Ming-Image-0.1-Design vs Nano Banana 2: A camada que você recupera

Pergunte a um designer o que dá errado depois que a imagem é gerada e a resposta quase nunca é a imagem. É que a imagem gerada é achatada. Cada elemento está soldado a todos os outros, então o título não pode ser movido, o logotipo não pode ser trocado, o plano de fundo não pode ser recolorido, e tudo precisa ser regenerado a partir de um prompt para mudar uma única palavra. Ming-Image-0.1-Design, publicado discretamente pela equipe inclusionAI do Ant Group em 17 de setembro de 2026 sob licença MIT, foi construído em torno desse problema: 6,15 bilhões de parâmetros, saída RGBA nativa e um repositório complementar que recebe um design achatado e o devolve como camadas separadas. Nano Banana 2 — o Gemini 3.1 Flash Image do fornecedor, disponível de forma geral desde 28 de maio de 2026 e roteável hoje como google/gemini-3.1-flash-image-preview — resolve uma metade diferente do mesmo problema, e a diferença entre as duas metades é o que decide qual delas pertence ao seu pipeline.

No que o Nano Banana 2 é realmente bom, e quanto custa

O modelo do Google é o que tem um preço publicado e um histórico de produção, e ambos merecem ser mencionados precisamente porque são a razão pela qual as pessoas recorrem a ele.

• Preço — aproximadamente $0.067 por imagem de 1024×1024, $0.101 em 2048×2048, e cerca de $0.151 no limite 4K, com o modo em lote a aproximadamente metade desses valores e a entrada de texto cobrada separadamente a $0.25 por milhão de tokens. Isso equivale a cerca de $101 por mil imagens 2K, previsível ao dólar antes de você gerar qualquer coisa.

• Saída — até 4K, com predefinições de proporção, incluindo os extremos de 1:4 e 1:8 de que os formatos para redes sociais e banners precisam, e consistência relatada pelo Google em cinco personagens e catorze objetos.

• Provenance — cada resultado carrega a marca d'água SynthID, que é um recurso de conformidade e não de qualidade, e é o tipo de coisa que uma revisão jurídica pergunta antes mesmo de uma revisão de design.

• Fundamentação — pode pesquisar na web durante a geração, que é como lida com uma solicitação que depende de um fato que não tem memorizado.

Nada disso é uma narrativa de transparência. O Nano Banana 2 devolve uma imagem, e a imagem é a totalidade do artefato.

O que Ming-Image-0.1-Design retorna em vez disso

O model card é excepcionalmente específico para um lançamento não anunciado, e as especificidades apontam todas para trabalho de design em vez de fotografia. A inferência recomendada é 2048×2048 — ou 1024 quando você quer velocidade — com 12 etapas de amostragem, classifier-free guidance em 1.0, BF16 em todo o processo, em uma única GPU CUDA de 80 GiB. Os pesos são todos safetensors BF16, o repositório tem aproximadamente 71,5 GB distribuídos em connector/, mllm/, mlp/, scheduler/, transformer/ e vae/, e não há model_index.json — o caminho documentado é git clone do repositório de inferência e python infer.py, com o vLLM-Omni indicado para implantação e um modelo de linguagem visual separado (Ling-3.0-flash-VL ou qwen3.8-27B) indicado para aprimoramento de prompt.

A saída RGBA é a primeira metade da resposta ao problema da imagem plana. A segunda metade é Ming-Image-0.1-Design-Layer, um repositório separado com sua própria tag de pipeline (image-text-to-image), 6.154.908.736 parâmetros, a mesma licença MIT, e uma única função: receber uma imagem de design achatada mais um plano de camadas e retornar N camadas RGBA. Ele roda a 1024 em seu bucket padrão, 512 para velocidade, 12 passos, orientação em 2,0, com flash_attention_2. Seu card mostra os resultados do conjunto de teste Crello como imagem em vez de tabela, portanto não há número a citar — o que é o estado honesto da evidência e vale a pena dizer claramente.

Junte esses dois fatos e a forma do trade-off fica clara. O Nano Banana 2 oferece uma imagem final melhor com menos trabalho. O Ming-Image-0.1-Design oferece uma imagem que você ainda pode desmontar depois, e oferece a decomposição em camadas como um segundo modelo que você executa quando precisar.

O quadro, leia com atenção.

