GPT-Image-2.6 กับ Nano Banana 2.1: ตารางอันดับขัดแย้งกับตัวเอง

เมื่อวันที่ 5 พฤศจิกายน 2026 โมเดลภาพที่น่าสนใจที่สุดสองตัวที่คุณเรียกใช้ได้มีอายุห่างกันหนึ่งเดือน มีราคาต่อภาพต่างกันประมาณหนึ่งเซนต์ และไม่มีตัวใดเลยที่เป็นโมเดลที่บอร์ดจัดอันดับอิสระจัดให้เป็นอันดับหนึ่ง GPT-Image-2.6 เปิดตัวจาก OpenAI เมื่อวันที่ 4 พฤศจิกายน Nano Banana 2.1 เปิดตัวจาก Google เมื่อวันที่ 6 ตุลาคม Artificial Analysis ซึ่งให้คะแนนรุ่นก่อนหน้าของทั้งสองบริษัทต่ำจนติดดิน ไม่มีแถวข้อมูลสำหรับ GPT-Image-2.6 เลย — ขณะที่ Nano Banana 2.1 อยู่อันดับสี่บนบอร์ดแปลงข้อความเป็นภาพด้วย 1,175 Elo จาก 6,322 โหวต และอันดับสี่บนบอร์ดแก้ไขภาพด้วย 1,151 จาก 7,009 โหวต ตามหลังสามโมเดลที่เก่ากว่าตัวที่ OpenAI ประกาศในสัปดาห์นี้ทั้งหมด

นั่นคือปัญหาทั้งหมดของการเปรียบเทียบครั้งนี้ สรุปได้ในย่อหน้าเดียว โมเดลที่มีคะแนนโหวตมาหนึ่งเดือนคือตัวที่ถูกกว่า ปรับตัวช้ากว่า และเปิดตัวออกมาแล้ว ส่วนโมเดลที่ไม่มีคะแนนโหวตคือตัวที่มีรูปแบบเอาต์พุตใหม่ ใครก็ตามที่บอกคุณว่าตัวไหนดีกว่ากัน ไม่ได้อ้างคำพูดของผู้จำหน่ายก็เดาเอา

การเปิดตัวสองครั้ง สองสัญชาตญาณที่ตรงกันข้าม

รีลีสเดือนตุลาคมของ Google เป็นการขยับด้านราคาและโครงสร้างพื้นฐาน Nano Banana 2.1 — API ID gemini-nano-banana-2.1 ซึ่งสร้างบน Gemini 3.6 Flash ไม่ได้เพิ่มรูปแบบเอาต์พุตใหม่ สื่อใหม่ หรือกลไกการควบคุมแบบใหม่ใด ๆ โดยลดราคาโทเค็นเอาต์พุตภาพจาก $60 เหลือ $30 ต่อล้านโทเค็น ซึ่งทำให้ต้นทุนการเรนเดอร์ 1K ลดลงครึ่งหนึ่งเหลือ $0.0336 และการเรนเดอร์ 2K เหลือ $0.0504 ส่วน 4K ยังคงอยู่ที่ $0.113 เพราะความละเอียดที่สูงกว่ามีโทเค็นภาพ 3,780 โทเค็นแทนที่จะเป็น 2,520 ทั้งยังเพิ่มบันไดความละเอียดแบบมีชื่อ จำนวนช่องอ้างอิงช่องที่สี่ (ถ้าคุณกำลังนับอยู่) และการอ้างอิงจากการค้นหา จุดขายคือความคาดเดาได้: คุณรู้ระดับ คุณรู้จำนวนโทเค็น คุณรู้บิล

