GPT-Image-2.6 vs Nano Banana 2.1: De ranglijst spreekt zichzelf tegen

Op 5 november 2026 liggen de twee interessantste beeldmodellen die je kunt aanroepen qua leeftijd ongeveer een maand uit elkaar, schelen ze per afbeelding ongeveer een cent, en is geen van beide het model dat de onafhankelijke ranglijsten bovenaan zetten. GPT-Image-2.6 werd op 4 november door OpenAI uitgebracht. Nano Banana 2.1 werd op 6 oktober door Google uitgebracht. Artificial Analysis, dat de vorige generaties van beide bedrijven de grond in heeft geboord, heeft helemaal geen rij voor GPT-Image-2.6 — terwijl Nano Banana 2.1 vierde staat op zijn tekst-naar-beeld-ranglijst met 1.175 Elo uit 6.322 stemmen en vierde op zijn bewerkingsranglijst met 1.151 uit 7.009 stemmen, achter drie modellen die allemaal ouder zijn dan het model dat OpenAI deze week aankondigde.

Dat is het hele probleem met deze confrontatie in één alinea. Het model met een maand aan stemmen is het goedkopere, trager veranderende, al uitgebrachte model. Het model zonder stemmen is degene met nieuwe uitvoerformaten. Iedereen die je vertelt welke van deze beter is, citeert een leverancier of gokt.

Twee lanceringen, twee tegengestelde instincten

Googles release van oktober is een prijs- en infrastructuurzet. Nano Banana 2.1 — API-ID gemini-nano-banana-2.1, gebouwd op Gemini 3.6 Flash — voegde geen nieuw uitvoerformaat, nieuw medium of nieuw soort controle toe. Het verlaagde de tokens voor beeldoutput van $60 naar $30 per miljoen, waardoor de kosten van een 1K-render halveren naar $0,0336 en van een 2K-render naar $0,0504, en 4K op $0,113 bleef omdat de hogere resolutie 3.780 beeldtokens bevat in plaats van 2.520. Het voegde een benoemde resolutieladder toe, een vierde aantal referentieslots als je meetelde, en search grounding. De belofte is voorspelbaarheid: je kent de tier, je kent het tokenaantal, je kent de rekening.

De novemberrelease van OpenAI is een volstrekt ander instinct. GPT-Image-2.6 hield de tariefkaart precies waar GPT-Image-2.5 die had achtergelaten — $5 per miljoen tekst-inputtokens, $8 per miljoen afbeeldings-inputtokens, $30 per miljoen afbeeldings-outputtokens — en besteedde de release aan nieuwe instellingen en nieuwe deliverables: een complexiteitsregeling, markup-gestuurde bewerking, SVG-export, geanimeerde GIF-uitvoer, transparante achtergronden, aangepaste formaten in veelvouden van 16 pixels. De propositie is capaciteit: dit zijn dingen die het model kan maken die het vorige niet kon.

Lees die twee paragrafen nog eens en je kunt bijna elk praktisch verschil tussen de producten voorspellen. Het ene bedrijf optimaliseert de unit economics van iets dat al werkt. Het andere vergroot de verzameling dingen die het ding kan zijn.

Wat de onafhankelijke besturen echt zeggen

Artificial Analysis beheert twee afzonderlijke imageboards, en dat onderscheid is belangrijk — een model kan uitstekend zijn in het vanaf nul genereren van een prompt en matig in het opvolgen van een bewerkinstructie, en het middelen van de twee verbergt precies het verschil waar een productieteam om geeft.

• Tekst-naar-afbeelding — GPT-Image-2.5 Sunburst (max) 1.224 Elo, 13.153 stemmen, eerste plaats. GPT-Image-2.5 Flare (max) 1.207, tweede. GPT Image 2 (high) 1.188, derde. Nano Banana 2.1 1.175, 6.322 stemmen, vierde. GPT-Image-2.6: geen rij.

• Bewerken — GPT-Image-2.5 Sunburst (max) 1.200, 18.370 stemmen, eerste. MAI-Image-2.7-Preview 1.197, tweede. GPT-Image-2.5 Flare (max) 1.183, derde. Nano Banana 2.1 1.151, 7.009 stemmen, vierde. GPT-Image-2.6: geen rij.

