Ming-Image-0.1-Design vs Nano Banana 2: เลเยอร์ที่คุณได้รับคืน

ลองถามนักออกแบบว่าอะไรผิดพลาดหลังสร้างภาพเสร็จ แล้วคำตอบแทบไม่เคยเป็นตัวภาพเลย มันคือภาพที่สร้างออกมานั้นแบนราบ ทุกองค์ประกอบถูกเชื่อมติดกันหมด จนย้ายพาดหัวข่าวไม่ได้ เปลี่ยนโลโก้ไม่ได้ เปลี่ยนสีพื้นหลังไม่ได้ และต้องสร้างใหม่ทั้งหมดจากพรอมป์เพียงเพื่อแก้คำเดียว Ming-Image-0.1-Design ซึ่งเผยแพร่อย่างเงียบ ๆ โดยทีม inclusionAI ของ Ant Group เมื่อวันที่ 17 กันยายน 2026 ภายใต้สัญญาอนุญาต MIT ถูกสร้างขึ้นรอบปัญหาดังกล่าว: 6.15 พันล้านพารามิเตอร์ เอาต์พุต RGBA แบบเนทีฟ และรีโพซิทอรีคู่หูที่รับงานออกแบบซึ่งถูกแบนราบและคืนค่ากลับมาเป็นเลเยอร์แยกกัน Nano Banana 2 — หรือ Gemini 3.1 Flash Image ของผู้ให้บริการ ซึ่งเปิดให้ใช้ทั่วไปตั้งแต่วันที่ 28 พฤษภาคม 2026 และเรียกใช้ได้ในปัจจุบันในชื่อ google/gemini-3.1-flash-image-preview — แก้ปัญหาอีกครึ่งหนึ่งของปัญหาเดียวกัน และความแตกต่างระหว่างสองครึ่งนี้เองที่กำหนดว่าตัวไหนควรอยู่ในไปป์ไลน์ของคุณ

Nano Banana 2 เก่งเรื่องอะไรจริง ๆ และมีค่าใช้จ่ายเท่าไหร่

โมเดลของ Google คือโมเดลที่มีการเผยแพร่ราคาและมีผลงานที่พิสูจน์แล้วในการใช้งานจริง และทั้งสองอย่างนี้ก็คุ้มค่าที่จะระบุให้ชัดเจน เพราะสิ่งเหล่านี้คือเหตุผลที่ผู้คนเลือกใช้มัน

• ราคา — ประมาณ $0.067 ต่อภาพขนาด 1024×1024, $0.101 ที่ขนาด 2048×2048 และประมาณ $0.151 ที่ระดับ 4K โดยโหมดแบตช์อยู่ที่ประมาณครึ่งหนึ่งของตัวเลขเหล่านั้น และอินพุตข้อความจะคิดค่าบริการแยกต่างหากที่ $0.25 ต่อล้านโทเค็น ซึ่งแปลงเป็นประมาณ $101 ต่อภาพขนาด 2K หนึ่งพันภาพ สามารถคาดการณ์ได้แม่นถึงระดับดอลลาร์ก่อนที่คุณจะสร้างอะไรเลย

• เอาต์พุต — สูงสุด 4K พร้อมพรีเซ็ตอัตราส่วนที่รวมถึงค่าสุดขั้ว 1:4 และ 1:8 ซึ่งรูปแบบโซเชียลและแบนเนอร์จำเป็นต้องใช้ และความสม่ำเสมอที่ Google รายงานครอบคลุมตัวละคร 5 ตัวและวัตถุ 14 ชิ้น

• Provenance — ทุกเอาต์พุตมีลายน้ำ SynthID ซึ่งเป็นคุณสมบัติด้านการปฏิบัติตามข้อกำหนดมากกว่าด้านคุณภาพ และเป็นเรื่องประเภทที่การตรวจสอบทางกฎหมายถามถึงก่อนที่การตรวจสอบด้านการออกแบบจะถาม

• {{1}}การอ้างอิงแหล่งข้อมูล{{/1}} — {{2}}มันสามารถค้นหาเว็บระหว่างการสร้างคำตอบได้ ซึ่งเป็นวิธีที่มันจัดการกับคำขอที่ต้องอาศัยข้อเท็จจริงที่มันไม่ได้จดจำไว้{{/2}}