การเปิดตัวของ OpenAI ในเดือนพฤศจิกายนเป็นแนวทางที่ตรงกันข้ามโดยสิ้นเชิง GPT-Image-2.6 คงอัตราค่าบริการไว้ที่จุดเดิมทุกประการกับที่ GPT-Image-2.5 ทิ้งไว้ — 5 ดอลลาร์ต่อโทเค็นอินพุตข้อความหนึ่งล้านโทเค็น, 8 ดอลลาร์ต่อโทเค็นอินพุตรูปภาพหนึ่งล้านโทเค็น, 30 ดอลลาร์ต่อโทเค็นเอาต์พุตรูปภาพหนึ่งล้านโทเค็น — และใช้การเปิดตัวครั้งนี้ไปกับตัวปรับใหม่และผลลัพธ์ใหม่: ตัวควบคุมความซับซ้อน, การแก้ไขโดยใช้มาร์กอัปเป็นแนวทาง, การส่งออก SVG, เอาต์พุต GIF แบบเคลื่อนไหว, พื้นหลังโปร่งใส, ขนาดกำหนดเองที่เป็นจำนวนเท่าของ 16 พิกเซล จุดขายคือความสามารถ: นี่คือสิ่งที่โมเดลนี้สร้างได้ซึ่งโมเดลก่อนหน้าไม่สามารถทำได้

อ่านสองย่อหน้านั้นอีกครั้ง แล้วคุณจะคาดเดาความแตกต่างในทางปฏิบัติแทบทุกอย่างระหว่างผลิตภัณฑ์ได้ บริษัทหนึ่งกำลังปรับปรุงเศรษฐศาสตร์ต่อหน่วยของสิ่งที่ทำงานได้อยู่แล้ว ส่วนอีกบริษัทกำลังขยายชุดของสิ่งที่สิ่งนั้นสามารถเป็นได้

สิ่งที่คณะกรรมการอิสระกล่าวจริง ๆ

Artificial Analysis มีบอร์ดภาพแยกจากกันสองบอร์ด และการแยกกันนี้มีความสำคัญ — โมเดลหนึ่งอาจยอดเยี่ยมในการเรนเดอร์พรอมต์จากศูนย์ แต่ทำได้เพียงปานกลางในการทำตามคำสั่งแก้ไข และการนำทั้งสองมาหาค่าเฉลี่ยจะกลบความแตกต่างที่ทีมงานผลิตให้ความสำคัญโดยตรง

• การแปลงข้อความเป็นภาพ — GPT-Image-2.5 Sunburst (max) 1,224 Elo, 13,153 โหวต, อันดับหนึ่ง GPT-Image-2.5 Flare (max) 1,207, อันดับสอง GPT Image 2 (high) 1,188, อันดับสาม Nano Banana 2.1 1,175, 6,322 โหวต, อันดับสี่ GPT-Image-2.6: ไม่มีแถวข้อมูล

• การแก้ไข — GPT-Image-2.5 Sunburst (max) 1,200, 18,370 โหวต เป็นอันดับหนึ่ง MAI-Image-2.7-Preview 1,197 เป็นอันดับสอง GPT-Image-2.5 Flare (max) 1,183 เป็นอันดับสาม Nano Banana 2.1 1,151, 7,009 โหวต เป็นอันดับสี่ GPT-Image-2.6: ไม่มีแถว

• เมื่อเทียบกับรุ่นก่อนหน้าของตัวเอง — Nano Banana 2.1 นำหน้า Nano Banana 2 ซึ่งอยู่อันดับที่เจ็ดในหมวด text-to-image ด้วย 1,140 Elo จาก 16,224 โหวต อยู่ 35 คะแนน

มีข้อควรระวังสองข้อก่อนที่ใครจะใช้ตัวเลขเหล่านั้นประกอบการตัดสินใจซื้อ ข้อแรกคือขนาดตัวอย่าง: คะแนนโหวต text-to-image ของ Nano Banana 2.1 จำนวน 6,322 คะแนนนั้นน้อยกว่าครึ่งหนึ่งของ 13,153 คะแนนของ GPT-Image-2.5 Sunburst ดังนั้นช่วงความเชื่อมั่นจึงกว้างกว่า และอันดับของมันยังไม่นิ่งเท่าที่การจัดอันดับบอกเป็นนัย ข้อที่สองคือช่องว่าง 49 คะแนนระหว่างอันดับหนึ่งกับอันดับสี่บนมาตรวัด Elo ประมาณ 1,000 คะแนนนั้นเป็นความแตกต่างจริงแต่ไม่ได้มากมายมหาศาล — เป็นความแตกต่างประเภทที่ปรากฏอย่างสม่ำเสมอในการโหวตเปรียบเทียบแบบไม่เห็นชื่อเป็นคู่ ๆ และปรากฏเป็นครั้งคราวในแง่ว่ารูปภาพหนึ่ง ๆ ใช้งานได้กับงานเฉพาะอย่างหรือไม่