• Ten opzichte van zijn eigen voorganger: Nano Banana 2.1 ligt 35 punten voor op Nano Banana 2, dat met 1.140 Elo uit 16.224 stemmen zevende staat bij tekst-naar-afbeelding.

Twee kanttekeningen voordat iemand een aankoopbeslissing op die cijfers baseert. De eerste is de steekproefgrootte: de 6.322 stemmen voor tekst-naar-afbeelding van Nano Banana 2.1 zijn minder dan de helft van de 13.153 van GPT-Image-2.5 Sunburst, dus het betrouwbaarheidsinterval is breder en de positie staat minder vast dan de rangschikking suggereert. De tweede is dat een verschil van 49 punten tussen de eerste en vierde plaats op een Elo-schaal van ongeveer 1.000 punten reëel maar niet enorm is — het is het soort verschil dat betrouwbaar naar voren komt in blinde paarsgewijze stemmen en af en toe in hoeverre een specifieke afbeelding bruikbaar is voor een specifieke taak.

Twee leveranciersclaims die niet met elkaar vergeleken kunnen worden

Beide bedrijven publiceren hun eigen cijfers over menselijke voorkeuren, en beide datasets zijn om verschillende redenen onbruikbaar voor deze beslissing.

Google rapporteert Nano Banana 2.1 op 1.050 Elo in denkmodus en 1.015 zonder denkmodus tijdens een interne menselijke side-by-side-evaluatie, tegenover 990 voor Nano Banana 2 en 935 voor Nano Banana Pro. Dat zijn echte metingen van echte beoordelaars, en ze staan op Google's eigen schaal met Google's eigen promptverdeling — daarom beschrijven 1.050 en de 1.175 van Artificial Analysis hetzelfde model zonder elkaar tegen te spreken. Vergelijk niet tussen beide.

OpenAI voert Design Arena aan als bewijs van een eerste plaats voor GPT-Image-2.6 Sunburst. Hetzelfde probleem in een andere vorm: een andere ranglijst, een andere beoordelaarspool, en een leverancier die de ranglijst kiest die de release gunstig laat uitkomen. Het kan best waar zijn. Het is geen getal dat je naast 1.175 kunt zetten en van 1.175 kunt aftrekken.

De enige eerlijke samenvatting is dat Google een onafhankelijk gemeten positie heeft en OpenAI die nog niet heeft. Die asymmetrie zou moeten bepalen hoeveel vertrouwen je aan elk van beide hecht.

De meters: een benoemde ladder afgezet tegen een tokenbudget

Dit is waar de twee producten uiteenlopen op een manier die voor een financieel team meer uitmaakt dan voor een ontwerper, en het is precies het verschil dat de meeste vergelijkingen missen.

• 1K-render — Nano Banana 2.1 $0,0336, vastgesteld op 1.120 beeldtokens. GPT-Image-2.6 bij medium kwaliteit ongeveer $0,043, geschat op basis van ongeveer 1.449 outputtokens.

• 2K-render — Nano Banana 2.1 $0,0504. GPT-Image-2.6 heeft geen benoemde 2K-tier; je specificeert pixeldimensies in veelvouden van 16 binnen een beeldverhoudingsbereik van 1:3 tot 3:1.

• 4K-render — Nano Banana 2.1 $0,113, vanaf 3.780 afbeeldingstokens. GPT-Image-2.6 publiceert geen 4K-niveau.

• Kwaliteitsplafond — GPT-Image-2.6 op maximale kwaliteit kost ongeveer $0,21 per afbeelding; Nano Banana 2.1 blijft steken op de 4K-prijs.

• Invoer — Nano Banana 2.1 $1,50 per miljoen tokens; GPT-Image-2.6 $5 per miljoen teksttokens en $8 per miljoen afbeeldingstokens.

• Batch — Nano Banana 2.1 halveert naar 50% van standaard. GPT-Image-2.6 is nog niet beschikbaar via de Batch API.

• Kostenfactoren — Nano Banana 2.1 wijzigt de kosten per resolutieniveau en denkniveau. GPT-Image-2.6 wijzigt de kosten per kwaliteit, per complexiteit en per hoeveel inhoud de afbeelding bevat.