ไม่มีอะไรในนั้นเลยที่เป็นเรื่องราวความโปร่งใส Nano Banana 2 ส่งคืนภาพ และภาพนั้นคือทั้งหมดของชิ้นงาน

สิ่งที่ Ming-Image-0.1-Design ส่งคืนแทน

การ์ดโมเดลนี้ระบุรายละเอียดเฉพาะเจาะจงผิดปกติสำหรับการเปิดตัวที่ยังไม่ได้ประกาศ และรายละเอียดเหล่านั้นล้วนมุ่งไปที่งานออกแบบมากกว่าการถ่ายภาพ ค่าที่แนะนำสำหรับการอนุมานคือ 2048×2048 — หรือ 1024 เมื่อต้องการความเร็ว — ที่ 12 ขั้นตอนการสุ่ม, classifier-free guidance ที่ 1.0, ใช้ BF16 ตลอดทั้งกระบวนการ บน GPU CUDA 80 GiB เพียงตัวเดียว น้ำหนักทั้งหมดเป็น BF16 safetensors โดย repository มีขนาดประมาณ 71.5 GB กระจายอยู่ใน connector/, mllm/, mlp/, scheduler/, transformer/ และ vae/ และไม่มี model_index.json — เส้นทางที่ระบุไว้ในเอกสารคือ git clone ของ repo สำหรับการอนุมาน และ python infer.py โดยมี vLLM-Omni ที่ระบุไว้สำหรับการปรับใช้ และโมเดล vision-language แยกต่างหาก (Ling-3.0-flash-VL หรือ qwen3.8-27B) ที่ระบุไว้สำหรับการเสริมพรอมป์

เอาต์พุต RGBA คือครึ่งแรกของคำตอบสำหรับปัญหา flat image ครึ่งหลังคือ Ming-Image-0.1-Design-Layer ซึ่งเป็นรีโพซิทอรีแยกต่างหากที่มีแท็กไปป์ไลน์ของตัวเอง (image-text-to-image) มีจำนวนพารามิเตอร์ 6,154,908,736 ตัว ใช้สัญญาอนุญาต MIT เดียวกัน และมีงานเดียวเท่านั้น: รับภาพดีไซน์ที่ถูกแบน (flattened) พร้อมแผนเลเยอร์ แล้วคืนค่ากลับมาเป็น N เลเยอร์ RGBA โดยทำงานที่ 1024 ใน bucket เริ่มต้น 512 สำหรับโหมดเน้นความเร็ว 12 สเต็ป guidance ที่ 2.0 พร้อมกับ flash_attention_2 การ์ดของมันแสดงผลลัพธ์ชุดทดสอบ Crello เป็นรูปภาพแทนที่จะเป็นตาราง จึงไม่มีตัวเลขให้อ้างอิง — ซึ่งนี่คือสถานะตามจริงของหลักฐานที่มี และเป็นสิ่งที่ควรพูดอย่างตรงไปตรงมา

เอาข้อเท็จจริงสองข้อนี้มารวมกัน แล้วรูปร่างของการแลกเปลี่ยนก็ชัดเจนขึ้น Nano Banana 2 ให้ภาพสุดท้ายที่ดีกว่าโดยใช้ความพยายามน้อยกว่า Ming-Image-0.1-Design ให้ภาพที่คุณยังสามารถแยกส่วนออกได้ในภายหลัง และมันมอบการแยกชั้น (layer decomposition) ให้คุณในฐานะโมเดลที่สองที่คุณรันเมื่อต้องการ

คณะกรรมการ อ่านให้ละเอียด

Ming-Image-0.1-Design อยู่ในอันดับหนึ่งบนลีดเดอร์บอร์ด Text to Image ของ Artificial Analysis สำหรับงานออกแบบ UI/UX ในมุมมองแบบโอเพนเวต ด้วยคะแนน Elo 1,082 นำหน้า Ideogram 4.0 (Quality) ที่ 1,052, Ideogram 4.0 ที่ 1,015, HunyuanImage 3.0 Instruct ที่ 1,005, FLUX.2 [dev] ที่ 1,000, FLUX.2 [dev] Flash ที่ 999 และ FLUX.2 [dev] Turbo ที่ 994 ข้อความที่เรากำลังอ่านอยู่นี้คือฉบับที่ถูกทำซ้ำบนการ์ดของโมเดลเอง และมีแบรนด์ดิ้งของ Artificial Analysis กำกับอยู่

