MAI Image 2.7 Preview vs Nano Banana 2.1: Vad 42 Elo faktiskt ger

Nästan varje siffra i lanseringen av MAI Image 2.7 Preview går inte att jämföra med något. Modellen debuterade den 27 oktober 2026 på 1 193 Elo på AA-Image-Editing v2.1-tavlan från Artificial Analysis, och de flesta modeller man skulle vilja ställa mot den mättes veckor tidigare på en tavla som sedan dess har ändrats. Nano Banana 2.1 är undantaget. Googles modell ligger på samma version av samma tavla på 1 151, från samma utvärdering den 22 oktober 2026 – så 1 193 minus 1 151 är en subtraktion man får göra. Gapet är 42 Elo, och det är den enda rena direktjämförelsen som den här lanseringen ger dig.

Det gör de två modellerna till det naturliga paret för den fråga som alla faktiskt har: är den bästa redigeraren på marknaden värd att använda i stället för den billigaste bra som levereras med masker, 4K-utdata, fjorton referensbilder och ett publicerat pris? Svaret visar sig bero på en uträkning som ingen har gjort på Nano Banana 2.1:s prissänkning.

Varför den här jämförelsen är den enda rättvisa på tavlan

Topplistor är inte termometrar. De är rörliga populationer — modeller tillkommer, modeller fasas ut, röster ackumuleras — och en poäng är bara meningsfull i förhållande till de andra siffrorna som registrerats i samma mätomgång. Det här är fällan i det mesta av bevakningen av lanseringen av 2.7. Microsofts eget diagram placerar 2.7 på 1 193, GPT Image 2.5 Sunburst på 1 199, GPT Image 2.5 Flare på 1 182, MAI-Image-2.6 på 1 151, Krea 3 Ultra på 1 151, Nano Banana 2.1 på 1 151, MAI-Image-2.6-Flash på 1 144 och GPT Image 2 på 1 136 — alla från samma körning av AA-Image-Editing v2.1, vilket är det som gör hela diagrammet citerbart. Sex Elo skiljer 2.7 från toppen, och de sex poängen ligger inom det brus som en blindröstningstavla kan röra sig med under en vecka.

Det som inte är brus är fördelningens form. Mellan 1 136 och 1 199 ligger åtta modeller från fyra labb, alla inom 63 poäng. Inom redigering är frontlinjen trångbefolkad, och 42 poäng – gapet mellan 2.7 och Nano-Banana-2.1 – är ungefär två tredjedelar av hela spridningen för de åtta bästa. Det är en verklig separation inom ett komprimerat fält, och den är också tillräckligt liten för att en specifik arbetsbelastning ska kunna invertera den.

Specifikationsrader, med luckorna markerade

• Lansering — Nano Banana 2.1 lanserades den 6 oktober 2026, ersatte Nano Banana 2 och ligger under Nano Banana Pro i Googles produktlinje; MAI Image 2.7 Preview lanserades den 27 oktober 2026.

• Omfattning – Nano Banana 2.1 genererar och redigerar, bygger på Gemini 3.6 Flash; 2.7 är endast redigering, med text-till-bild utlovat men inte levererat.

Utdata – Nano Banana 2.1 erbjuder 1K, 2K och 4K med bildförhållanden från 1:8 till 8:1; Microsoft har inte publicerat någon upplösning för 2.7.

• Referenser – upp till fjorton för Nano Banana 2.1, uppdelade på fyra karaktärer och tio objekt som hålls konsekventa; ej publicerade för 2.7.

• Kontroll — Nano Banana 2.1 stöder maskbaserad lokal redigering, där du målar ett område och endast det området ändras, plus tre tankenivåer; Microsoft beskriver 2.7:s styrkor utifrån användningsfall — omstilisering, omljussättning, text- och symbolredigeringar — utan något publicerat maskgränssnitt.

Pris — Nano Banana 2.1 kostar 0,0336 USD per 1K-bild, 0,0504 USD vid 2K och 0,113 USD vid 4K via Gemini API, där batchjobb kostar halva priset igen; 2.7 har ingen publicerad taxa.

