GPT-Image-2.6 vs Nano Banana 2.1: O ranking discorda de si mesmo

Em 5 de novembro de 2026, os dois modelos de imagem mais interessantes que você pode chamar têm um mês de diferença de idade, custam cerca de um centavo um do outro por imagem, e nenhum deles é o modelo que os rankings independentes colocam em primeiro lugar. O GPT-Image-2.6 foi lançado pela OpenAI em 4 de novembro. O Nano Banana 2.1 foi lançado pelo Google em 6 de outubro. O Artificial Analysis, que já detonou nas avaliações as gerações anteriores de ambas as empresas, não tem sequer uma linha para o GPT-Image-2.6 — enquanto o Nano Banana 2.1 ocupa o quarto lugar no seu ranking de texto para imagem, com 1.175 de Elo a partir de 6.322 votos, e o quarto lugar no seu ranking de edição, com 1.151 a partir de 7.009 votos, atrás de três modelos que são todos mais antigos que o que a OpenAI anunciou esta semana.

Esse é todo o problema dessa comparação em um parágrafo. O modelo com um mês de votos é o mais barato, o que se move mais devagar e o que já foi lançado. O modelo sem votos é o que tem novos formatos de saída. Qualquer pessoa que diga qual desses é melhor está ou citando um fornecedor ou adivinhando.

Dois lançamentos, dois instintos opostos

O lançamento de outubro do Google é uma jogada de preço e infraestrutura. Nano Banana 2.1 — ID da API gemini-nano-banana-2.1, baseado no Gemini 3.6 Flash — não adicionou um novo formato de saída, um novo meio ou um novo tipo de controle. Reduziu os tokens de saída de imagem de US$ 60 para US$ 30 por milhão, o que reduz pela metade o custo de uma renderização em 1K para US$ 0,0336 e de uma renderização em 2K para US$ 0,0504, e manteve a 4K em US$ 0,113 porque a resolução mais alta carrega 3.780 tokens de imagem em vez de 2.520. Adicionou uma escala nomeada de resoluções, uma quarta contagem de slots de referência, se você estava contando, e grounding com pesquisa. A proposta é previsibilidade: você sabe o nível, você sabe a contagem de tokens, você sabe a conta.

O lançamento de novembro da OpenAI segue a outra lógica por completo. O GPT-Image-2.6 manteve a tabela de preços exatamente onde o GPT-Image-2.5 a deixou — US$ 5 por milhão de tokens de entrada de texto, US$ 8 por milhão de tokens de entrada de imagem, US$ 30 por milhão de tokens de saída de imagem — e dedicou o lançamento a novos ajustes e novos recursos: um controle de complexidade, edição guiada por marcação, exportação em SVG, saída em GIF animado, fundos transparentes, tamanhos personalizados em múltiplos de 16 pixels. A proposta é a capacidade: eis coisas que o modelo consegue criar que o anterior não conseguia.

Leia esses dois parágrafos novamente e você conseguirá prever quase todas as diferenças práticas entre os produtos. Uma empresa está otimizando a economia unitária de algo que já funciona. A outra está ampliando o conjunto de coisas que esse algo pode ser.

O que os conselhos independentes realmente dizem

A Artificial Analysis mantém dois rankings de imagens separados, e a separação importa — um modelo pode ser excelente em renderizar um prompt a partir do nada e medíocre em seguir uma instrução de edição, e tirar a média entre os dois esconde exatamente a diferença com que uma equipe de produção se importa.

• Texto para imagem — GPT-Image-2.5 Sunburst (max) 1.224 Elo, 13.153 votos, primeiro. GPT-Image-2.5 Flare (max) 1.207, segundo. GPT Image 2 (high) 1.188, terceiro. Nano Banana 2.1 1.175, 6.322 votos, quarto. GPT-Image-2.6: sem linha.

