファイルで作業しない理由でもある。レイヤー化された出力は別の成果物クラスである：Ming-Image-0.1-Design-Layerは、テキスト、カード、メイン被写体、背景を別々のRGBA PNGとして返し、それらは元の画像に再構成される。そのため、タイトルの変更は再生成ではなく、タイトルの変更となる。

透過サポートがその真価を発揮するのも、まさにここです。ネイティブなRGBAなら、透過背景がサンプラーからそのまま出てくるので、アセットはマット処理を挟まずに既存のレイアウトへ配置できます。背景が焼き込まれたフラットな1K画像を同じパイプラインに流し込めば、サンプラーがやってくれたはずの切り抜きを、セグメンテーションモデル——あるいは人——に金を払ってやらせることになるのです。

これはどれも、Nano Banana 2 Lite がその役割において劣ることを意味しない。むしろ、パイプラインの別の段階に位置づけるものだ。Google 自身の UI 作業向けガイダンスは、このモデルの価値は速度と量にあると明確に述べている。つまり、バッチでレンダリングし、最良のものを選び、1K 向けに構図を組み、後でトリミングし、重要なテキストは短く大きく保つ——長い行や小さなキャプションは失敗するから——そして、チャートやデータは実際の数値ではなくレイアウトの下書きとして扱う。それは、ベンダーによって正直に説明された下書き用ツールだ。

掲示板に書いてあることをよく読んでください

これは両モデルとも第三者の数値が揃っている珍しい比較なので、面白いのはどのボードを見るかという点だ。

• テキスト・トゥ・イメージ総合ボード — Nano Banana 2 Liteが第13位、Elo 1,092、±8、16,022票、2026年6月掲載、Ming-Image-0.1-Designが第45位、Elo 995、±8、21,342票、2026年9月掲載

• UI/UXデザインスライス — Nano Banana 2 Liteが11位、Elo 1,119、スライス内投票数1,618；Ming-Image-0.1-Designが16位、Elo 1,084、スライス内投票数2,100

• 編集ボード — Nano Banana 2 Lite は24位、Elo 1,042、6,074票。Ming-Image-0.1-Design はエントリーなし

• UI/UX分野におけるオープンウェイトの立ち位置 — Ming-Image-0.1-Design はそこでの最高評価のオープンウェイトモデルであり、Nano Banana 2 Lite はホスト型モデルで、その上に位置する

全体ボードを見ると、Nano Banana 2 Lite は 97 Elo 差で勝っている。デザイン部門を見ると、35 差で勝っている。編集ボードを見ると、対抗馬なしで勝っている。トップレベルでは決定的に見える差も、プロンプトがデザイン用プロンプトになると、その大きさのおよそ3分の1まで縮まる。これは、このモデルがどの比較でも示すのと同じパターンだ。つまり、一般的な作業では自身の専門分野での性能を下回り、レイアウトでは差の大部分を詰める。

慎重に扱う価値のあるベンダー主張が1つある。なぜなら、それは広まりやすい類のものだからだ。inclusionAIのリリース資料は、多要素のデスクトップダッシュボード上で、Ming-Image-0.1-DesignがNano Banana 2 Lite、FLUX.2 [max]、Krea 2 Mediumに対してUIで直接対決に勝利したと報告しており、報告では12戦12勝。また、3ページのレシピアプリ上でNano Banana 2、Nano Banana Pro、MAI-Image-2.5-Flashに対して、報告では10戦10勝としている。これらはベンダーが選んだプロンプトによるベンダー実施の比較であり、公開されたプロンプトセットはなく、上記のアリーナ数値はそれらを再現していない。UI/UXスライスでは、Nano Banana 2 Liteが独立したブラインド投票で35 Eloリードしている。この全勝はマーケティングの産物として、このスライスは証拠として扱え。

コスト計算、それを正しく実行すれば

2つの値札は同じものを測っているわけではなく、単純な比率は役に立たないどころか有害である。

Nano Banana 2 Liteは、配信された画像ごとに課金されます。標準APIレートでは1K画像あたり約$0.034、バッチ価格ではより安く約$0.017で、トークン基準では入力100万トークンあたり$0.25、出力100万トークンあたり$1.50です。Artificial Analysisのボードでは、同じモデルが1,000枚あたり$33.60と記載されており、これは同じ数値を四捨五入したものです。失敗または破棄された生成も明細項目となるため、却下されたドラフトのコストは実際に発生します。