• Åtkomst — Nano Banana 2.1 finns i Gemini-appen, AI Studio, Gemini API, AI-läget i Search, Google Ads, Flow och Stitch; 2.7 finns i MAI Playground, Arena och Artificial Analysis, utan API och utan listning i Foundry.

Tabellen man skulle kunna dra ur det stämmer inte i närheten på något annat än poängen. Så poängen får allt vara värd en hel del.

Den berömda 50-procentiga prissänkningen är mindre än det låter

Googles huvudbudskap för Nano Banana 2.1 var att bildutdata kostar hälften så mycket som tidigare: 30 dollar per miljon utdatatoken, ned från 60 dollar. Det stämmer, och för ren text-till-bild är det ungefär en halvering, eftersom större delen av kostnaden är utdata.

Redigering är en annan sorts förfrågan. En redigering tar in källbilden som indatatokens samt producerar en bild som utdata, och Google höjde indatapriserna samtidigt — från $0,50 till $1,50 per miljon tokens, en tredubbling. Text- och resonemangsutdata gick från $3 till $7,50 per miljon. Så den faktiska besparingen vid en redigering är inte 50 %; det är skillnaden mellan två linjära kostnader, och den byter tecken när indatasidan blir tillräckligt stor.

Ställ upp det som en olikhet. Låt I vara inmatningstoken och O vara utmatningstoken för en förfrågan. Den gamla förfrågan kostade 0,5I + 60O och den nya kostar 1,5I + 30O. Det nya priset är billigare exakt när 1,5I + 30O < 0,5I + 60O, vilket förenklas till I < 30O: inmatningen måste hållas under trettio gånger utmatningen. Det är en generös marginal för en 1K-redigering och en mycket tunnare marginal för en 4K-redigering med en stor referensuppsättning, eftersom referensbilder är inmatning och en 4K-utmatning inte är trettio gånger antalet token i referenserna som producerade den.

Den praktiska konsekvensen: om din arbetsbelastning är "en källbild in, en bild av liknande storlek ut" – vilket beskriver de flesta pipelines för produktfoto och retuschering – är Nano Banana 2.1:s redigeringsprissättning betydligt bättre än föregångarens, men inte med hälften, och en 4K-pipeline med fyra eller fem referenser kan nästan inte få någon del av sänkningen. Om din arbetsbelastning är generering enbart med prompt får du hela halveringen, och batchläget halverar den igen.

Var 42 Elo skulle visa sig, om det nu gör det

Microsofts kategoriinformation är mer användbar än dess övergripande poäng, eftersom den anger var förbättringen kom ifrån. Mellan MAI-Image-2.6 och 2.7 klättrade resonemangsbaserade redigeringar från sjunde till första plats, redigeringar av scen och stil från sjunde till första plats, och redigeringar av text eller symboler från sjätte till första plats. Den största enskilda marginalen är 24 Elo inom scen och stil jämfört med näst bästa modell. Det är leverantörens påståenden om kategorierna i Artificial Analysis, och mönstret hänger ihop: 2.7 blev bättre på de redigeringar som kräver en bedömning av hela bilden snarare än en lokal reparation.

Nano Banana 2.1:s publicerade svagheter är nästan som den fotografiska negativbilden av det. Googles eget modellkort medger suddig liten text vid 1K, enstaka förväxlingar mellan vänster och höger, ofullkomlig karaktärslikhet och begränsat 3D-resonemang och begränsad faktakorrekthet. Förväxling mellan vänster och höger är ett misslyckande i rumsligt resonemang; suddig liten text vid 1K är ett upplösningsberoende sådant. Inget av dem är den typen av fel som en omljusning av scenen förbättrar.

Så den ärliga tolkningen av 42 Elo är att det är koncentrerat där Microsoft säger att det är: omstyling av hela bilder, ny ljussättning, text integrerad i en befintlig komposition och redigeringar som kräver att modellen förstår hur objekt och ljus samspelar. Om ditt arbete ser ut så är gapet sannolikt synligt. Om ditt arbete går ut på att maska ut ett objekt ur en produktbild och lägga in ett annat, testar du inte den axel där 2.7 leder, och en mask du faktiskt kan rita är värd mer än en poäng.