ข้อกล่าวอ้างจากผู้ขายสองรายที่ไม่สามารถนำมาเปรียบเทียบกันได้

ทั้งสองบริษัทเผยแพร่ตัวเลขความชอบของมนุษย์ของตนเอง และทั้งสองชุดใช้ตัดสินใจเรื่องนี้ไม่ได้ ด้วยเหตุผลที่แตกต่างกัน

Google รายงานว่า Nano Banana 2.1 ได้ 1,050 Elo ในโหมด thinking และ 1,015 เมื่อไม่ใช้ thinking ในการประเมินแบบเทียบเคียงโดยมนุษย์ภายในองค์กร เทียบกับ 990 สำหรับ Nano Banana 2 และ 935 สำหรับ Nano Banana Pro ตัวเลขเหล่านี้เป็นการวัดจริงจากผู้ให้คะแนนจริง และอยู่บนสเกลของ Google เองพร้อมการกระจายพรอมป์ของ Google เอง ซึ่งเป็นเหตุผลว่าทำไม 1,050 และ 1,175 ของ Artificial Analysis จึงอธิบายโมเดลเดียวกันได้โดยไม่ขัดแย้งกัน อย่านำมาเปรียบเทียบข้ามกัน

OpenAI อ้างอิง Design Arena สำหรับการได้อันดับหนึ่งของ GPT-Image-2.6 Sunburst ปัญหาเดียวกันในรูปแบบที่ต่างออกไป: กระดานจัดอันดับที่แตกต่างกัน กลุ่มผู้ให้คะแนนที่แตกต่างกัน และผู้ขายที่เลือกกระดานที่ทำให้รุ่นที่เปิดตัวดูดี อาจเป็นเรื่องจริงก็ได้ แต่มันไม่ใช่ตัวเลขที่คุณจะเอาไปวางข้าง 1,175 แล้วลบออกมาได้

ข้อสรุปที่ซื่อตรงเพียงอย่างเดียวคือ Google มีตำแหน่งที่วัดได้อย่างเป็นอิสระ ส่วน OpenAI ยังไม่มี ความไม่สมมาตรนี้ควรกำหนดว่าคุณจะให้ความเชื่อมั่นกับแต่ละฝ่ายมากเพียงใด

ตัววัด: บันไดที่มีชื่อกำกับเทียบกับงบโทเค็น

นี่คือจุดที่ผลิตภัณฑ์ทั้งสองแตกต่างกันในแบบที่สำคัญต่อทีมการเงินมากกว่านักออกแบบ และเป็นความแตกต่างที่การเปรียบเทียบส่วนใหญ่มองข้ามไป

• เรนเดอร์ 1K — Nano Banana 2.1 $0.0336 คงที่ที่ 1,120 โทเค็นรูปภาพ GPT-Image-2.6 ที่คุณภาพระดับกลางประมาณ $0.043 ประเมินจากโทเค็นเอาต์พุตประมาณ 1,449 โทเค็น

• เรนเดอร์ 2K — Nano Banana 2.1 $0.0504 GPT-Image-2.6 ไม่มีระดับ 2K ที่มีชื่อเรียก โดยคุณระบุขนาดพิกเซลเป็นจำนวนทวีคูณของ 16 ภายในช่วงอัตราส่วนภาพ 1:3 ถึง 3:1

