Ming-Image-0.1-Design vs Nano Banana 2: De laag die je terugkrijgt

Vraag een ontwerper wat er misgaat nadat de afbeelding is gegenereerd, en het antwoord is bijna nooit de afbeelding. Het is dat de gegenereerde afbeelding vlak is. Elk element is aan elk ander element vastgelast, dus de kop kan niet worden verplaatst, het logo kan niet worden vervangen, de achtergrond kan niet van een andere kleur worden voorzien, en het hele ding moet opnieuw vanuit een prompt worden gegenereerd om één woord te wijzigen. Ming-Image-0.1-Design, op 17 september 2026 stilletjes gepubliceerd door het inclusionAI-team van Ant Group onder een MIT-licentie, is rond dat probleem gebouwd: 6,15 miljard parameters, native RGBA-uitvoer, en een bijbehorende repository die een afgevlakt ontwerp aanneemt en als afzonderlijke lagen teruggeeft. Nano Banana 2 — de Gemini 3.1 Flash Image van de leverancier, algemeen beschikbaar sinds 28 mei 2026 en vandaag routeerbaar als google/gemini-3.1-flash-image-preview — lost een andere helft van hetzelfde probleem op, en het verschil tussen de twee helften bepaalt welke van de twee in jouw pipeline thuishoort.

Waar Nano Banana 2 eigenlijk goed in is, en wat het kost

Googles model is degene met een gepubliceerde prijs en een staat van dienst in productie, en beide zijn het vermelden waard, juist omdat ze de reden zijn dat mensen ernaar grijpen.

• Prijs — ongeveer $0,067 per afbeelding van 1024×1024, $0,101 bij 2048×2048, en circa $0,151 aan de 4K-kant, waarbij batchmodus ongeveer de helft van die bedragen kost en tekstinvoer apart wordt gefactureerd tegen $0,25 per miljoen tokens. Dat komt neer op ongeveer $101 per duizend 2K-afbeeldingen, tot op de dollar voorspelbaar voordat je iets genereert.

• Uitvoer — tot 4K, met verhoudingspresets waaronder de extremen 1:4 en 1:8 die social- en bannerformaten nodig hebben, en door Google gerapporteerde consistentie over vijf personages en veertien objecten.

• Herkomst — elke uitvoer is voorzien van SynthID-watermerking, wat eerder een compliancefunctie is dan een kwaliteitsfunctie, en is precies het soort ding waar een juridische review naar vraagt voordat een ontwerpreview dat doet.

• Grounding — het kan tijdens het genereren het web doorzoeken, en zo gaat het om met een verzoek dat afhangt van een feit dat het niet gememoriseerd heeft.

Niets daarvan is een transparantieverhaal. Nano Banana 2 retourneert een afbeelding, en de afbeelding is het hele artefact.

Wat Ming-Image-0.1-Design in plaats daarvan retourneert

De modelkaart is ongewoon specifiek voor een nog niet aangekondigde release, en alle details wijzen op ontwerpwerk in plaats van fotografie. Aanbevolen inferentie is 2048×2048 — of 1024 als je snelheid wilt — bij 12 samplingstappen, classifier-free guidance op 1.0, BF16 in het hele proces, op één enkele 80 GiB CUDA-GPU. De gewichten zijn allemaal BF16 safetensors, de repository is ongeveer 71,5 GB verdeeld over connector/, mllm/, mlp/, scheduler/, transformer/ en vae/, en er is geen model_index.json — het gedocumenteerde pad is git clone van de inferentie-repo en python infer.py, waarbij vLLM-Omni genoemd wordt voor deployment en een apart visie-taalmodel (Ling-3.0-flash-VL of qwen3.8-27B) genoemd voor promptverbetering.

De RGBA-uitvoer is de eerste helft van het antwoord op het probleem van de platte afbeelding. De tweede helft is Ming-Image-0.1-Design-Layer, een aparte repository met een eigen pipelinetag (image-text-to-image), 6.154.908.736 parameters, dezelfde MIT-licentie en één taak: een afgeplatte ontwerpafbeelding plus een laagplan innemen en N RGBA-lagen retourneren. Het draait op 1024 in de standaardbucket, 512 voor snelheid, 12 stappen, guidance op 2.0, met flash_attention_2. Op de kaart staan de resultaten van de Crello-testset als een afbeelding in plaats van een tabel, dus er is geen getal om te citeren — wat de eerlijke stand van het bewijs is en wat het waard is om ronduit te zeggen.

Als je die twee feiten samenvoegt, is de vorm van de afweging duidelijk. Nano Banana 2 geeft je een betere eindafbeelding met minder werk. Ming-Image-0.1-Design geeft je een afbeelding die je achteraf nog uit elkaar kunt halen, en het geeft je de laagdecompositie als een tweede model dat je draait wanneer je het nodig hebt.

Het bord, lees aandachtig

Ming-Image-0.1-Design staat in de open-weightsweergave bovenaan de Artificial Analysis Text to Image Leaderboard voor UI/UX Design, met een Elo van 1.082, vóór Ideogram 4.0 (Quality) met 1.052, Ideogram 4.0 met 1.015, HunyuanImage 3.0 Instruct met 1.005, FLUX.2 [dev] met 1.000, FLUX.2 [dev] Flash met 999 en FLUX.2 [dev] Turbo met 994. De tekst die we lezen is de versie die op de kaart van het model zelf is weergegeven, en draagt de branding van Artificial Analysis.

