GPT-Image-2.6 vs Nano Banana 2.1: Bảng xếp hạng tự mâu thuẫn

Vào ngày 5 tháng 11 năm 2026, hai mô hình hình ảnh thú vị nhất mà bạn có thể gọi tới chỉ hơn kém nhau một tháng tuổi, giá mỗi ảnh chênh nhau khoảng một xu, và không mô hình nào trong hai mô hình đó là mô hình được các hội đồng độc lập xếp hạng nhất. GPT-Image-2.6 được OpenAI phát hành ngày 4 tháng 11. Nano Banana 2.1 được Google phát hành ngày 6 tháng 10. Artificial Analysis, đơn vị đã cho điểm các thế hệ trước của cả hai công ty xuống tận đáy, hoàn toàn không có dòng nào cho GPT-Image-2.6 — trong khi Nano Banana 2.1 đứng thứ tư trên bảng xếp hạng tạo ảnh từ văn bản của họ với 1.175 Elo từ 6.322 phiếu bầu và thứ tư trên bảng xếp hạng chỉnh sửa ảnh với 1.151 từ 7.009 phiếu bầu, xếp sau ba mô hình đều cũ hơn mô hình mà OpenAI công bố tuần này.

Đó chính là toàn bộ vấn đề của cuộc so kè này, gói gọn trong một đoạn. Mô hình đã có một tháng phiếu bầu là mô hình rẻ hơn, thay đổi chậm hơn và đã được phát hành rồi. Mô hình chưa có phiếu bầu nào là mô hình có các định dạng đầu ra mới. Bất kỳ ai nói với bạn mô hình nào trong số này tốt hơn thì hoặc là đang trích lời nhà cung cấp, hoặc là đang đoán.

Hai lần ra mắt, hai bản năng trái ngược

Bản phát hành tháng 10 của Google là một động thái về giá và hạ tầng kỹ thuật. Nano Banana 2.1 — ID API gemini-nano-banana-2.1, được xây dựng trên Gemini 3.6 Flash — không bổ sung định dạng đầu ra mới, chất liệu mới hay kiểu điều khiển mới. Nó cắt giảm token đầu ra hình ảnh từ 60 đô la xuống 30 đô la mỗi triệu token, qua đó giảm một nửa chi phí của một lần render 1K xuống còn 0,0336 đô la và render 2K xuống còn 0,0504 đô la, đồng thời giữ nguyên 4K ở mức 0,113 đô la vì độ phân giải cao hơn mang tới 3.780 token hình ảnh thay vì 2.520. Nó bổ sung một thang độ phân giải có tên gọi, một mức thứ tư về số ô tham chiếu nếu bạn để ý đếm, và tính năng grounding bằng tìm kiếm. Thông điệp ở đây là tính dự đoán được: bạn biết bậc, bạn biết số token, bạn biết hoá đơn.

Bản phát hành tháng 11 của OpenAI thì lại theo một bản năng hoàn toàn khác. GPT-Image-2.6 giữ nguyên bảng giá đúng như GPT-Image-2.5 để lại — 5 USD mỗi triệu token đầu vào văn bản, 8 USD mỗi triệu token đầu vào hình ảnh, 30 USD mỗi triệu token đầu ra hình ảnh — và dồn toàn bộ bản phát hành vào những nút điều chỉnh mới cùng những sản phẩm đầu ra mới: kiểm soát độ phức tạp, chỉnh sửa theo hướng dẫn bằng đánh dấu, xuất SVG, đầu ra GIF động, nền trong suốt, kích thước tùy chỉnh theo bội số của 16 pixel. Thông điệp là năng lực: đây là những thứ mô hình có thể tạo ra mà mô hình trước đó không thể.

Đọc lại hai đoạn văn đó và bạn có thể dự đoán gần như mọi khác biệt thực tiễn giữa các sản phẩm. Một công ty đang tối ưu hóa hiệu quả kinh tế trên mỗi đơn vị của một thứ vốn đã vận hành được. Công ty kia đang mở rộng tập hợp những gì thứ đó có thể trở thành.