• เรนเดอร์ 4K — Nano Banana 2.1 $0.113 จาก 3,780 โทเค็นรูปภาพ GPT-Image-2.6 ไม่มีระดับ 4K ที่เปิดให้บริการ

• เพดานคุณภาพ — GPT-Image-2.6 ที่คุณภาพสูงสุดมีค่าใช้จ่ายประมาณ $0.21 ต่อภาพ; Nano Banana 2.1 มีราคาสูงสุดอยู่ที่ระดับราคา 4K

• อินพุต — Nano Banana 2.1 $1.50 ต่อล้านโทเค็น; GPT-Image-2.6 $5 ต่อล้านสำหรับข้อความ และ $8 ต่อล้านสำหรับรูปภาพ

• แบตช์ — Nano Banana 2.1 คิดครึ่งราคา คือ 50% ของราคามาตรฐาน GPT-Image-2.6 ยังไม่พร้อมใช้งานผ่าน Batch API

• ตัวแปร — Nano Banana 2.1 เปลี่ยนค่าใช้จ่ายตามระดับความละเอียดและระดับการคิด ส่วน GPT-Image-2.6 เปลี่ยนค่าใช้จ่ายตามคุณภาพ ตามความซับซ้อน และตามปริมาณเนื้อหาที่มีอยู่ในภาพ

การประเมินราคาต่อภาพสำหรับ GPT-Image-2.6 ควรมีข้อควรระวัง: OpenAI ไม่ได้ประกาศราคาคงที่ต่อภาพ เพราะคิดค่าบริการเป็นโทเคน และจำนวนโทเคนจะแตกต่างกันไปตามสิ่งที่คุณขอ ตัวเลขข้างต้นได้มาจากจำนวนโทเคนเอาต์พุต ไม่ได้คัดลอกมาจากรายการราคา และสื่อต่างๆ ได้เผยแพร่ตัวเลขที่แตกต่างกันอย่างมีนัยสำคัญโดยสมมติงบโทเคนที่ต่างกัน ข้อกล่าวอ้างใดๆ ที่ว่า "GPT-Image-2.6 มีค่าใช้จ่าย X ต่อภาพ" รวมถึงข้อกล่าวอ้างของเรา ควรถือเป็นการประเมินที่มีช่วงความคลาดเคลื่อนกำกับไว้

ผลลัพธ์ในทางปฏิบัติตรงไปตรงมา ด้วย Nano Banana 2.1 คุณสามารถคาดการณ์ค่าใช้จ่ายสำหรับภาพสินค้า 2K หนึ่งเดือนได้แม่นยำถึงระดับความคลาดเคลื่อนจากการปัดเศษ เพราะความละเอียดกำหนดจำนวนโทเค็น ซึ่งกำหนดราคา ด้วย GPT-Image-2.6 คุณคาดการณ์อัตราได้ แต่คาดการณ์งบประมาณไม่ได้ เพราะพารามิเตอร์ความซับซ้อนมีค่าเริ่มต้นเป็น high และโทเค็นสำหรับวางแผนถูกคิดเงินในราคาเดียวกันที่ $30 ต่อล้านโทเค็นเหมือนกับโทเค็นที่เรนเดอร์แล้ว หากทีมการเงินของคุณต้องการตัวเลขที่ไม่เปลี่ยนแปลง นั่นคือข้อโต้แย้งที่แท้จริงสำหรับ Google หากทีมของคุณอยากได้ความสามารถก่อนแล้วค่อยวัดผลทีหลัง ก็ไม่ใช่