Ming-Image-0.1-Design ocupa o primeiro lugar no Artificial Analysis Text to Image Leaderboard para UI/UX Design, na visualização de pesos abertos, com um Elo de 1.082, à frente de Ideogram 4.0 (Quality), com 1.052, Ideogram 4.0, com 1.015, HunyuanImage 3.0 Instruct, com 1.005, FLUX.2 [dev], com 1.000, FLUX.2 [dev] Flash, com 999, e FLUX.2 [dev] Turbo, com 994. O texto que estamos lendo é o reproduzido no próprio card do modelo e traz a identidade visual da Artificial Analysis.

Duas ressalvas que mudam o quanto isso pesa. É um ranking filtrado por modelos de pesos abertos, então um modelo hospedado como o Nano Banana 2 não é elegível, e sua ausência não é uma derrota. E um Elo de preferência cega é uma média de um público, não um teste do seu prompt — ele diz que um painel preferiu estas saídas, não que o modelo vai definir seu título com a tipografia correta.

A posição do Nano Banana 2 é medida nos placares hospedados e nos números publicados pela própria Google, e os dois não devem ser confundidos. Ele está nos placares desde a primavera, o que é o fato mais útil aqui: já teve meses de tráfego independente, e o lançamento Ming não teve nenhum.

Onde o dinheiro e o risco realmente recaem

A diferença de preço não é uma diferença de grau. O Nano Banana 2 é cobrado por uso e, portanto, é previsível: mil imagens 2K custam cerca de $101, e a complexidade não altera muito a conta porque a saída de imagens é tokenizada de forma previsível. O Ming-Image-0.1-Design não tem preço de hospedagem nenhum, porque não há endpoint hospedado — o custo é o tempo da sua própria GPU para um download de 71,5 GB em uma placa de 80 GiB, e a comparação honesta não é $101 contra grátis, mas $101 contra um valor amortizado que você mesmo precisa calcular.

Este é o único ponto desta comparação em que uma camada de roteamento faz algo concreto em vez de retórica. A pré-visualização de imagens do Gemini que atende o Nano Banana 2 está no nosso endpoint, e está nele pelo preço de tabela do provedor, sem nenhum acréscimo — portanto, se o Google mudar a tarifa por imagem, o número do nosso lado muda no mesmo dia, e não na próxima renovação de contrato. O failover automático entre provedores é a segunda metade disso: uma rota pode carregar tráfego de produção em um modelo com meses de histórico de aprovação enquanto um lançamento de pesos abertos ainda não anunciado é avaliado ao lado dele, o que significa que a avaliação nunca fica no caminho crítico e uma tarde ruim de qualquer um dos lados não se transforma em uma indisponibilidade. Isso é um arranjo de verdade, e é o arranjo que este par específico de modelos está pedindo.

Nenhum dos dois modelos é a opção padrão segura, por motivos diferentes.

Ming-Image-0.1-Design foi enviado em 17 de setembro de 2026 sem anúncio, sem nota de versão, sem limitações declaradas e com um contador de downloads marcando zero no momento em que escrevo. A posição no ranking acima é a única medição independente que existe. Todo o resto — a vazão na sua placa, como ele se comporta com mais de um punhado de imagens de referência, se o canal alfa está limpo nas bordas de um recorte — não foi medido publicamente, e nenhum terceiro escreveu sobre ele.

Nano Banana 2 tem o perfil oposto. Tem pontuações independentes, um preço publicado, uma licença comercial e SynthID, e não lhe devolve uma camada. Se o seu fluxo de trabalho termina em "a imagem parece certa", isso não é um custo. Se o seu fluxo de trabalho prossegue para além disso, para uma ferramenta de layout, é o custo total.

• Precisa de um PNG transparente ou de um design que você possa decompor — Ming-Image-0.1-Design é o único dos dois, e o complemento Layer é o motivo para olhar para ele, e não para a posição dele no ranking.

• Precisa de um preço previsível por imagem, saída em 4K, proporções incomuns e marca d'água de proveniência — Nano Banana 2, a cerca de US$ 0,067 por imagem em 1K, eestá no mesmo endpoint que todo o resto que você chama.

• É preciso vender o que sai — a licença MIT do Ming-Image-0.1-Design permite isso, o que é incomum para um lançamento de imagens de 2026 e vale a pena verificar em relação à sua própria posição legal, em vez de presumir.

• É preciso que um dos dois seja verificável antes de você se comprometer — só um deles pode ser, e é o que não tem anúncio.

O que se deve observar não é um benchmark. É se o repositório Layer acaba sendo a metade útil deste lançamento. A decomposição em camadas é o passo em que o trabalho de design gerado deixa de ser uma imagem e passa a ser um ativo e, se esse modelo fizer o que seu cartão implica, o problema da imagem plana é a parte desta comparação que envelhecerá mais rápido.