MAI Image 2.7 Preview 对比 Nano Banana 2.1：42 Elo 究竟能换来什么

MAI Image 2.7 Preview 发布中的几乎每一个数字都无法与任何东西进行比较。该模型于 2026 年 10 月 27 日在 Artificial Analysis 的 AA-Image-Editing v2.1 榜单上以 1,193 Elo 首次亮相，而大多数你想拿来与它对比的模型，都是在数周前、在一个此后已经变更的榜单上测得的。Nano Banana 2.1 是例外。Google 的模型位于同一榜单的同一版本上，分数为 1,151，来自同样于 2026 年 10 月 22 日进行的评估——所以 1,193 减去 1,151 是一次你可以做的减法。差距为 42 Elo，而这是本次发布唯一能给你的干净正面对比。

这使得这两个模型成为大家真正关心的问题上的天然组合：排行榜上最好的编辑器，是否值得胜过那个最便宜但足够好、自带蒙版、4K 输出、十四张参考图和公开定价的编辑器？答案原来取决于一项没有人对 Nano Banana 2.1 降价做过的算术。

为什么这个比较是板上唯一公平的比较

排行榜不是温度计。它们是不断变动的人群——模型进入、模型被弃用、投票不断累积——而一个分数只有相对于同一次评测批次中记录的其他数字才有意义。这就是大多数关于 2.7 发布的报道中的陷阱。微软自己的图表显示，2.7 为 1,193，GPT Image 2.5 Sunburst 为 1,199，GPT Image 2.5 Flare 为 1,182，MAI-Image-2.6 为 1,151，Krea 3 Ultra 为 1,151，Nano Banana 2.1 为 1,151，MAI-Image-2.6-Flash 为 1,144，GPT Image 2 为 1,136——全都来自同一次 AA-Image-Editing v2.1 运行，这正是整张图表可被引用的原因。2.7 与榜首相差六个 Elo，而这六分在盲投排行榜一周内可能出现的噪声范围内。

并非噪声的是分布的形状。在 1,136 和 1,199 之间，分布着来自四个实验室的八个模型，全部相差不超过 63 分。在编辑方面，前沿十分拥挤，而 42 分——即 2.7 到 Nano-Banana-2.1 的差距——大约相当于前八名整个跨度的三分之二。这是压缩区间内的一次真实分离，同时也小到足以让特定工作负载将其逆转。

规格线，间隙已标出

• 发布 — Nano Banana 2.1 于 2026 年 10 月 6 日推出，取代 Nano Banana 2，并在 Google 的产品线中位于 Nano Banana Pro 之下；MAI Image 2.7 Preview 于 2026 年 10 月 27 日推出。

• 功能范围 —— Nano Banana 2.1 支持生成与编辑，基于 Gemini 3.6 Flash 构建；2.7 仅支持编辑，文生图功能虽已承诺但尚未上线。

输出 — Nano Banana 2.1 提供 1K、2K 和 4K，宽高比范围为 1:8 至 8:1；微软尚未公布 2.7 的分辨率。

• 参考图——Nano Banana 2.1 最多支持十四个，拆分为四个角色和十个物件并保持一致；2.7 版本尚未公布。

• 控制 — Nano Banana 2.1 支持基于蒙版的局部编辑，即涂抹一个区域后仅该区域会发生变化，并提供三种思考层级；Microsoft 按用例描述了 2.7 的优势——风格重塑、重新打光、文本和符号编辑——但未发布蒙版界面。

• 价格 — 通过 Gemini API，Nano Banana 2.1 的价格为每 1K 张图像 $0.0336，2K 为 $0.0504，4K 为 $0.113，批量任务再享半价；2.7 尚无公布费率。

• 访问 — Nano Banana 2.1 已在 Gemini 应用、AI Studio、Gemini API、搜索的 AI 模式、Google Ads、Flow 和 Stitch 中提供；2.7 在 MAI Playground、Arena 和 Artificial Analysis 中，但没有 API，也未在 Foundry 中列出。

你据此得出的表格，除了分数之外，在任何方面都谈不上接近。所以这个分数最好非常有价值。

著名的50%降价幅度比听起来要小

Google 为 Nano Banana 2.1 打出的主要卖点是：图像输出成本降到了原来的一半，每百万输出 token 为 30 美元，低于之前的 60 美元。这没错，而且对于纯文生图来说，大致就是减半，因为大部分费用都来自输出。

编辑是另一种形态的请求。编辑会把源图像作为输入 token 一并传入，同时还会生成一张图像输出，而 Google 也同时上调了输入价格——从每百万 token 0.50 美元涨到 1.50 美元，达到原来的三倍。文本与推理输出则从每百万 3 美元涨到 7.50 美元。因此，一次编辑实际节省的并不是 50%；而是两项线性成本之间的差额，而当输入侧足够大时，这个差额会变号。

把它写成不等式。设 I 为单个请求的输入 token 数，O 为输出 token 数。旧请求的成本是 0.5I + 60O，新请求的成本是 1.5I + 30O。新价格更便宜，当且仅当 1.5I + 30O < 0.5I + 60O；化简后为 I < 30O：输入必须低于输出的三十倍。对于 1K 编辑来说，这是很宽松的余量；而对于带有大量参考集的 4K 编辑来说，则薄得多，因为参考图像属于输入，而 4K 输出的 token 数并不是生成它的参考图像的三十倍。