Ming-Image-0.1-Designには、画像1枚あたりの価格は一切ありません。掲示板には1,000枚あたり$30.00と記載されていますが、それは掲示板が独自に算出した列であり、ベンダーの料金表ではありません — inclusionAIが公開しているのは重みとサービングレシピであり、APIではありません。実際のコストは、80 GiBのVRAMを搭載したCUDA GPU 1台に加え、電気代とそれを立ち上げるためのエンジニアリング時間です。21枚目の画像の限界費用はほぼゼロですが、固定費はそうではありません。

セルフホスティングにおける分岐点はよくあるもので、予想どおりのところに来る。月に数百枚なら、1枚あたり$0.034は取るに足らず、セルフホスティングは趣味のようなものだ。数百万枚になると、画像1枚ごとの従量課金は財務チームが目を留める費目になり、償却されたGPUフリートのほうが安く見え始める——ただし、生成している画像がレイヤーの恩恵を受ける種類である場合に限る。なぜなら、どうせ出力をフラット化するのなら、使わなかった機能の代金を払ったことになるからだ。

ダウンロードを支持するレジリエンスの論拠もあり、それは感傷的なものではない。ホスト型APIは依存関係であり、自分で実行するモデルは資産である。画像生成が製品の中心にあるなら、重みを所有することで、上流の障害や価格変更という類のリスクをリスク登録簿から取り除ける。そうでなければ、1画像3セントで借りるのが正しい判断であり、GPUは気を散らすものだ。

当社側の正直な話をします。OrcaRouter は inclusionAI のモデルを一切ルーティングしていないため、Ming-Image-0.1-Design は自前のハードウェアで動かすか、さもなければ使えないということになります。また、Nano Banana 2 Lite もルーティングしていません。当社が扱っている Gemini 3.1 Flash Image のティアはプレビューの兄弟モデルであり、Lite ではありません。画像分野で当社が実際に扱っているのは、OpenAI の GPT-Image ファミリー、Google の Imagen 4 の各ティアと Gemini の画像プレビュー、そして xAI の Grok Imagine 画像エンドポイントです。ルーティングレイヤーが真に役立つのは、このモデルを評価する傍らで、すでに信頼しているホスト型モデルに対して同じプロンプトセットを実行したいときです：200 以上のモデルにまたがる単一の OpenAI 互換エンドポイント、プロバイダーの定価を 0% のマークアップでそのまま適用するためベンダーの値下げは当日に反映され、プロバイダー間の自動フェイルオーバーにより、新しいチェックポイントが本番経路への賭けにならずに済みます。

実際に必要なのはどれ？

• 出力そのものが製品となる大量生成——Nano Banana 2 Lite。画像1枚あたり4秒と3セントというのは、スループットとしてまさに別カテゴリーであり、画像が納品物であるなら、1枚ごとの価格設定は妥当だ。

• 後から編集する予定のレイアウト — Ming-Image-0.1-Design。生成後の次のステップが「タイトルを変更する」ことなら、レイヤー化されたRGBA出力が再生成を不要にします。そして、この比較において、それを生成できる唯一の仕組みはレイヤーモデルだけです。

• 編集スコアが計測されているホスト型ルート — Nano Banana 2 Lite には Elo 1,042 の編集ボード登録がある一方、Ming-Image-0.1-Design には登録がない。

• 大規模なテキスト、印刷、2K超——いずれも不可。Nano Banana 2 Liteは設計上1Kに固定されており、Ming-Image-0.1-Designは2048スクエアが上限で、そのステップ数は最高水準の忠実度ではなくスループットを重視して構築されています。

• 現実でなければならないデータ——どちらもそうではなく、Google も自社モデルについてそう述べている。生成されたレイアウト内のグラフや図はドラフトであり、データセットではない。Ming-Image-0.1-Design 自身のカードも同様に明確で、レイアウトとテキストが強みである一方、複雑な手の動作、多段階のシーケンス、細かな影や反射は安定性が低いとしている。

判断は、あなたがどの希少資源を不足しているかで決まる。Nano Banana 2 Lite は時間を売り、画像1枚ごとに課金する。Ming-Image-0.1-Design は構造を売り、GPU 代を請求する。注目に値するのは、inclusionAI がいつかこれらの重みにエンドポイントを付けるかどうかだ。その単一の変更がセルフホストの判断を純粋な価格比較に変えてしまうからだ。そして、Google が Lite 階層の 1K 上限をいつか引き上げるかどうか。そうなれば、デザインチームが Lite を超えて手を伸ばす主な理由がなくなるだろう。