ข้อแม้สองข้อที่เปลี่ยนว่าน้ำหนักของมันควรมีมากแค่ไหน มันเป็นบอร์ดที่กรองเฉพาะโมเดลแบบเปิดเวต ดังนั้นโมเดลที่โฮสต์ไว้อย่าง Nano Banana 2 จึงไม่มีสิทธิ์เข้าร่วม และการที่มันไม่อยู่ในบอร์ดก็ไม่ใช่ความพ่ายแพ้ และ Elo แบบ blind-preference เป็นค่าเฉลี่ยจากฝูงชน ไม่ใช่การทดสอบพรอมป์ตของคุณ มันบอกว่าคณะผู้ตัดสินชอบผลลัพธ์เหล่านี้ ไม่ได้บอกว่าโมเดลจะจัดพาดหัวของคุณด้วยแบบอักษรที่ถูกต้อง

สถานะของ Nano Banana 2 วัดกันบนบอร์ดที่โฮสต์ไว้และบนตัวเลขที่ Google เผยแพร่เอง โดยไม่ควรนำสองสิ่งนี้มาปนรวมกัน มันอยู่บนบอร์ดมาตั้งแต่ฤดูใบไม้ผลิ ซึ่งเป็นข้อเท็จจริงที่มีประโยชน์กว่าในที่นี้ นั่นคือมันมีทราฟฟิกอิสระมาหลายเดือนแล้ว ส่วนการเปิดตัว Ming ยังไม่มีเลย

ที่ที่เงินและความเสี่ยงลงเอยจริง ๆ

ความแตกต่างด้านราคาไม่ใช่ความแตกต่างเชิงระดับ Nano Banana 2 คิดค่าบริการตามปริมาณการใช้งาน จึงคาดการณ์ได้: ภาพ 2K หนึ่งพันภาพมีค่าใช้จ่ายประมาณ $101 และความซับซ้อนไม่ได้เปลี่ยนแปลงบิลมากนัก เพราะเอาต์พุตภาพถูกแปลงเป็นโทเคนอย่างคาดเดาได้ Ming-Image-0.1-Design ไม่มีราคาแบบโฮสต์เลย เพราะไม่มีเอนด์พอยต์แบบโฮสต์ — ค่าใช้จ่ายคือเวลา GPU ของคุณเองกับการดาวน์โหลด 71.5 GB บนการ์ด 80 GiB และการเปรียบเทียบที่ตรงไปตรงมาไม่ใช่ $101 กับฟรี แต่เป็น $101 กับตัวเลขที่ตัดจำหน่ายแล้วซึ่งคุณต้องคำนวณเอง

นี่คือจุดเดียวในการเปรียบเทียบนี้ที่เลเยอร์การจัดเส้นทางทำอะไรที่เป็นรูปธรรม แทนที่จะเป็นแค่คำพูดเชิงวาทศิลป์ ตัวอย่างภาพตัวอย่าง Gemini ที่ให้บริการ Nano Banana 2 อยู่บนเอนด์พอยต์ของเรา และอยู่บนนั้นในราคาตามรายการของผู้ให้บริการโดยไม่มีมาร์กอัปใด ๆ — ดังนั้นหาก Google เปลี่ยนอัตราค่าบริการต่อภาพ ตัวเลขฝั่งของเราก็จะขยับในวันเดียวกัน ไม่ใช่รอไปจนถึงการต่อสัญญาครั้งถัดไป การสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติคืออีกครึ่งหนึ่งของเรื่องนี้: เส้นทางหนึ่งสามารถรับทราฟฟิกโปรดักชันบนโมเดลที่มีประวัติบนลีดเดอร์บอร์ดมาหลายเดือน ในขณะที่โมเดลโอเพนเวตส์ที่ยังไม่ประกาศเปิดตัวก็ถูกประเมินเคียงข้างกันไปด้วย ซึ่งหมายความว่าการประเมินนั้นไม่เคยไปอยู่บนเส้นทางวิกฤต และบ่ายที่ย่ำแย่ของฝั่งใดฝั่งหนึ่งก็ไม่กลายเป็นเหตุระบบล่ม นั่นคือการจัดวางที่เป็นจริง และเป็นการจัดวางที่โมเดลคู่นี้เรียกร้องหา