Điều mà các hội đồng độc lập thực sự nói

Artificial Analysis vận hành hai bảng xếp hạng hình ảnh riêng biệt và sự tách biệt này rất quan trọng — một mô hình có thể xuất sắc trong việc dựng hình ảnh từ một câu lệnh từ con số không nhưng chỉ ở mức trung bình trong việc tuân theo một chỉ dẫn chỉnh sửa, và việc lấy trung bình hai yếu tố đó che giấu đúng điều khác biệt mà một nhóm sản xuất quan tâm.

• Tạo ảnh từ văn bản — GPT-Image-2.5 Sunburst (max) 1.224 Elo, 13.153 phiếu bầu, đứng thứ nhất. GPT-Image-2.5 Flare (max) 1.207, đứng thứ hai. GPT Image 2 (high) 1.188, đứng thứ ba. Nano Banana 2.1 1.175, 6.322 phiếu bầu, đứng thứ tư. GPT-Image-2.6: không có dòng.

• Chỉnh sửa — GPT-Image-2.5 Sunburst (max) 1,200, 18,370 phiếu bầu, hạng nhất. MAI-Image-2.7-Preview 1,197, hạng nhì. GPT-Image-2.5 Flare (max) 1,183, hạng ba. Nano Banana 2.1 1,151, 7,009 phiếu bầu, hạng tư. GPT-Image-2.6: không có dòng.

• So với bản tiền nhiệm của chính nó — Nano Banana 2.1 dẫn trước Nano Banana 2, mô hình đang xếp thứ bảy ở hạng mục text-to-image với 1.140 Elo từ 16.224 phiếu bầu, với cách biệt 35 điểm.

Hai lưu ý trước khi bất kỳ ai đưa ra quyết định mua hàng dựa trên những con số đó. Thứ nhất là kích thước mẫu: 6.322 phiếu bầu văn bản-thành-hình ảnh của Nano Banana 2.1 chưa bằng một nửa con số 13.153 của GPT-Image-2.5 Sunburst, nên khoảng tin cậy của nó rộng hơn và vị trí của nó kém chắc chắn hơn so với hàm ý của bảng xếp hạng. Thứ hai là khoảng cách 49 điểm giữa hạng nhất và hạng tư trên thang Elo khoảng 1.000 điểm là có thật nhưng không quá lớn — đó là kiểu khác biệt thể hiện một cách đáng tin cậy trong các cuộc bỏ phiếu theo cặp mù và không đều trong việc liệu một hình ảnh cụ thể có dùng được cho một công việc cụ thể hay không.

Hai tuyên bố của nhà cung cấp không thể so sánh với nhau.

Cả hai công ty đều công bố số liệu về sở thích của con người của riêng mình và cả hai bộ số liệu đều không thể dùng được cho quyết định này, vì những lý do khác nhau.

Google báo cáo Nano Banana 2.1 đạt 1,050 Elo ở chế độ thinking và 1,015 khi không bật thinking trong một đánh giá so sánh song song bởi con người nội bộ, so với 990 của Nano Banana 2 và 935 của Nano Banana Pro. Đó là những đo lường thực tế từ những người đánh giá thực, và chúng nằm trên thang điểm của chính Google với phân phối prompt của chính Google — đó là lý do vì sao 1,050 và 1,175 của Artificial Analysis đều mô tả cùng một mô hình mà không mâu thuẫn với nhau. Không so sánh chéo giữa chúng.

OpenAI viện dẫn Design Arena để nêu vị trí quán quân cho GPT-Image-2.6 Sunburst. Cùng một vấn đề nhưng ở dạng khác: một bảng xếp hạng khác, một nhóm người đánh giá khác, và một nhà cung cấp chọn bảng xếp hạng tôn vinh bản phát hành. Điều đó hoàn toàn có thể đúng. Nhưng đó không phải là con số bạn có thể đặt cạnh 1,175 và trừ đi.

Tóm tắt trung thực duy nhất là Google có một vị thế được đo lường độc lập còn OpenAI thì chưa có. Sự bất đối xứng đó phải định hình mức độ tin cậy mà bạn dành cho từng bên.