Twee kanttekeningen die bepalen hoeveel gewicht eraan toekomt. Het is een op open weights gefilterd leaderboard, dus een gehost model zoals Nano Banana 2 komt niet in aanmerking en zijn afwezigheid is geen nederlaag. En een Elo op basis van blinde voorkeur is een gemiddelde over een menigte, geen test van je prompt — het zegt dat een panel deze outputs verkoos, niet dat het model je kop in het juiste lettertype zal zetten.

De positie van Nano Banana 2 wordt gemeten op de gehoste boards en aan de hand van Google's eigen gepubliceerde cijfers, en die twee mogen niet door elkaar worden gehaald. Het staat al sinds het voorjaar op de boards, en dat is hier het nuttigere feit: het heeft maandenlang onafhankelijk verkeer gehad, en de Ming-release geen enkel.

Waar het geld en het risico daadwerkelijk terechtkomen

Het prijsverschil is geen verschil in gradatie. Nano Banana 2 wordt per gebruik gefactureerd en is dus voorspelbaar: duizend 2K-afbeeldingen kosten ongeveer $101, en complexiteit verandert de rekening niet veel omdat beeldoutput voorspelbaar wordt getokeniseerd. Ming-Image-0.1-Design heeft helemaal geen gehoste prijs, omdat er geen gehost endpoint is — de kosten zijn je eigen GPU-tijd tegenover een download van 71,5 GB op een kaart van 80 GiB, en de eerlijke vergelijking is niet $101 tegen gratis, maar $101 tegen een afgeschreven bedrag dat je zelf moet berekenen.

Dit is de enige plek in deze vergelijking waar een routeringslaag iets concreets doet in plaats van retorisch. De Gemini-afbeeldingspreview die Nano Banana 2 bedient, staat op ons endpoint, en wel tegen de listprijs van de provider zonder enige markup — dus als Google het tarief per afbeelding wijzigt, beweegt het getal aan onze kant dezelfde dag mee in plaats van bij de volgende contractverlenging. Automatische failover tussen providers is de tweede helft daarvan: een route kan productieverkeer dragen op een model met maandenlange boardhistorie, terwijl een onaangekondigde open-weights-release ernaast wordt geëvalueerd, wat betekent dat de evaluatie nooit op het kritieke pad zit en een slechte middag aan weerszijden geen storing wordt. Dat is een echte opzet, en het is de opzet die dit specifieke tweetal modellen vraagt.

Geen van beide modellen is de veilige standaardoptie, om verschillende redenen.

Ming-Image-0.1-Design werd op 17 september 2026 geüpload zonder aankondiging, zonder release-opmerking, zonder vermelde beperkingen en met een downloadteller die op het moment van schrijven nul aangaf. De positie op het leaderboard hierboven is de enige onafhankelijke meting die bestaat. Al het andere — doorvoer op jouw kaart, hoe het zich gedraagt bij meer dan een handvol referentieafbeeldingen, of het alfakanaal schoon is aan de randen van een uitsnede — is niet publiekelijk gemeten, en geen enkele derde partij heeft erover geschreven.

Nano Banana 2 heeft het tegenovergestelde profiel. Het heeft onafhankelijke scores, een gepubliceerde prijs, een commerciële licentie en SynthID, en het geeft je geen laag terug. Als je workflow eindigt bij "de afbeelding ziet er goed uit", is dat geen kostenpost. Als je workflow daarna verdergaat in een lay-outtool, is dat de hele kostenpost.

• Heb je een transparante PNG nodig of een ontwerp dat je kunt ontleden — Ming-Image-0.1-Design is de enige van de twee, en de Layer-metgezel is de reden om ernaar te kijken in plaats van naar zijn positie op de ranglijst.

• Voorspelbare prijs per afbeelding nodig, 4K-uitvoer, ongebruikelijke beeldverhoudingen en herkomstwatermerken — Nano Banana 2, voor ongeveer $0,067 per 1K afbeelding, en het staat op hetzelfde endpoint als al het andere dat je aanroept.

• Je moet kunnen verkopen wat eruit komt — de MIT-licentie van Ming-Image-0.1-Design staat dat toe, wat ongebruikelijk is voor een image-release uit 2026 en het is de moeite waard om dat te toetsen aan je eigen juridische positie in plaats van het zomaar aan te nemen.

• Een van beide moet verifieerbaar zijn voordat je je vastlegt — slechts één van beide kan dat zijn, en dat is degene zonder aankondiging.

Wat je in de gaten moet houden is geen benchmark. Het is of de Layer-repository het nuttige deel van deze release blijkt te zijn. Layer-decompositie is de stap waarin gegenereerd ontwerpwerk ophoudt een afbeelding te zijn en een asset begint te worden, en als dat model doet wat zijn modelkaart impliceert, is het probleem met platte afbeeldingen het onderdeel van deze vergelijking dat het snelst zal verouderen.