Gemini Nano Banana 2.1 vs Qwen Image 3.0: Gelijkspel bij 1K, verdeeldheid bij 2K

Zet Gemini Nano Banana 2.1 en Qwen Image 3.0 op een tariefkaart en het eerste getal is grappig: een 1K-afbeelding van het nieuwste Gemini-afbeeldingsmodel kost $0,0336, en een 1K-generatie van Qwen Image 3.0 op Model Studio kost $0,03438. Zeven honderdsten van een cent uit elkaar. Twee labs aan tegenovergestelde uiteinden van de wereld, die in verschillende valuta's voor verschillende platforms publiceren, kwamen uit op dezelfde prijs voor het ding dat de meeste mensen daadwerkelijk kopen. De gelijke stand breekt zodra je naar 2K gaat — $0,0504 tegen $0,0688, een verschil van 36% in het voordeel van Gemini — en breekt weer anders zodra je merkt dat Qwen afbeeldingsinvoer en bewerkingsinvoer als afzonderlijke meters factureert, terwijl Nano Banana 2.1 dat niet doet. Welke van die twee feiten je build bepaalt, hangt volledig af van hoe vaak je pipeline een afbeelding aanraakt voordat die er een oplevert.

Ze verschillen ook meer van elkaar dan de prijs doet vermoeden. Nano Banana 2.1 werd op 6 oktober 2026 algemeen beschikbaar als een gehost API-model, met een migratietermijn van 23 dagen die aan zijn voorganger was gekoppeld. Qwen Image 3.0 werd op 5 augustus 2026 gelanceerd op Alibaba's Qwen AI-platform, met tegelijkertijd Standard- en Pro-niveaus en API's, en bereikt internationale ontwikkelaars via Qwen Cloud en Alibaba Cloud Model Studio. De ene is een westers frontier-lab-model met een prijs per afbeeldingstoken; de andere is een Chinees platformmodel met een prijs per afbeelding, met een gepubliceerd budget voor gelijktijdigheid en een binnen- en buitenlandse tariefkaart die onderling niet overeenkomen.

De twee tariefkaarten, regel voor regel

Nano Banana 2.1 wordt gefactureerd in tokens, met een conversie per afbeelding die daarnaast wordt gepubliceerd. Output kost $30 per miljoen afbeeldingstokens, wat Google omrekent naar $0,0336, $0,0504 en $0,0756 voor respectievelijk 1K, 2K en 4K, waarbij het aantal tokens per afbeelding wordt gegeven als 1.120, 1.680 en 2.520. Input kost $1,50 per miljoen tokens voor tekst, afbeelding en video. Batch-output is de helft: $0,0168, $0,0252 en $0,0378. Er is geen aparte meter voor het opnieuw invoeren van een afbeelding — een afbeelding die je als input doorgeeft, wordt één keer tegen het input-tokentarief geteld.

Qwen Image 3.0 is op een Chinese cloudtariefkaart in twee niveaus beschikbaar. Standard kost RMB 0,18 per afbeelding voor zowel 1K als 2K, met afbeeldingsinvoer tegen RMB 0,02 en bewerkingsinvoer tegen RMB 0,02 per afbeelding. Pro kost RMB 0,25 bij 1K en RMB 0,50 bij 2K. Op Qwen Cloud international bedraagt de Standard-laag $0,003 voor invoer en $0,03 voor uitvoer per afbeelding. Op Alibaba Cloud Model Studio in USD zijn de gepubliceerde bedragen $0,00275 per 1K invoer, $0,03438 per 1K generatie, $0,068761 per 2K generatie, $0,04 per 1K uitvoer en $0,075 per 2K uitvoer. De doorvoer wordt ook gepubliceerd: 10 gelijktijdige verzoeken, een asynchrone wachtrij van 200 verzoeken en 20 verzoeken per minuut.

• 1K-generatie — Gemini Nano Banana 2.1 $0,0336; Qwen Image 3.0 Standard $0,03438 op Model Studio. Feitelijk een gelijkspel.

• 2K-generatie — Nano Banana 2.1 $0,0504; Qwen Image 3.0 Standard $0,068761. Google is 36% goedkoper.

• 4K — Nano Banana 2.1 $0,0756 en het is een gedocumenteerd niveau; de Model Studio-vermelding van Qwen Image 3.0 beperkt het totale aantal pixels tot 2048×2048, dus er is geen 4K-rij om te vergelijken.

• Beeldinvoer — Nano Banana 2.1 rekent dit tegen het invoertarief van $1,50 per miljoen; Qwen Image 3.0 berekent dit afzonderlijk tegen $0,00275 per 1K invoer, waarbij bewerkingsinvoer in eigen land tegen RMB 0,02 in rekening wordt gebracht.