Edição — GPT-Image-2.5 Sunburst (max) 1.200, 18.370 votos, primeiro. MAI-Image-2.7-Preview 1.197, segundo. GPT-Image-2.5 Flare (max) 1.183, terceiro. Nano Banana 2.1 1.151, 7.009 votos, quarto. GPT-Image-2.6: sem linha.

• Em relação ao seu próprio antecessor, o Nano Banana 2.1 lidera o Nano Banana 2 — que ocupa o sétimo lugar em geração de imagem a partir de texto, com 1.140 Elo de 16.224 votos — por 35 pontos.

Duas ressalvas antes de alguém basear uma decisão de compra nesses números. A primeira é o tamanho da amostra: os 6.322 votos de texto para imagem do Nano Banana 2.1 são menos da metade dos 13.153 do GPT-Image-2.5 Sunburst, então seu intervalo de confiança é mais amplo e sua posição é menos consolidada do que o ranking sugere. A segunda é que uma diferença de 49 pontos entre o primeiro e o quarto lugar numa escala Elo de cerca de 1.000 pontos é real, mas não é enorme — é o tipo de diferença que aparece de forma confiável em votações cegas por comparação pareada e de forma intermitente na questão de se uma imagem específica é utilizável para uma tarefa específica.

Duas alegações de fornecedores que não podem ser comparadas entre si

As duas empresas publicam os seus próprios números de preferência humana, e ambos os conjuntos são inutilizáveis para esta decisão, por razões diferentes.

O Google relata que o Nano Banana 2.1 obtém 1.050 Elo no modo de raciocínio e 1.015 sem raciocínio em uma avaliação interna lado a lado feita por humanos, contra 990 do Nano Banana 2 e 935 do Nano Banana Pro. Essas são medições reais de avaliadores reais, e estão na própria escala do Google com a própria distribuição de prompts do Google — e é por isso que 1.050 e 1.175 do Artificial Analysis descrevem o mesmo modelo sem se contradizerem. Não compare entre elas.

A OpenAI cita o Design Arena para um primeiro lugar do GPT-Image-2.6 Sunburst. O mesmo problema com outra roupagem: um ranking diferente, um conjunto de avaliadores diferente e um fornecedor escolhendo o ranking que favorece o lançamento. Pode muito bem ser verdade. Mas não é um número que você possa colocar ao lado de 1.175 e subtrair.

O único resumo honesto é que o Google tem uma posição medida de forma independente e a OpenAI ainda não tem uma. Essa assimetria deve moldar o quanto de confiança você deposita em cada uma.

Os medidores: uma escada nomeada contra um orçamento de tokens

É aqui que os dois produtos divergem de uma forma que importa mais para uma equipe de finanças do que para um designer, e é a diferença que a maioria das comparações deixa passar.

• {{1}}Renderização em 1K{{/1}} — Nano Banana 2.1 {{2}}US$ 0,0336, fixo em 1.120 tokens de imagem{{/2}}. GPT-Image-2.6 em qualidade média aproximadamente US$ 0,043, estimado a partir de cerca de 1.449 tokens de saída.

• Renderização 2K — Nano Banana 2.1 $0.0504. O GPT-Image-2.6 não tem um nível 2K nomeado; você especifica as dimensões em pixels em múltiplos de 16 dentro de uma faixa de proporção de 1:3 a 3:1.

• Render 4K — Nano Banana 2.1 $0.113, a partir de 3.780 tokens de imagem. GPT-Image-2.6 não publica nenhum nível 4K.

• Teto de qualidade — o GPT-Image-2.6 na qualidade máxima custa cerca de US$ 0,21 por imagem; o Nano Banana 2.1 chega ao preço de 4K.

• Entrada — Nano Banana 2.1 US$ 1,50 por milhão de tokens; GPT-Image-2.6 US$ 5 por milhão de texto e US$ 8 por milhão de imagem.

• Lote — Nano Banana 2.1 custa metade, 50% do padrão. O GPT-Image-2.6 ainda não está disponível por meio da API Batch.