实际后果是：如果你的工作负载是“输入一张源图，输出一张尺寸相近的图”——这涵盖了大多数产品照片和修图流程——那么 Nano Banana 2.1 的编辑定价明显优于其前代，但并没有便宜一半；而带有四到五张参考图的 4K 流程可能几乎享受不到这次降价。如果你的工作负载是纯提示词生成，你就能获得完整的减半，而批量模式会在此基础上再减半。

这 42 Elo 会在哪里体现出来（如果确实会体现的话）

微软的类别明细比其总体得分更有用，因为它说明了提升来自哪里。在 MAI-Image-2.6 和 2.7 之间，基于推理的编辑从第七升至第一，场景和风格编辑从第七升至第一，文本或符号编辑从第六升至第一。最大的单项领先是在场景和风格上以 24 Elo 领先次佳模型。这些是关于 Artificial Analysis 类别的厂商说法，而且这一模式是连贯的：2.7 在那些需要对整张图像作出判断、而非局部修复的编辑上变得更强。

Nano Banana 2.1 公布的弱点几乎与此形成摄影底片般的反差。谷歌自己的模型卡承认，它在 1K 下小字会模糊、偶尔会左右混淆、角色相似度不完美，并且 3D 推理和事实性有限。左右混淆是空间推理失败；1K 下小字模糊是依赖分辨率的失败。两者都不是场景重打光能改善的那类错误。

所以，对 42 Elo 的诚实解读是：它集中在微软所说的那些方面：整图风格重塑、重新打光、将文字融入现有构图，以及需要模型理解物体与光线关系的编辑。如果你的工作看起来是那样，差距很可能肉眼可见。如果你的工作是从产品图中遮罩掉一个物体并换入另一个物体，那你并没有在测试 2.7 领先的那个维度，而一个你实际能画出来的蒙版，比一个分数更有价值。

口罩问题才是决定一切的关键

这是最不光鲜的差异，也是最常决定一次真实集成能否落地的差异。基于遮罩的编辑意味着人已经决定了要改变什么；模型的任务是让改变看起来像原生的一样。正是这种分工，使得生产流水线中的编辑工具可供审查：审查者可以看到被涂抹的区域，并只评判该区域。

MAI Image 2.7 Preview 按文档所述，接收一条指令和一张图像。微软对该能力集的描述——重塑场景风格、更改文字、修复素材——自始至终都由指令驱动，既没有公开的蒙版参数，也没有边界框控制，更没有记录在案的参考图像数量上限。它很可能确实接受蒙版；只是没有可供编程调用的公开接口，而对开发者来说，这等同于同一个问题。

对于逐张处理图像的创意总监来说，指令驱动的方式更快，而且往往效果更好。而对于必须生成审计追踪的流水线来说，蒙版绝不是可有可无的。

每一个所在何处，以及抵达它需要付出什么代价

Nano Banana 2.1 是全球分发范围最广的图像模型之一：Gemini API、AI Studio、Gemini 应用、搜索的 AI 模式、Google Ads、Flow 和 Stitch。分发范围并不是一项规格参数，但它决定了在你弄清该模型是否适用之前，需要先完成多少集成工作。

MAI Image 2.7 Preview 出现在三个地方，其中两个是评估界面。对预览版来说，这是有意为之，但这也是一道壁垒：想要用自己的素材测试 42 Elo 的团队只能在浏览器里手动进行，一次一张图，无法将实验脚本化。

在定价方面，有一个具体机制值得了解。OrcaRouter 按供应商目录价提供 Google 的图像产品线，加价为 0%——目前 Nano Banana 2 每次请求 $0.15，Nano Banana Pro 为 $0.24——因此供应商一旦调价，同一天就会传导到我们这边，而无需等待重新谈判。至于 2.1 本身是否加入，属于产品目录决策，而非定价决策；一旦加入，将按减半后的输出费率向您收费，因为您与目录价之间没有任何中间加价。

决策规则

如果你的编辑属于整图层面的判断——重新为这个场景打光、改变这个房间的风格、在这块标牌上换上新的文字并让它看起来像印上去的——本周就在 Arena 或 Playground 中使用 MAI Image 2.7 Preview，并用你自己的十张图片把它与 Nano Banana 2.1 做对比。这正是 2.7 声称拥有 24 点领先优势的那个维度，而盲测是唯一能够迁移的检验。

如果你的编辑是局部的、明确的——替换这个标签、去掉这根线缆、扩展这个背景——那么 Nano Banana 2.1 的优势就在于能精确说明该改什么：1K 输出为 $0.0336，当投放目标需要时可选用 4K，当品牌一致性需要时可使用十四张参考图像。那 42 分的 Elo 根本没有机会发挥作用，因为你问的并不是它所回答的那个问题。

如果你今天需要在流水线中使用一个编辑器，而这两种情况都不符合你的情况，那么那个榜单上的模型就是拥有公开接口的模型。等到 MAI Image 2.7 Preview 有公开接口的那天，它会成为一个真正值得关注的选择；排行榜已经告诉你它能带来怎样的表现，唯一缺少的就是让你亲自验证的能力。