• Batch — Nano Banana 2.1 halveert alles via de Batch API bij een doorlooptijd van maximaal 24 uur; de gepubliceerde hefboom van Qwen Image 3.0 is een asynchrone wachtrij van 200 in plaats van een kortingsniveau.

• Doorvoer — Qwen Image 3.0 publiceert 10 gelijktijdige, 200 in de wachtrij, 20 RPM; Google publiceert geen van deze voor Nano Banana 2.1.

• Binnenlands — Qwen Image 3.0 Standard kost RMB 0,18 per afbeelding op de Chinese tariefkaart; Nano Banana 2.1 heeft geen binnenlands Chinees tariefniveau, omdat Google er geen aanbiedt.

Twee van die rijen doen er meer toe dan de rest. De 4K-rij is eerder een kloof in mogelijkheden dan een prijskloof — als je 4K-uitvoer nodig hebt, komt de Model Studio-optie van Qwen Image 3.0 helemaal niet in beeld. En de rij voor beeldinvoer is waar de twee factureringsfilosofieën scherp uiteenlopen, wat een eigen sectie verdient, omdat het het onderdeel is dat niet terug te zien is in de prijs die in de kop staat.

Waarom de tweede pass de wiskunde verandert

Een eenmalige generatie is het gemakkelijke geval, en bij een enkele generatie zijn deze twee qua prijs inwisselbaar. Echt werk met afbeeldingen is zelden eenmalig. Een typische bewerkingsworkflow genereert een kandidaat, voert een referentieafbeelding weer in voor een correctie, voert de gecorrigeerde afbeelding nogmaals in voor een stijlronde, en levert pas dan op. Elk van die terugvoeren is een beeldinvoer.

Bij Nano Banana 2.1 wordt die invoer tegen het algemene invoertarief afgerekend, samen met de tekstprompt, en het conversationele bewerken van het model is daar expliciet voor ontworpen — multi-turn bewerken via een eerdere interactie is een gedocumenteerde functie, en de denkmodus draagt het gesprek. Bij Qwen Image 3.0 wordt dezelfde lus afgerekend op een aparte regel die de leverancier publiceert: beeldinvoer tegen $ 0,00275 per 1K op Model Studio, RMB 0,02 per afbeelding als bewerkingsinvoer op de binnenlandse markt. Geen van beide is duur per aanroep. Het verschil is dat de meter van Qwen de iteratiekosten zichtbaar maakt als een eigen regelpost, terwijl die van Google ze opvouwt in de invoertokens, en een team dat begroot op basis van het kopcijfer per afbeelding zal de workflow met drie passes op beide platforms onderschatten.

Reken het eerlijk door en de praktische leidraad is saai maar waar. Bij de 1K-prijs zijn ze hetzelfde, dus de prijs is niet de reden om een van beide te kiezen. Bij 2K is Nano Banana 2.1 aanzienlijk goedkoper per generatie en biedt daarnaast een batchniveau dat het nog eens halveert. Als je 4K nodig hebt, valt er niets te vergelijken. Als je een gepubliceerd budget voor gelijktijdigheid nodig hebt waarop je een wachtrij kunt plannen, publiceert Qwen Image 3.0 er een en Nano Banana 2.1 niet. Dat is de vorm van de beslissing: vooral over de resolutie en de doorvoergarantie die je nodig hebt, niet over de prijs op het niveau dat iedereen noemt.

Wat wordt gemeten, en voor wie?

De bewijzasymmetrie loopt hier tegengesteld aan wat je zou verwachten. Qwen Image 3.0 heeft een onafhankelijke plaatsing en Nano Banana 2.1, een dag oud, niet. Op het text-to-image-bord van Artificial Analysis staat Qwen-Image-3.0, op basis van in juli 2026 verzamelde samples, op Elo 1.077 op de zestiende plaats uit 5.816 samples, en Qwen-Image-3.0-Pro op 1.088 op de veertiende plaats uit 6.077 — middenmoot, goed bemonsterd, en ongeveer waar een sterk platformmodel landt in plaats van een frontiermodel. Alibaba's eigen lanceerclaim, dat het model de eerste plaats in China veroverde op de text-to-image-ranglijst van Arena.ai, is een door de leverancier gerapporteerd cijfer op een ander bord met een andere kiezerspopulatie; het spreekt de plaatsing van Artificial Analysis niet tegen, het meet alleen iets anders.