Các thước đo: một thang bậc có tên đối chiếu với ngân sách token

Đây là chỗ hai sản phẩm rẽ hướng theo một cách có ý nghĩa với đội ngũ tài chính hơn là với một nhà thiết kế, và đó chính là khác biệt mà hầu hết các bài so sánh đều bỏ sót.

• Kết xuất 1K — Nano Banana 2.1 $0.0336, cố định ở 1.120 token hình ảnh. GPT-Image-2.6 ở chất lượng trung bình khoảng $0.043, ước tính từ khoảng 1.449 token đầu ra.

• Kết xuất 2K — Nano Banana 2.1 $0.0504. GPT-Image-2.6 không có gói 2K được đặt tên; bạn chỉ định kích thước pixel theo bội số của 16 trong phạm vi tỷ lệ khung hình từ 1:3 đến 3:1.

• Kết xuất 4K — Nano Banana 2.1 $0.113, từ 3.780 token hình ảnh. GPT-Image-2.6 không công bố gói 4K nào.

• Giới hạn chất lượng — GPT-Image-2.6 ở chất lượng tối đa tốn khoảng $0.21 mỗi ảnh; Nano Banana 2.1 chạm trần ở mức giá 4K.

• Đầu vào — Nano Banana 2.1: $1.50 mỗi triệu token; GPT-Image-2.6: $5 mỗi triệu token văn bản và $8 mỗi triệu token hình ảnh.

• Batch — Nano Banana 2.1 giảm một nửa xuống còn 50% mức tiêu chuẩn. GPT-Image-2.6 hiện chưa khả dụng qua API Batch.

• Đòn bẩy — Nano Banana 2.1 thay đổi chi phí theo bậc độ phân giải và mức độ suy nghĩ. GPT-Image-2.6 thay đổi chi phí theo chất lượng, theo độ phức tạp và theo lượng nội dung mà bức ảnh chứa.

Các ước tính theo từng ảnh cho GPT-Image-2.6 cần được lưu ý: OpenAI không công bố mức giá cố định cho mỗi ảnh, vì họ tính theo token và số lượng token thay đổi tùy theo yêu cầu của bạn. Các con số trên được suy ra từ số token đầu ra, không phải trích dẫn từ bảng giá, và các nguồn khác nhau đã công bố những con số khác biệt đáng kể do giả định các ngân sách token khác nhau. Hãy coi bất kỳ tuyên bố nào kiểu "GPT-Image-2.6 có giá X mỗi ảnh", kể cả của chúng tôi, là một ước tính đi kèm với một khoảng giá trị.

Hệ quả thực tế rất rõ ràng. Với Nano Banana 2.1, bạn có thể dự báo chi phí cho một tháng ảnh sản phẩm 2K với sai số chỉ còn là sai số làm tròn, vì độ phân giải quyết định số token, và số token quyết định giá. Với GPT-Image-2.6, bạn có thể dự báo đơn giá nhưng không thể dự báo ngân sách, vì tham số độ phức tạp mặc định ở mức cao và token lập kế hoạch được tính cùng mức $30 mỗi triệu token như token đã kết xuất. Nếu đội tài chính của bạn cần một con số không thay đổi, đó là một lý lẽ thực sự để chọn Google. Nếu đội của bạn thà có năng lực rồi đo lường sau, thì không.

Chỉnh sửa: mười bốn ô tham chiếu so với thư viện đã lưu

Nano Banana 2.1 nhận tối đa 14 hình ảnh tham chiếu trong một yêu cầu — bốn nhân vật và mười đối tượng — và hỗ trợ chỉnh sửa cục bộ dựa trên mặt nạ ở độ phân giải 1K, 2K và 4K. Theo chính số liệu của Google, độ nhất quán đa nhân vật đạt 1.106 Elo trong chế độ suy luận, so với 978 của Nano Banana 2; đây là bước nhảy giữa hai thế hệ liên tiếp lớn nhất trong bảng công bố của họ và là mức ánh xạ trực tiếp nhất tới một quy trình làm việc thực tế: giữ ba người giống nhau nhất quán xuyên suốt một chiến dịch.

