Ming-Image-0.1-Design vs Nano Banana 2: Lagret du får tillbaka

Fråga en designer vad som går fel efter att bilden har genererats, och svaret är nästan aldrig bilden. Det är att den genererade bilden är platt. Varje element är sammansvetsat med varje annat element, så rubriken kan inte flyttas, logotypen kan inte bytas ut, bakgrunden kan inte färgas om, och hela saken måste genereras om från en prompt för att ändra ett enda ord. Ming-Image-0.1-Design, som publicerades tyst av Ant Groups inclusionAI-team den 17 september 2026 under en MIT-licens, är byggt kring det problemet: 6,15 miljarder parametrar, nativ RGBA-utdata och ett medföljande kodförråd som tar en tillplattad design och returnerar den som separata lager. Nano Banana 2 — leverantörens Gemini 3.1 Flash Image, allmänt tillgänglig sedan den 28 maj 2026 och som i dag kan dirigeras som google/gemini-3.1-flash-image-preview — löser en annan hälft av samma problem, och skillnaden mellan de två halvorna är vad som avgör vilken av dem som hör hemma i din pipeline.

Vad Nano Banana 2 faktiskt är bra på, och vad det kostar

Googles modell är den som har ett publicerat pris och en dokumenterad produktionshistorik, och båda är värda att nämna just för att de är anledningen till att folk vänder sig till den.

• Pris — ungefär 0,067 USD per 1024×1024-bild, 0,101 USD vid 2048×2048 och omkring 0,151 USD vid 4K-nivån, med batchläge på ungefär hälften av dessa siffror och textinmatning som debiteras separat med 0,25 USD per miljon tokens. Det motsvarar ungefär 101 USD per tusen 2K-bilder, förutsebart in på dollarn innan du genererar något.

Utdata – upp till 4K, med förval för bildförhållanden inklusive extremvärdena 1:4 och 1:8 som format för sociala medier och banners behöver, samt enligt Google konsekvent återgivning av fem karaktärer och fjorton objekt.

• Härkomst — varje utdata bär SynthID-vattenmärkning, vilket är en efterlevnadsfunktion snarare än en kvalitetsfunktion och är den typ av sak som en juridisk granskning frågar om innan en designgranskning gör det.

• Grundning – den kan söka på webben under genereringen, vilket är så den hanterar en begäran som är beroende av ett faktum som den inte har memorerat.

Inget av det där är en transparensberättelse. Nano Banana 2 returnerar en bild, och bilden är hela artefakten.

Vad Ming-Image-0.1-Design returnerar i stället

Modellkortet är ovanligt specifikt för att vara en icke annonserad utgåva, och detaljerna pekar alla mot designarbete snarare än fotografi. Rekommenderad inferens är 2048×2048 — eller 1024 när du vill ha snabbhet — vid 12 samplingssteg, classifier-free guidance på 1,0, BF16 genomgående, på en enda CUDA-GPU på 80 GiB. Vikterna är alla BF16-safetensors, förrådet är ungefär 71,5 GB fördelat över connector/, mllm/, mlp/, scheduler/, transformer/ och vae/, och det finns ingen model_index.json — den dokumenterade vägen är git clone av inferensförrådet och python infer.py, med vLLM-Omni namngiven för distribution och en separat vision-language-modell (Ling-3.0-flash-VL eller qwen3.8-27B) namngiven för promptförbättring.

RGBA-utdata är den första halvan av svaret på problemet med platta bilder. Den andra halvan är Ming-Image-0.1-Design-Layer, ett separat arkiv med sin egen pipeline-tagg (image-text-to-image), 6 154 908 736 parametrar, samma MIT-licens och en enda uppgift: ta en tillplattad designbild plus en lagerplan och returnera N RGBA-lager. Den körs vid 1024 i sin standardbucket, 512 för snabbhet, 12 steg, guidance vid 2,0, med flash_attention_2. Dess kort visar Crello-testuppsättningens resultat som en bild i stället för en tabell, så det finns inget nummer att citera — vilket är det ärliga tillståndet för bevisningen och värt att säga rakt ut.

Lägg ihop dessa två fakta och avvägningens form blir tydlig. Nano Banana 2 ger dig en bättre slutbild med mindre arbete. Ming-Image-0.1-Design ger dig en bild som du fortfarande kan plocka isär efteråt, och den ger dig lageruppdelningen som en andra modell som du kör när du behöver den.

Styrelsen, läs noga

Ming-Image-0.1-Design ligger först på Artificial Analysis Text to Image Leaderboard för UI/UX-design i vyn för öppna vikter, med en Elo på 1 082, före Ideogram 4.0 (Quality) på 1 052, Ideogram 4.0 på 1 015, HunyuanImage 3.0 Instruct på 1 005, FLUX.2 [dev] på 1 000, FLUX.2 [dev] Flash på 999 och FLUX.2 [dev] Turbo på 994. Texten vi läser är den som återges på modellens eget kort, och den är försedd med Artificial Analysis varumärkesprofilering.