Schattingen per afbeelding voor GPT-Image-2.6 verdienen een kanttekening: OpenAI publiceert geen vaste prijs per afbeelding, omdat het tokens factureert en het aantal tokens varieert met wat je hebt aangevraagd. De bovenstaande cijfers zijn afgeleid van aantallen output-tokens, niet geciteerd uit een prijslijst, en verschillende publicaties hebben aanzienlijk verschillende getallen gepubliceerd door verschillende tokenbudgetten aan te nemen. Behandel elke bewering dat 'GPT-Image-2.6 X per afbeelding kost', inclusief de onze, als een schatting met een bijbehorende bandbreedte.

De praktische consequentie is eenvoudig. Met Nano Banana 2.1 kun je een maand aan 2K-productfoto's tot op een afrondingsfout nauwkeurig voorspellen, omdat de resolutie het aantal tokens bepaalt en dat weer de prijs bepaalt. Met GPT-Image-2.6 kun je het tarief voorspellen, maar niet het budget, omdat de complexiteitsparameter standaard op hoog staat en planningstokens tegen dezelfde $30 per miljoen worden gefactureerd als gerenderde tokens. Als je financiële team een getal nodig heeft dat niet verschuift, is dat een echt argument voor Google. Als je team liever de mogelijkheid heeft en achteraf meet, dan niet.

Bewerken: veertien referentieslots ten opzichte van een opgeslagen bibliotheek

Nano Banana 2.1 verwerkt tot veertien referentieafbeeldingen in één verzoek — vier personages en tien objecten — en ondersteunt lokale bewerkingen op basis van maskers in 1K, 2K en 4K. Uit Google's eigen cijfers blijkt dat de consistentie bij meerdere personages op 1.106 Elo ligt in de thinking-modus, tegenover 978 voor Nano Banana 2. Dat is de grootste sprong voor een enkele generatie in de gepubliceerde tabel en de sprong die het meest rechtstreeks aansluit bij een echte workflow: dezelfde drie personen consistent houden gedurende een hele campagne.

Het bewerkingsverhaal van GPT-Image-2.6 draait om opeenvolging, niet om breedte. OpenAI beschrijft Sunburst als consistenter bij opeenvolgende bewerkingen — de tiende bewerking drijft minder af dan vroeger — en voegt markup-gestuurde bewerking toe, waarbij je op een transparante PNG-overlay tekent in plaats van een masker aan te leveren. De twee kunnen niet worden gecombineerd: het is markup of masker, niet beide. Los daarvan is de herbruikbare referentiebibliotheek — sla een persoon of personage één keer op en hergebruik die — een ChatGPT-functie, geen API-functie, dus een team dat bouwt op /v1/images/edits krijgt die niet.

Als je bewerkingsworkflow erin bestaat "veertien assets consistent houden in één generatie", is Nano Banana 2.1 de enige van de twee die dat doet. Als die erin bestaat "twintig kleine wijzigingen aan één afbeelding aanbrengen zonder dat de kwaliteit achteruitgaat", is 2.6 precies op jou gericht, en er is geen onafhankelijke meting van hoe goed het werkt.

Formaten: de enige plek zonder enige concurrentie

GPT-Image-2.6 exporteert SVG en levert geanimeerde GIF's op. Nano Banana 2.1 levert rasterafbeeldingen en niets anders. Als het op te leveren resultaat een vectorasset voor een designsysteem is of een korte loopanimatie voor een productoppervlak, is de vergelijking al beslist voordat ze begint — en het loont om ronduit te zeggen dat dit een capaciteitskloof is, geen benchmarkkloof, dus het hoeft niet onafhankelijk te worden geverifieerd om waar te zijn.

Het omgekeerde geldt voor resolutie. Nano Banana 2.1 biedt benoemde 1K-, 2K- en 4K-niveaus en ondersteunt bij de hoogste twee beeldverhoudingen tot 8:1, wat betekent dat je "4K, 8:1 banner" in een specspecificatie kunt schrijven en het ook krijgt. GPT-Image-2.6 accepteert aangepaste afmetingen in veelvouden van 16 binnen 1:3 tot 3:1 en publiceert geen benoemde resolutieladder, dus een printleverancier die om een contractueel gespecificeerde 4K-oplevering vraagt, stelt je een vraag die de documentatie van OpenAI niet beantwoordt.