Câu chuyện chỉnh sửa của GPT-Image-2.6 xoay quanh tính tuần tự chứ không phải độ bao quát. OpenAI mô tả Sunburst nhất quán hơn qua các lần chỉnh sửa liên tiếp — lần chỉnh sửa thứ mười ít bị trôi hơn so với trước đây — và bổ sung tính năng chỉnh sửa dẫn hướng bằng đánh dấu, trong đó bạn vẽ lên một lớp phủ PNG trong suốt thay vì cung cấp mặt nạ. Hai tính năng này không thể kết hợp: hoặc đánh dấu, hoặc mặt nạ, không thể cả hai. Riêng thư viện tham chiếu có thể tái sử dụng — lưu một người hoặc nhân vật một lần rồi tái sử dụng — là tính năng của ChatGPT, không phải của API, nên một nhóm xây dựng trên /v1/images/edits sẽ không có được nó.

Nếu quy trình chỉnh sửa của bạn là “giữ cho mười bốn tài nguyên nhất quán trong một lần tạo”, thì Nano Banana 2.1 là công cụ duy nhất trong hai công cụ làm được điều đó. Nếu quy trình của bạn là “thực hiện hai mươi thay đổi nhỏ trên một ảnh mà không làm ảnh bị giảm chất lượng”, thì 2.6 nhắm thẳng vào bạn, và không có phép đo độc lập nào về mức độ hiệu quả của nó.

Định dạng: lĩnh vực duy nhất hoàn toàn không có sự cạnh tranh

GPT-Image-2.6 xuất SVG và tạo GIF động. Nano Banana 2.1 chỉ xuất ảnh raster và không làm gì khác. Nếu sản phẩm bàn giao là một tài sản vector cho hệ thống thiết kế hoặc một hoạt ảnh lặp ngắn cho một bề mặt sản phẩm, thì cuộc so sánh đã kết thúc trước khi bắt đầu — và đáng nói thẳng rằng đây là khoảng cách về năng lực, không phải khoảng cách về benchmark, nên không cần xác minh độc lập để thấy nó đúng.

Điều ngược lại đúng ở khía cạnh độ phân giải. Nano Banana 2.1 cung cấp các bậc có tên 1K, 2K và 4K, đồng thời hỗ trợ tỷ lệ khung hình lên tới 8:1 ở hai bậc cao nhất, nghĩa là bạn có thể ghi “4K, 8:1 banner” vào bảng thông số kỹ thuật và nhận được đúng như vậy. GPT-Image-2.6 nhận kích thước tùy chỉnh theo bội số của 16 trong khoảng 1:3 đến 3:1 và không công bố thang độ phân giải có tên, vì vậy khi một nhà cung cấp dịch vụ in hỏi về sản phẩm bàn giao 4K được quy định trong hợp đồng, họ đang hỏi bạn một câu mà tài liệu của OpenAI không trả lời.

Nơi thẻ mô hình của chính Google thừa nhận điểm yếu

Phải công nhận: thẻ mô hình Nano Banana 2.1 của Google thẳng thắn một cách bất thường. Nó liệt kê các vấn đề: chữ nhỏ bị mờ ở 1K, xử lý yếu các đoạn văn bản dài, tính nhất quán nhân vật chưa hoàn hảo, đôi khi nhầm lẫn không gian trái-phải, và suy luận 3D cùng độ chính xác thực tế còn hạn chế. Đó là những kiểu lỗi gây hại cho một dự án thực tế — một nhãn sản phẩm có phần chữ in nhỏ không đọc được, một sơ đồ có mũi tên chỉ sai hướng.

Thật dễ muốn nói rằng GPT-Image-2.6 không có những vấn đề đó. Có thể là không. Nhưng không có đánh giá độc lập nào về khả năng kết xuất văn bản hoặc suy luận không gian của 2.6, và quan điểm trung thực là Google đã ghi nhận các điểm yếu của mô hình mình còn OpenAI thì chưa ghi nhận điểm nào. Việc không có điểm yếu nào được công bố không phải là bằng chứng cho sự vắng mặt của chúng, đặc biệt với một mô hình được phát hành 24 giờ trước khi bài này được viết.