การแก้ไข: ช่องอ้างอิงสิบสี่ช่องเทียบกับไลบรารีที่บันทึกไว้

Nano Banana 2.1 รองรับภาพอ้างอิงได้สูงสุด 14 ภาพในคำขอเดียว — ตัวละครสี่ตัวและวัตถุสิบชิ้น — และรองรับการแก้ไขเฉพาะจุดด้วยมาสก์ในความละเอียด 1K, 2K และ 4K ตัวเลขของ Google เองระบุว่าความสม่ำเสมอของตัวละครหลายตัวอยู่ที่ 1,106 Elo ในโหมด thinking เทียบกับ 978 สำหรับ Nano Banana 2 ซึ่งเป็นการก้าวกระโดดครั้งใหญ่ที่สุดในตารางที่เผยแพร่สำหรับรุ่นเดียว และเป็นค่าที่สอดคล้องกับเวิร์กโฟลว์จริงมากที่สุด: การรักษาบุคคลสามคนเดิมให้สม่ำเสมอตลอดแคมเปญ

จุดเด่นด้านการแก้ไขภาพของ GPT-Image-2.6 อยู่ที่ลำดับมากกว่าความกว้างขวาง OpenAI อธิบายว่า Sunburst มีความสม่ำเสมอมากขึ้นเมื่อแก้ไขต่อเนื่องกันหลายครั้ง — การแก้ไขครั้งที่สิบเบี่ยงเบนน้อยกว่าที่เคยเป็น — และเพิ่มการแก้ไขที่นำทางด้วยมาร์กอัป ซึ่งคุณวาดบนเลเยอร์ซ้อนทับ PNG แบบโปร่งใสแทนการจัดเตรียมมาสก์ ทั้งสองอย่างใช้ร่วมกันไม่ได้: ต้องเลือกมาร์กอัปหรือมาสก์ อย่างใดอย่างหนึ่ง ไม่ใช่ทั้งสองอย่าง แยกกันนั้น คลังอ้างอิงที่ใช้ซ้ำได้ — บันทึกบุคคลหรือตัวละครไว้ครั้งเดียวแล้วใช้ซ้ำ — เป็นฟีเจอร์ของ ChatGPT ไม่ใช่ของ API ดังนั้นทีมที่สร้างบน /v1/images/editsจะไม่ได้รับฟีเจอร์นี้

ถ้ากระบวนการแก้ไขงานของคุณคือ "ทำให้แอสเซ็ต 14 ชิ้นสอดคล้องกันในการสร้างครั้งเดียว" Nano Banana 2.1 คือหนึ่งในสองตัวที่ทำสิ่งนี้ได้ ถ้ากระบวนการของคุณคือ "แก้ไขเล็ก ๆ น้อย ๆ ยี่สิบจุดในภาพเดียวโดยที่ภาพไม่เสื่อมคุณภาพลง" 2.6 ก็มุ่งเป้ามาที่คุณโดยตรง และยังไม่มีการวัดผลที่เป็นอิสระว่ามันทำงานได้ดีเพียงใด

รูปแบบ: จุดเดียวที่ไม่มีการแข่งขันใด ๆ เลย

GPT-Image-2.6 ส่งออกไฟล์ SVG และเอาต์พุตเป็น GIF แบบเคลื่อนไหวได้ ส่วน Nano Banana 2.1 ให้ภาพแบบราสเตอร์เพียงอย่างเดียวและไม่มีอะไรอื่นเลย หากสิ่งที่ต้องส่งมอบคือไฟล์เวกเตอร์สำหรับดีไซน์ซิสเต็ม หรือแอนิเมชันสั้นแบบวนซ้ำสำหรับพื้นผิวของผลิตภัณฑ์ การเปรียบเทียบก็จบตั้งแต่ยังไม่ทันเริ่ม และควรพูดให้ตรง ๆ ไว้เลยว่านี่คือช่องว่างด้านความสามารถ ไม่ใช่ช่องว่างด้านเบนช์มาร์ก จึงไม่จำเป็นต้องมีการตรวจสอบอย่างอิสระเพื่อให้รู้ว่ามันเป็นความจริง