Waar de eigen modelkaart van Google de zwakte toegeeft

Waar lof op zijn plaats is: de modelkaart van Google voor Nano Banana 2.1 is ongewoon openhartig. De kaart somt wazige kleine tekst bij 1K op, zwakke omgang met lange tekstpassages, onvolmaakte consistentie van personages, af en toe links-rechtsruimtelijke verwarring en beperkte 3D-redenering en feitelijke nauwkeurigheid. Dat zijn de faalwijzen die een echt project schaden — een productlabel met onleesbare kleine lettertjes, een diagram met de pijl de verkeerde kant op.

De verleiding is om te zeggen dat GPT-Image-2.6 die problemen niet heeft. Misschien is dat ook zo. Maar er is geen onafhankelijke evaluatie van de tekstweergave of het ruimtelijk redeneren van 2.6, en de eerlijke positie is dat Google zijn zwakke punten heeft gedocumenteerd en OpenAI geen enkele. Het ontbreken van een gepubliceerde zwakte is geen bewijs van afwezigheid, zeker niet voor een model dat 24 uur voordat dit werd geschreven werd uitgebracht.

Eén kiezen, met dat alles in gedachten.

• Als je printresolutie of grootformaat output nodig hebt met een budget dat je vooraf kunt goedkeuren, kies dan Nano Banana 2.1. De genoemde staffel, de ondersteuning voor 8:1-beeldverhoudingen en de batchkorting zijn allemaal zaken die 2.6 momenteel niet biedt.

• Als je deliverables vector of motion bevatten, kies dan voor GPT-Image-2.6. Geen enkel prijsvoordeel aan de andere kant levert je een SVG op.

Als je werk bestaat uit lange bewerkingsreeksen op een klein aantal assets, is 2.6 het beter gerichte product, met de kanttekening dat niemand buiten OpenAI heeft gemeten of het levert.

• Als je vandaag de beste onafhankelijk geverifieerde stilstaande afbeelding wilt, kies dan geen van beide. Dat is GPT-Image-2.5 Sunburst, met 1.224 op tekst-naar-afbeelding en 1.200 bij bewerken, en het is een maand ouder dan een van deze modellen en twee maanden ouder dan het andere.

Dat laatste opsommingsteken is het punt dat mensen zullen overslaan, en het is de nuttigste zin hier. Beide leveranciers verkopen u een stap vooruit. Op het enige openbare bewijs dat door geen van beide partijen is geproduceerd, is de stap vooruit nog niet zichtbaar.

Hoe je beide kunt zien zonder op een van beide te wedden

OrcaRouter heeft GPT-Image-2.6 en Nano Banana 2.1 niet in het aanbod per 5 november 2026, dus dit is geen stuk waarin we je kunnen vertellen om één endpoint op beide te richten. Wat we wél aanbieden is de vorige generatie van elk — GPT-Image-2.5 Sunburst en GPT-Image-2.5 Flare, en Nano Banana 2 als gemini-3.1-flash-image-preview — op één sleutel, tegen lijstprijs met 0% markup, zodat het tarief van de provider het tarief is dat je betaalt, met automatische failover tussen providers.

Wat toevallig sowieso de juiste manier is om te beginnen. De modellen met geverifieerde scores zijn precies de modellen die je vandaag via één endpoint en één factuur kunt aanroepen, en door je eigen prompts door die twee te laten lopen, ontdek je welke esthetiek en faalmodi van welke leverancier bij je werk passen — voordat je je op basis van een lanceringsbericht vastlegt op de nieuwste release van een van beide leveranciers. Wanneer elk nieuw model de catalogus bereikt, betekent de pass-throughregel dat de prijs van de leverancier ongewijzigd meekomt, dus het enige dat aan jouw kant verandert, is de modelstring.

Dat is de volgorde die het bewijs ondersteunt: beslecht de leverancierskwestie op de generatie waarover is gestemd, en ga dan over naar de nieuwe wanneer er een cijfer is om mee verder te gaan. Het alternatief — kiezen tussen twee modellen waarvan de enige vergelijkbare scores aan hun voorgangers toebehoren — is een gok die zich voordoet als een vergelijking.