Chọn một, dựa trên tất cả những điều đó

Nếu bạn cần đầu ra độ phân giải in hoặc khổ lớn với ngân sách có thể phê duyệt trước, hãy chọn Nano Banana 2.1. Thang tên, hỗ trợ tỷ lệ khung hình 8:1 và chiết khấu theo lô đều là những thứ mà 2.6 hiện chưa cung cấp.

• Nếu sản phẩm bàn giao của bạn bao gồm vector hoặc motion, hãy chọn GPT-Image-2.6. Lợi thế về giá ở phía bên kia dù lớn đến đâu cũng không thể mang lại cho bạn một tệp SVG.

• Nếu công việc của bạn là những chuỗi chỉnh sửa dài trên một số ít tài nguyên, thì 2.6 là sản phẩm được nhắm mục tiêu tốt hơn, với lưu ý rằng chưa ai bên ngoài OpenAI đo lường được liệu nó có mang lại hiệu quả hay không.

• Nếu điều bạn muốn là hình ảnh tĩnh được xác minh độc lập tốt nhất hiện nay, thì đừng chọn cả hai. Đó là GPT-Image-2.5 Sunburst, với 1.224 điểm ở tác vụ tạo ảnh từ văn bản và 1.200 điểm ở tác vụ chỉnh sửa, và nó cũ hơn một tháng so với một trong hai mô hình này và cũ hơn hai tháng so với mô hình còn lại.

Điểm gạch đầu dòng cuối cùng ấy là chỗ người ta sẽ lướt qua, mà nó lại chính là câu hữu ích nhất ở đây. Cả hai nhà cung cấp đều đang bán cho bạn một bước tiến về phía trước. Nhưng trên bằng chứng công khai duy nhất không do bên nào trong hai bên tạo ra, bước tiến ấy vẫn chưa thấy đâu.

Làm sao để thấy cả hai mà không đặt cược vào bên nào

Tính đến ngày 5 tháng 11 năm 2026, OrcaRouter chưa cung cấp GPT-Image-2.6 hay Nano Banana 2.1, nên đây không phải là bài viết mà chúng tôi có thể khuyên bạn trỏ một endpoint vào cả hai. Thứ chúng tôi cung cấp là thế hệ trước của từng mô hình — GPT-Image-2.5 Sunburst và GPT-Image-2.5 Flare, và Nano Banana 2 với tên gemini-3.1-flash-image-preview — trên cùng một khóa, theo giá niêm yết với mức phụ thu 0% để giá nhà cung cấp chính là giá bạn trả, cùng cơ chế chuyển đổi dự phòng tự động giữa các nhà cung cấp.

Điều đó hóa ra lại chính là cách đúng để bắt đầu. Những mô hình có điểm số đã được xác minh chính là những mô hình bạn có thể gọi ngay hôm nay từ một endpoint duy nhất và một hóa đơn duy nhất, và việc chạy thử các prompt của riêng bạn qua hai mô hình đó sẽ cho bạn biết gu thẩm mỹ và các kiểu lỗi của nhà cung cấp nào phù hợp với công việc của bạn — trước khi bạn quyết định chọn bản phát hành mới nhất của một trong hai nhà cung cấp chỉ dựa vào sức hấp dẫn của một bài công bố ra mắt. Khi mỗi mô hình mới được đưa vào danh mục, quy tắc chuyển tiếp có nghĩa là giá của nhà cung cấp đi kèm và không thay đổi, nên thứ duy nhất thay đổi ở phía bạn là chuỗi mô hình.

Đó là trình tự mà bằng chứng ủng hộ: giải quyết câu hỏi về nhà cung cấp ở thế hệ đã được bỏ phiếu, rồi chuyển sang thế hệ mới khi có một con số để dựa vào. Lựa chọn thay thế — chọn giữa hai mô hình mà những điểm số duy nhất có thể so sánh được lại thuộc về các phiên bản tiền nhiệm của chúng — là một canh bạc được khoác lên vẻ ngoài của một phép so sánh.