ทั้งสองโมเดลต่างก็ไม่ใช่ค่าเริ่มต้นที่ปลอดภัย ด้วยเหตุผลที่แตกต่างกัน

Ming-Image-0.1-Design ถูกอัปโหลดเมื่อวันที่ 17 กันยายน 2026 โดยไม่มีการประกาศ ไม่มีบันทึกการเปิดตัว ไม่มีข้อจำกัดที่ระบุไว้ และตัวนับการดาวน์โหลดอ่านค่าเป็นศูนย์ ณ ขณะที่เขียน ตำแหน่งบนลีดเดอร์บอร์ดด้านบนเป็นการวัดอิสระเพียงอย่างเดียวที่มีอยู่ สิ่งอื่นๆ ทั้งหมด — ปริมาณงานบนการ์ดของคุณ พฤติกรรมของมันเมื่อมีภาพอ้างอิงมากกว่าสองสามภาพ แชนเนลอัลฟาสะอาดที่ขอบของคัตเอาท์หรือไม่ — ยังไม่ถูกวัดในที่สาธารณะ และไม่มีบุคคลที่สามเขียนเกี่ยวกับมัน

Nano Banana 2 มีโปรไฟล์ตรงกันข้าม มีคะแนนจากแบบทดสอบอิสระ มีราคาที่ประกาศไว้ มีใบอนุญาตใช้เชิงพาณิชย์และ SynthID และมันจะไม่คืนเลเยอร์กลับมาให้คุณ หากขั้นตอนการทำงานของคุณจบที่ “ภาพดูถูกต้องแล้ว” นั่นไม่ถือเป็นต้นทุน หากขั้นตอนการทำงานของคุณดำเนินต่อไปจากตรงนั้นเข้าสู่เครื่องมือจัดวาง นั่นคือต้นทุนทั้งหมด

• ต้องการ PNG โปร่งใสหรือดีไซน์ที่คุณแยกองค์ประกอบได้ไหม — Ming-Image-0.1-Design เป็นเพียงตัวเดียวในสองตัวนี้ และ Layer companion คือเหตุผลที่ควรดูมัน แทนที่จะดูตำแหน่งบนลีดเดอร์บอร์ดของมัน

• ต้องการราคาต่อภาพที่คาดการณ์ล่วงหน้าได้ เอาต์พุต 4K อัตราส่วนภาพที่ผิดปกติ และลายน้ำยืนยันแหล่งที่มา — Nano Banana 2 ในราคาประมาณ $0.067 ต่อ 1K ภาพ และมันอยู่บนเอนด์พอยต์เดียวกับทุกอย่างที่คุณเรียกใช้.

• จำเป็นต้องขายสิ่งที่ได้ออกมา — สัญญาอนุญาต MIT ของ Ming-Image-0.1-Design อนุญาตให้ทำได้ ซึ่งไม่ธรรมดาสำหรับการเปิดตัวโมเดลภาพในปี 2026 และควรค่าแก่การตรวจสอบเทียบกับสถานะทางกฎหมายของคุณเองแทนที่จะสันนิษฐานเอา

• ต้องมีสักอันที่ตรวจสอบได้ก่อนที่คุณจะตัดสินใจ — มีเพียงอันเดียวเท่านั้นที่เป็นไปได้ และมันคืออันที่ไม่มีการประกาศ

สิ่งที่ต้องจับตาดูไม่ใช่เบนช์มาร์ก แต่คือว่ารีพอซิทอรี Layer จะกลายเป็นครึ่งที่มีประโยชน์ของการเปิดตัวครั้งนี้หรือไม่ การแยกองค์ประกอบของ Layer คือขั้นตอนที่งานออกแบบที่สร้างขึ้นหยุดเป็นเพียงภาพและเริ่มเป็นแอสเซ็ต และถ้าโมเดลนั้นทำได้อย่างที่โมเดลการ์ดของมันบอกเป็นนัย ปัญหาภาพแบนก็คือส่วนของการเปรียบเทียบนี้ที่จะล้าสมัยเร็วที่สุด