Två förbehåll som ändrar hur mycket vikt det har. Det är en resultattavla filtrerad på öppna vikter, så en hostad modell som Nano Banana 2 är inte kvalificerad och dess frånvaro är inte ett nederlag. Och ett blindpreferens-Elo är ett genomsnitt över en grupp, inte ett test av din prompt – det säger att en panel föredrog dessa utdata, inte att modellen kommer att sätta din rubrik i rätt typsnitt.

Nano Banana 2:s ställning mäts på de hostade listorna och i Googles egna publicerade siffror, och de två bör inte blandas samman. Den har funnits på listorna sedan i vår, vilket är det mer användbara faktumet här: den har haft månader av oberoende trafik, och Ming-släppet har inte haft någon.

Var pengarna och risken faktiskt hamnar

Prisskillnaden är inte en gradskillnad. Nano Banana 2 debiteras per användning och är därför prognostiserbar: tusen 2K-bilder kostar ungefär $101, och komplexitet ändrar inte räkningen särskilt mycket eftersom bildutdata tokeniseras förutsägbart. Ming-Image-0.1-Design har inget hostat pris alls, eftersom det inte finns någon hostad slutpunkt — kostnaden är din egen GPU-tid mot en nedladdning på 71,5 GB på ett 80 GiB-kort, och den ärliga jämförelsen är inte $101 mot gratis utan $101 mot ett amortiserat belopp som du själv måste beräkna.

Det här är den enda platsen i den här jämförelsen där ett routningslager gör något konkret i stället för retoriskt. Gemini-bildförhandsvisningen som betjänar Nano Banana 2 ligger på vår endpoint, och den ligger där till leverantörens listpris utan påslag — så om Google ändrar priset per bild ändras siffran hos oss samma dag i stället för vid nästa avtalsförnyelse. Automatisk failover mellan leverantörer är den andra halvan av det: en rutt kan bära produktionstrafik på en modell med månaders historik på resultattavlan medan ett oannonserat open-weights-släpp utvärderas vid sidan av den, vilket innebär att utvärderingen aldrig ligger på den kritiska linjen och att en dålig eftermiddag på någon av sidorna inte blir ett avbrott. Det är ett verkligt arrangemang, och det är arrangemanget som just detta modellpar efterfrågar.

Ingen av modellerna är det säkra standardvalet, av olika anledningar

Ming-Image-0.1-Design laddades upp den 17 september 2026 utan tillkännagivande, utan versionsmeddelande, utan angivna begränsningar och med en nedladdningsräknare som visade noll när detta skrevs. Placeringen på resultattavlan ovan är den enda oberoende mätning som existerar. Allt annat – genomströmningen på ditt kort, hur det beter sig med fler än en handfull referensbilder, om alfakanalen är ren vid kanterna på en utskärning – är omätt offentligt, och ingen tredje part har skrivit om det.

Nano Banana 2 har den motsatta profilen. Den har oberoende poäng, ett publicerat pris, en kommersiell licens och SynthID, och den ger dig inte ett lager tillbaka. Om ditt arbetsflöde slutar vid "bilden ser rätt ut", är det ingen kostnad. Om ditt arbetsflöde fortsätter förbi det in i ett layoutverktyg, är det hela kostnaden.

• Behöver du en transparent PNG eller en design som du kan dela upp — Ming-Image-0.1-Design är den enda av de två, och Layer-följeslagaren är anledningen att titta på den i stället för på dess placering på resultattavlan.

• Behöver du ett förutsebart pris per bild, 4K-utmatning, ovanliga bildförhållanden och proveniensvattenmärkning — Nano Banana 2, för cirka $0,067 per 1K-bild, och den ligger på samma endpoint som allt annat du anropar.

• Behöver du sälja det som kommer ut — Ming-Image-0.1-Designs MIT-licens tillåter det, vilket är ovanligt för ett bildsläpp från 2026 och är värt att kontrollera mot din egen juridiska ställning i stället för att anta.

• Du behöver att endera av dem är verifierbar innan du förbinder dig — bara en av dem kan vara det, och det är den utan tillkännagivande.

Det man bör hålla ögonen på är inte ett benchmark. Det är huruvida Layer-repositoriet visar sig vara den användbara halvan av den här utgåvan. Lageruppdelning är steget där genererat designarbete slutar vara en bild och börjar bli en tillgång, och om den modellen gör vad dess kort antyder, är problemet med platta bilder den del av den här jämförelsen som kommer att åldras snabbast.