ในทางกลับกันเป็นจริงในเรื่องความละเอียด Nano Banana 2.1 มีระดับที่ระบุชื่อเป็น 1K, 2K และ 4K และรองรับอัตราส่วนภาพสูงถึง 8:1 ในสองระดับสูงสุด ซึ่งหมายความว่าคุณเขียน "4K, 8:1 banner" ลงในสเปกชีตแล้วได้ตามนั้น ส่วน GPT-Image-2.6 รับขนาดกำหนดเองเป็นจำนวนเท่าของ 16 ภายในช่วง 1:3 ถึง 3:1 และไม่เผยแพร่ลำดับชั้นความละเอียดที่ระบุชื่อ ดังนั้นเมื่อผู้ขายงานพิมพ์ขอไฟล์ส่งมอบ 4K ที่ระบุในสัญญา ก็เท่ากับถามคำถามที่เอกสารของ OpenAI ไม่ได้ตอบไว้

ตรงที่การ์ดโมเดลของ Google เองยอมรับจุดอ่อน

ให้เครดิตในสิ่งที่สมควรได้รับ: การ์ดโมเดลของ Google สำหรับ Nano Banana 2.1 นั้นเปิดเผยอย่างไม่ธรรมดา โดยระบุถึงข้อความขนาดเล็กที่เบลอที่ความละเอียด 1K, การจัดการข้อความยาว ๆ ที่อ่อนแอ, ความสม่ำเสมอของตัวละครที่ไม่สมบูรณ์แบบ, ความสับสนเชิงพื้นที่ซ้าย-ขวาที่เกิดขึ้นเป็นครั้งคราว และความสามารถในการให้เหตุผลแบบ 3D และความถูกต้องตามข้อเท็จจริงที่จำกัด เหล่านั้นคือรูปแบบความล้มเหลวที่สร้างความเสียหายให้กับโปรเจกต์จริง — ฉลากผลิตภัณฑ์ที่มีตัวอักษรพิมพ์เล็กอ่านไม่ออก ไดอะแกรมที่มีลูกศรชี้ผิดทาง

สิ่งที่น่าล่อใจคือการบอกว่า GPT-Image-2.6 ไม่มีปัญหาดังกล่าว มันอาจจะไม่มีก็ได้ แต่ยังไม่มีการประเมินที่เป็นอิสระเกี่ยวกับการเรนเดอร์ข้อความหรือการใช้เหตุผลเชิงพื้นที่ของ 2.6 และจุดยืนที่ซื่อตรงก็คือ Google ได้บันทึกจุดอ่อนของตนไว้แล้ว ส่วน OpenAI ยังไม่ได้บันทึกจุดอ่อนใด ๆ เลย การที่ไม่มีจุดอ่อนที่ถูกเผยแพร่ไว้ไม่ใช่หลักฐานว่าจุดอ่อนนั้นไม่มีอยู่จริง โดยเฉพาะกับโมเดลที่เปิดตัวเพียง 24 ชั่วโมงก่อนการเขียนข้อความนี้

การเลือกสักอันหนึ่ง เมื่อพิจารณาจากทั้งหมดนั้น

• หากคุณต้องการเอาต์พุตความละเอียดระดับงานพิมพ์หรือขนาดใหญ่ โดยมีงบประมาณที่คุณอนุมัติล่วงหน้าได้ ให้เลือก Nano Banana 2.1 ราคาแบบขั้นบันไดที่มีชื่อเรียก การรองรับอัตราส่วนภาพ 8:1 และส่วนลดสำหรับการสั่งซื้อแบบกลุ่ม ล้วนเป็นสิ่งที่ 2.6 ยังไม่มีให้ในขณะนี้

• หากสิ่งที่คุณต้องส่งมอบรวมถึงเวกเตอร์หรือโมชัน ให้เลือก GPT-Image-2.6 ไม่ว่าอีกฝ่ายจะมีข้อได้เปรียบด้านราคามากแค่ไหน ก็ไม่ได้ทำให้คุณได้ SVG มา

• หากงานของคุณคือการแก้ไขต่อเนื่องเป็นลำดับยาว ๆ บนแอสเซ็ตจำนวนน้อย 2.6 คือผลิตภัณฑ์ที่เจาะจงกว่า โดยมีข้อแม้ว่าไม่มีใครนอก OpenAI ที่วัดว่ามันส่งมอบได้จริงหรือไม่