• Alavancas — O Nano Banana 2.1 altera o custo conforme o nível de resolução e o nível de raciocínio. O GPT-Image-2.6 altera o custo conforme a qualidade, a complexidade e a quantidade de conteúdo que a imagem contém.

As estimativas por imagem para o GPT-Image-2.6 merecem uma ressalva: a OpenAI não publica um preço fixo por imagem, porque cobra por tokens e a contagem de tokens varia conforme o que você pediu. Os números acima são derivados de contagens de tokens de saída, não citados de uma lista de preços, e diferentes veículos publicaram números substancialmente diferentes ao assumir diferentes orçamentos de tokens. Trate qualquer alegação de que "o GPT-Image-2.6 custa X por imagem", incluindo a nossa, como uma estimativa com uma faixa associada.

A consequência prática é direta. Com o Nano Banana 2.1, você consegue prever um mês de fotos de produto em 2K com margem de erro de arredondamento, porque a resolução determina a contagem de tokens, que determina o preço. Com o GPT-Image-2.6, você consegue prever a tarifa, mas não o orçamento, porque o parâmetro de complexidade vem definido como alto por padrão e os tokens de planejamento são cobrados pelos mesmos US$ 30 por milhão que os tokens renderizados. Se sua equipe financeira precisa de um número que não se altere, esse é um argumento real a favor do Google. Se sua equipe prefere ter a capacidade e medir depois, não é.

Edição: quatorze slots de referência em comparação com uma biblioteca salva

O Nano Banana 2.1 aceita até 14 imagens de referência em uma única solicitação — quatro personagens e dez objetos — e oferece suporte a edições locais baseadas em máscara em 1K, 2K e 4K. Os próprios números do Google colocam a consistência entre vários personagens em 1.106 Elo no modo de pensamento, contra 978 do Nano Banana 2, o que é o maior salto de geração única em sua tabela publicada e o que corresponde mais diretamente a um fluxo de trabalho real: manter as mesmas três pessoas consistentes ao longo de uma campanha.

A história de edição do GPT-Image-2.6 é sobre sequência, não sobre amplitude. A OpenAI descreve o Sunburst como mais consistente ao longo de edições sucessivas — a décima edição desviando menos do que costumava — e acrescenta a edição guiada por marcações, em que você desenha sobre uma sobreposição PNG transparente em vez de fornecer uma máscara. As duas não podem ser combinadas: é marcação ou máscara, não ambas. Separadamente, a biblioteca de referências reutilizáveis — salvar uma pessoa ou personagem uma vez e reutilizá-la — é um recurso do ChatGPT, não da API, então uma equipe que constrói sobre /v1/images/edits não o obtém.

Se o seu fluxo de edição é "manter catorze ativos consistentes em uma única geração", o Nano Banana 2.1 é o único dos dois que faz isso. Se é "fazer vinte pequenas alterações em uma imagem sem que ela se degrade", o 2.6 é feito sob medida para você, e não há medição independente de quão bem ele funciona.

Formatos: o único lugar sem qualquer contestação

O GPT-Image-2.6 exporta SVG e gera GIFs animados. O Nano Banana 2.1 gera imagens raster e nada mais. Se o entregável for um ativo vetorial para um design system ou uma animação curta em loop para uma superfície de produto, a comparação termina antes mesmo de começar — e vale dizer com clareza que se trata de uma lacuna de capacidade, e não de uma lacuna de benchmark, de modo que não precisa de verificação independente para ser verdade.

O inverso vale para a resolução. O Nano Banana 2.1 vende níveis nomeados de 1K, 2K e 4K e suporta proporções de aspecto de até 8:1 nos dois níveis superiores, o que significa que você pode escrever “banner 4K, 8:1” em uma ficha técnica e obter isso. O GPT-Image-2.6 aceita dimensões personalizadas em múltiplos de 16 dentro de 1:3 a 3:1 e não publica nenhuma escala nomeada de resolução, então um fornecedor de impressão que pede um entregável 4K especificado em contrato está lhe fazendo uma pergunta que a documentação da OpenAI não responde.

