Nano Banana 2 (Gemini 3.1 Flash Image Preview) vs Gemini 3.1 Pro Preview Custom Tools: benchmarki, ceny i szybkość (wrzesień 2026)

orientacyjne i potwierdź stawkę na żywo na własnej stronie każdego modelu, zanim ułożysz na niej budżet.

Context window ogranicza, ile materiału źródłowego — dokumentów, kodu, wcześniejszej rozmowy — możesz wysłać w jednym żądaniu. Większe okno pozwala pominąć dzielenie na fragmenty i orurowanie wyszukiwania dla długich wejść, ale nadal płacisz stawkę tokenów wejściowych za wszystko, co wysyłasz, więc większe okno to możliwość, a nie zniżka. Dopasuj okno do najdłuższego pojedynczego żądania, jakie twoje obciążenie realnie generuje, a nie do największej liczby na stronie. Miej też na uwadze, że jakość może się pogarszać ku końcowi bardzo długiego kontekstu w każdym modelu, więc duże okno najlepiej traktować jako zapas na okazjonalne długie wejścia, a nie jako przyzwolenie na wypełnianie każdego żądania do limitu.

Dla interaktywnego czatu i pętli agentów najbardziej liczy się niska latency p50, bo użytkownik czeka na pierwszy token; dla generacji wsadowej i wyjścia długiej formy throughput dominuje nad całkowitym czasem, bo odpowiedź jest długa. Wykresy trendu z 7 dni powyżej pokazują, czy latency każdego modelu jest stabilna, czy dryfuje — coś, co pojedyncza nagłówkowa liczba ukrywa: model o świetnej średniej, lecz zaszumionym ogonie może i tak nie spełnić rygorystycznego SLA p95. Jeśli twój produkt ma budżet latency, czytaj zarówno medianę, jak i kształt krzywej, i pamiętaj, że latency od końca do końca obejmuje także twój przeskok sieciowy oraz wszelkie wyszukiwania lub wywołania narzędzi, które wykonujesz wokół modelu.

Pokazane tu indeksy złożone agregują wiele publicznych ewaluacji, a percentyl zaznacza, gdzie każdy model plasuje się wobec wszystkich porównywalnych modeli w katalogu — użyteczny sygnał na krótką listę, nie gwarancja dla twojego zadania. Model prowadzący w indeksie inteligencji ogólnej może nadal pozostawać w tyle w twojej dziedzinie (kodowanie, ekstrakcja, wielojęzyczność, rozumowanie na długim kontekście), więc użyj benchmarków, by zawęzić pole, a potem uruchom oba modele na reprezentatywnym wycinku swojego ruchu. Zwróć uwagę na konkretny indeks pasujący do twojego przypadku użycia, a nie na liczbę nagłówkową: produkt intensywny w kodowaniu powinien ważyć indeks kodowania, a asystent badawczy indeks rozumowania. Benchmarki też starzeją się w miarę aktualizowania modeli, więc traktuj je jako hipotezę wyjściową, którą potwierdzasz własnym zestawem ewaluacyjnym.