De zijde van Nano Banana 2.1 in het grootboek is dunner. Er is geen Elo, geen stemmentelling en geen door derden uitgevoerde rendervergelijking in het openbare verslag per 7 oktober 2026. Wat bestaat is de changelog-taal van Google — "aanzienlijke verbeteringen" in visuele kwaliteit, promptnaleving, personageconsistentie over meerdere beurten en tekstweergave — en de gedocumenteerde functiewijzigingen: 1K-, 2K- en 4K-uitvoer zonder 512px-niveau, tot 14 referentieafbeeldingen opgesplitst in tien objecten en vier personages, denkmodus standaard ingeschakeld, en Google Image Search-grounding naast webzoekopdrachten. Als je deze twee vandaag op kwaliteit wilt vergelijken, vergelijk je de gemeten middenmootscore van het ene model met de leveranciersclaim van het andere model, en dat zijn niet hetzelfde soort getallen.

Waar je elk van hen kunt bellen

Geen van beide modellen staat op OrcaRouter, en het is de moeite waard om dat ronduit te zeggen in plaats van iets anders te suggereren. Gemini Nano Banana 2.1 is beschikbaar via de eigen API van de leverancier en via verschillende platforms van derden; Qwen Image 3.0 is beschikbaar via het eigen platform en verschillende platforms van derden. Onze catalogus bevat wel andere beeldmodellen — waaronder openai/gpt-image-2 van OpenAI en google/gemini-3.1-flash-image-preview — en in totaal 207 modellen achter één OpenAI-compatibel endpoint.

Dat is om één specifieke reden van belang voor deze vergelijking: beide leveranciers veranderen hun cijfers. Google veranderde de volledige tierstructuur van de voorganger van Nano Banana 2.1 en kondigde op dezelfde dag een stopzetting aan; Alibaba publiceert één tariefkaart in RMB voor het binnenlandse platform, een tweede in USD voor Model Studio en een derde reeks cijfers voor het internationale Qwen Cloud. Wanneer de prijs van een leverancier een bewegend doelwit is, dan is de waarde van het kopen via een laag die de lijstprijs van de provider tegen 0% opslag doorgeeft, dat het cijfer aan jouw kant op dezelfde dag verandert als bij hen, zonder marge tussen jou en het gepubliceerde cijfer en zonder een apart contract om opnieuw te onderhandelen. Dat is de discipline waarop de routing van OrcaRouter is gebouwd, en het is de reden dat een tariefkaartvergelijking zoals deze een maand later nog steeds klopt in plaats van af te wijken.

Welke moet ik nu eigenlijk kiezen?

Kies Gemini Nano Banana 2.1 wanneer je 4K-uitvoer nodig hebt, wanneer je een batchlaag wilt die de kosten per afbeelding halveert voor grote referentiepasses, wanneer de workflow bestaat uit promptgebaseerd bewerken met maximaal 14 referentieafbeeldingen, of wanneer je Google Search-grounding binnen de generatie wilt. De migratiedeadline voor zijn voorganger is een reden om erheen te migreren in plaats van een reden om het te vermijden, en de prijsdaling ten opzichte van Nano Banana 2 is ruwweg een halvering bij elke resolutie. De openstaande vragen zijn het ontbreken van enige onafhankelijke kwaliteitsmeting en de niet-gepubliceerde doorvoerlimieten; daarom moet een productiepad voorbereid zijn om failover uit te voeren in plaats van ervan uit te gaan dat het endpoint blijft werken.

Kies voor Qwen Image 3.0 wanneer de uitvoer op of onder 2048×2048 blijft, wanneer een gepubliceerd concurrencybudget van belang is omdat je werk in de wachtrij plaatst, wanneer de Chinese tariefkaart van RMB 0,18 per afbeelding het commercieel relevante getal is, of wanneer de hogere prijs van de Pro-laag je iets oplevert dat je evaluatie kan aantonen. De onafhankelijke middenpositie in de tabel is voor dit gebruik geen zwakte — het is het meest betrouwbare afzonderlijke gegeven in deze vergelijking, omdat het het enige cijfer hier is dat geen van beide leveranciers heeft geproduceerd.

Als je de luxe hebt van een bake-off, voer die dan uit op de dimensie die echt verschilt: de multi-passbewerking. Genereer een kandidaat, voer vervolgens op elk model drie opeenvolgende correcties uit, en reken de totale kosten van de geaccepteerde afbeelding, niet de kosten van de eerste render. Dat is de vergelijking die de tariefkaart van geen van beide leveranciers voor je uitvoert, en degene die bepaalt of een "tie" bij 1K echt een tie is.