Onde a própria ficha do modelo do Google admite a fraqueza

É preciso dar crédito onde ele é devido: o model card do Google para o Nano Banana 2.1 é excepcionalmente transparente. Ele lista textos pequenos e borrados em 1K, tratamento fraco de trechos de texto longos, consistência de personagem imperfeita, confusão espacial esquerda-direita ocasional e raciocínio 3D e precisão factual limitados. Esses são os modos de falha que prejudicam um projeto real — um rótulo de produto com letras miúdas ilegíveis, um diagrama com a seta apontando para o lado errado.

A tentação é dizer que o GPT-Image-2.6 não tem esses problemas. Pode não ter. Mas não há avaliação independente da renderização de texto ou do raciocínio espacial do 2.6, e a posição honesta é que o Google documentou suas fraquezas e a OpenAI não documentou nenhuma. A ausência de uma fraqueza publicada não é evidência de ausência, especialmente para um modelo lançado 24 horas antes de isto ser escrito.

Escolhendo um, considerando tudo isso

Se você precisa de saída com resolução de impressão ou em grande formato, com um orçamento que possa aprovar com antecedência, escolha o Nano Banana 2.1. A escada nomeada, o suporte à proporção 8:1 e o desconto em lote são coisas que o 2.6 atualmente não oferece.

• Se os seus entregáveis incluírem vetores ou motion, escolha o GPT-Image-2.6. Nenhuma vantagem de preço do outro lado compensa a falta de um SVG.

• Se o seu trabalho consiste em longas sequências de edição em um pequeno número de ativos, o 2.6 é o produto mais direcionado, com a ressalva de que ninguém fora da OpenAI mediu se ele entrega.

• Se o que você quer é a melhor imagem estática verificada de forma independente hoje, não escolha nenhum dos dois. Essa é a GPT-Image-2.5 Sunburst, com 1.224 em texto para imagem e 1.200 em edição, e ela é um mês mais velha que um desses modelos e dois meses mais velha que o outro.

Esse último item é o que as pessoas vão pular, e é a frase mais útil aqui. Os dois fornecedores estão vendendo a você um passo à frente. Na única evidência pública que não foi produzida por nenhum dos dois, o passo à frente ainda não é visível.

Como ver os dois sem apostar em nenhum deles

A OrcaRouter não oferece o GPT-Image-2.6 nem o Nano Banana 2.1 em 5 de novembro de 2026, portanto este não é um texto em que possamos dizer para você direcionar um único endpoint para ambos. O que nós oferecemos é a geração anterior de cada um — GPT-Image-2.5 Sunburst e GPT-Image-2.5 Flare, e o Nano Banana 2 como gemini-3.1-flash-image-preview — em uma única chave, pelo preço de tabela com 0% de margem, de modo que a tarifa do provedor é a tarifa que você paga, com failover automático entre provedores.

Que, de qualquer forma, acaba sendo a maneira certa de começar. Os modelos com pontuações verificadas são exatamente os modelos que você pode chamar hoje a partir de um único endpoint e de uma única fatura, e passar seus próprios prompts por esses dois revela qual estética e quais modos de falha de fornecedor se encaixam no seu trabalho — antes de você se comprometer com o lançamento mais recente de qualquer um dos fornecedores com base em um post de lançamento. Quando cada novo modelo chega ao catálogo, a regra de repasse significa que o preço do fornecedor chega com ele inalterado, então a única coisa que muda do seu lado é a string do modelo.

Essa é a sequência que as evidências sustentam: resolver a questão do fornecedor na geração que já foi votada e, depois, passar para a nova quando houver um número para avançar. A alternativa — escolher entre dois modelos cujas únicas pontuações comparáveis pertencem aos seus predecessores — é uma aposta disfarçada de comparação.