Maskfrågan är den som avgör det

Det här är den minst glamourösa skillnaden – och den som oftast avgör en verklig integration. Maskbaserad redigering innebär att en människa redan har bestämt vad som ska ändras; modellens uppgift är att få ändringen att se naturlig ut. Den arbetsfördelningen är anledningen till att redigeringsverktyg i produktionspipelines går att granska: en granskare kan se det målade området och bedöma enbart det området.

MAI Image 2.7 Preview tar, enligt dokumentationen, emot en instruktion och en bild. Microsofts beskrivning av funktionsuppsättningen – ändra scenens stil, ändra texten, återställ tillgången – är genomgående instruktionsstyrd, utan någon publicerad maskparameter, utan styrning via avgränsningsruta och utan något dokumenterat maxantal referensbilder. Den kan mycket väl acceptera masker; det finns helt enkelt inget publicerat gränssnitt att programmera mot, vilket för en utvecklare är samma problem.

För en creative director som arbetar bild för bild är instruktionsstyrd snabbare och ofta bättre. För en pipeline som måste ta fram ett revisionsspår är en mask inget extra utan ett måste.

Var var och en bor, och vad det kostar dig att ta dig dit

Nano Banana 2.1 är en av världens mest spridda bildmodeller: Gemini API, AI Studio, Gemini-appen, AI Mode i Search, Google Ads, Flow och Stitch. Distribution är inte en spec, men den avgör hur mycket integrationsarbete du gör innan du får veta om modellen passar.

MAI Image 2.7 Preview finns på tre ställen, varav två är utvärderingsytor. Det är ett medvetet val för en förhandsversion, och det är också en mur: ett team som vill testa 42 Elo på sina egna tillgångar måste göra det manuellt i en webbläsare, en bild i taget, och kan inte skripta experimentet.

På prissättningssidan finns det en konkret teknisk detalj som är värd att känna till. OrcaRouter tillhandahåller Googles bildlinje till leverantörens listpris med 0 % påslag – Nano Banana 2 för 0,15 USD per begäran och Nano Banana Pro för 0,24 USD idag – så en prisändring från leverantören slår igenom hos oss samma dag som den slår igenom hos Google, i stället för att vänta på en omförhandling. Huruvida 2.1 självt läggs till är ett katalogbeslut, inte ett prissättningsbeslut; när det väl sker är det den halverade outputtaxan du debiteras, eftersom det inte finns något mellan dig och listpriset.

Beslutsregeln

Om dina redigeringar är helhetsbedömningar av bilden – ändra ljuset i den här scenen, ändra stilen i det här rummet, sätt ny text på den här skylten och få den att se tryckt ut – använd MAI Image 2.7 Preview i Arena eller Playground den här veckan och jämför den mot Nano Banana 2.1 på tio av dina egna bilder. Det är exakt den axel där 2.7 hävdar sin ledning på 24 punkter, och blind jämförelse är det enda test som går att överföra.

Om dina redigeringar är lokala och specificerade – ersätt den här etiketten, ta bort den här kabeln, förläng den här bakgrunden – vinner Nano Banana 2.1 på förmågan att exakt säga vad som ska ändras, för $0,0336 för en 1K-utdata, med 4K tillgängligt när målet kräver det och fjorton referensbilder när varumärkeskonsistens kräver det. De 42 Elo får aldrig chansen att spela roll, eftersom du inte ställer frågan som de besvarar.

Om du behöver en redigerare i en pipeline i dag och ingen av dem stämmer in på dig, är modellerna på den resultattavlan de som har publicerade gränssnitt. MAI Image 2.7 Preview kommer att vara ett genuint intressant alternativ den dag den har ett; resultattavlan har redan berättat för dig vad du kan förvänta dig av den, och det enda som saknas är möjligheten att ta reda på det själv.