• หากสิ่งที่คุณต้องการคือภาพนิ่งที่ดีที่สุดที่ได้รับการตรวจสอบอย่างอิสระในปัจจุบัน อย่าเลือกทั้งสองตัวนั้น นั่นคือ GPT-Image-2.5 Sunburst ซึ่งได้ 1,224 คะแนนในด้าน text-to-image และ 1,200 คะแนนในด้าน editing และมันเก่ากว่าหนึ่งในโมเดลเหล่านี้หนึ่งเดือน และเก่ากว่าอีกตัวสองเดือน

ข้อสุดท้ายคือข้อที่คนมักข้ามไป และเป็นประโยคที่มีประโยชน์ที่สุดในที่นี้ ผู้ขายทั้งสองรายกำลังขายก้าวต่อไปให้คุณ แต่เมื่อดูจากหลักฐานสาธารณะเพียงชิ้นเดียวที่ไม่ได้มาจากทั้งสองรายนั้น ยังมองไม่เห็นก้าวไปข้างหน้านั้นเลย

วิธีมองเห็นทั้งสองฝ่ายโดยไม่ต้องเดิมพันฝ่ายใดฝ่ายหนึ่ง

ณ วันที่ 5 พฤศจิกายน 2026 OrcaRouter ยังไม่มีให้บริการ GPT-Image-2.6 หรือ Nano Banana 2.1 ดังนั้นนี่จึงไม่ใช่บทความที่เราจะบอกให้คุณกำหนดเอนด์พอยต์เดียวให้รองรับทั้งสองโมเดล สิ่งที่เรามีให้บริการคือรุ่นก่อนหน้าของแต่ละรุ่น — GPT-Image-2.5 Sunburst และ GPT-Image-2.5 Flare และ Nano Banana 2 ในชื่อ gemini-3.1-flash-image-preview — ภายใต้คีย์เดียว ในราคาตามรายการโดยคิดมาร์กอัป 0% เพื่อให้อัตราของผู้ให้บริการเป็นอัตราที่คุณจ่าย พร้อมการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดข้อขัดข้อง

ซึ่งนับเป็นวิธีเริ่มต้นที่ถูกต้องอยู่แล้ว โมเดลที่มีคะแนนผ่านการยืนยันแล้วก็คือโมเดลที่คุณเรียกใช้ได้ในวันนี้จาก endpoint เดียวและบิลเดียว และการรันพรอมป์ของคุณเองผ่านทั้งสองอย่างนั้นจะบอกคุณได้ว่าสไตล์และรูปแบบความล้มเหลวของผู้ให้บริการรายใดเข้ากับงานของคุณ — ก่อนที่คุณจะตัดสินใจเลือกรีลีสใหม่ล่าสุดของผู้ให้บริการรายใดรายหนึ่งโดยอาศัยเพียงโพสต์เปิดตัว เมื่อโมเดลใหม่แต่ละตัวเข้ามาในแคตตาล็อก กฎการส่งผ่านราคาหมายความว่าราคาของผู้ให้บริการจะมาพร้อมกับโมเดลโดยไม่เปลี่ยนแปลง ดังนั้นสิ่งเดียวที่เปลี่ยนในฝั่งของคุณคือสตริงชื่อโมเดล

นั่นคือลำดับที่หลักฐานสนับสนุน: ตัดสินประเด็นเรื่องผู้ขายบนรุ่นที่ได้รับการโหวตแล้ว จากนั้นจึงไปยังรุ่นใหม่เมื่อมีตัวเลขให้เดินหน้าต่อ ทางเลือกอื่น — การเลือกระหว่างสองโมเดลที่คะแนนซึ่งเปรียบเทียบกันได้เพียงอย่างเดียวเป็นของรุ่นก่อนหน้า — เป็นการเดิมพันที่ถูกแต่งตัวให้ดูเหมือนการเปรียบเทียบ