MOSS-Image vs Nano Banana 2：一个有关停日期，另一个没有端点

这个对比有一个尴尬的特点，两家厂商都没有对外宣传。Nano Banana 2 —— 这是 G​oogle 面向消费者使用的名称，指的是 G​emini 3.1 Flash Image，也就是标识符 gemini-3.1-flash-image —— 它的关停日期就在十二天之后。G​oogle 的 G​emini API 更新日志将其弃用日期定在 2026 年 10 月 29 日，即在 N​ano Banana 2.1 于 10 月 6 日发布三周之后，而后者的单张图片价格大约只有它的一半。M​OSS-Image于 2026 年 10 月 16 日以 Apache 2.0 开放权重形式发布，它没有关停日期，因为根本没有什么可关停的：它是一个 27 GB 的下载包，由你自己运行，而且尚未发布任何面向它的商业 API。

所以，这场对决的诚实版本并不是“哪个更好”。它比较的是：一个即将在别人的服务器上不复存在的模型，与一个只要你还保留这些文件就会一直在你的服务器上存在的模型。这种框定比规格表更有用，因为这正是一个团队本月要做的决定，而且因为那个二阶问题——什么能取代 N​ano Banana 2——的答案会让价格改变一半。

首先，你实际对比的是哪一个 N​ano Banana

Google 的命名分为三个层次，这些差异并非表面功夫。

Nano Banana 2 就是 Gemini 3.1 Flash Image。消费者版本于 2026 年 2 月 26 日开始推出，开发者 API 则于 2026 年 5 月 28 日以 gemini-3.1-flash-image 的名称正式全面可用。它是 Gemini 应用、Google 搜索的 Lens 和 AI 模式界面、Flow 以及 Google Ads 中的默认图像生成器——这一事实主导着任何采用决策，因为这不是一款需要说服用户去使用的模型。

Nano Banana Pro 是更高一档的模型，也是 OpenMOSS 在其自家报告中选择对标的模型。在厂商的 LongLongTextBench 表格中，Nano Banana Pro 的 Mean-6 得分为 96.6，而 MOSS-Image 为 96.3——0.3 分的差距是表中最小差距，也是最值得深究的一个。

N​ano Banana 2.1 就是将于 10 月 6 日取代 N​ano Banana 2 的版本。它并非这里的主题，却是目的地，而它的存在设定了条件：弃用通知与继任者出现在同一条更新日志条目中。

十分之三的差距，若正确解读

MOSS-Image 的报告不同寻常之处在于，它公布了一张竞争对手在其中胜过它的表格。LongLongTextBench 包含 240 项文学文本渲染任务——120 项英文、120 项中文，平均目标长度为 1,339.8 个字符，约为 LongTextBench 平均长度的十一倍——而 MOSS-Image 的 96.3 Mean-6 成绩使其明显领先于 Qwen-Image-2512 的 64.9，在最长条件子集上英文为 97.1、中文为 92.4。排在它之上的是 GPT Image 2 的 99.0 和 Nano Banana Pro 的 96.6。

MOSS-Image 与 Nano Banana Pro 之间那零点三的差距，比任何人在这两个数字上应有的信心都更小。这两个数字出自不同的实验室，跑的是 OpenMOSS 编写的一套基准，而且用的是该实验室自己运行的 Google 模型结果。而 Nano Banana 2 并不是那一行里的模型——Flash 档位位于 Pro 之下，所以诚实的解读是：MOSS-Image 的文本渲染成绩，大致相当于 Google 高端档位在一个由 MOSS-Image 作者自己编写的测试上的水平，而在实际采购中你真正会拿它去比较的那个模型，还要再低一个档位。

在布局方面，M​OSS-Image 与 G​oogle 已发布的任何产品都不接近。在报告同时引入的基准 7Bench 上，M​OSS-Image 报告的平均布局 IoU 为 0.88，布局 AUC 为 0.70。在同一张表中，N​ano Banana Pro 分别为 0.33 和 0.20。如果这些数字经得起复现，那么精确的对象放置就是 M​OSS-Image 拥有的一项能力，目前没有任何 G​emini 图像模型能与之竞争。这些数字尚未被复现，而且该指标正是由同一个实验室制定的。

N​ano Banana 2 今天带给你的，以及接下来十二天里带给你的

这份能力清单是通才式的，而这正是该模型无处不在的原因。

• 一致性——在整个工作流中最多可保持五个角色和十四个对象稳定，这是整个 Nano Banana 系列主打的卖点。

• 输出 — 最高 4K，覆盖十四种宽高比，包括横幅和壁纸格式所需的极端 1:4 与 1:8 比例。

• 图像中的文字 — 图像内渲染，包括在保留布局的情况下进行翻译和本地化。这是与 MOSS-Image 的卖点最直接重合的能力，也是 Google 在发布时演示的那一项。

• 接地（Grounding）—— 生成以网页与图像搜索为依据，而非仅凭提示词本身，这正是 Meta 在 Muse Image 上进一步发扬的同一架构直觉。

• 控制项 — 可配置的思考层级，在延迟与推理之间权衡，并且默认对每个输出都加上 SynthID 水印和 C2PA 来源元数据。

• 价格 — 输出按每百万 token 60 美元计费，根据 G​oogle 自己的文档，512px 下约为 0.045 美元，1024×1024 下为 0.067 美元，2K 下为 0.101 美元，4K 下为 0.151 美元，批处理模式价格减半。Artificial Analysis 列出的价格为每 1,000 张图像 67 美元。

• 测量的排名 — 截至 2026 年 10 月 6 日，在 Artificial Analysis 的文生图排行榜上 Elo 为 1,125，在其图像编辑排行榜上为 1,108。

这些都没有争议。同样属实的是，10月29日该标识符将停止工作，而前进的道路是 Nano Banana 2.1——Artificial Analysis 尚未对其评分，Google 给出的定价约为其一半，本博客的另一篇文章对此有详细报道。

MOSS-Image 能给你什么，以及它要求你以什么作为回报

该架构是一个从零开始训练的 5B 单流扩散 Transformer：42 个联合块，隐藏宽度为 3,072，24 个 128 维的注意力头，一个宽度为 8,192 的 SiTU-GLU 前馈网络，以及一种四轴旋转位置编码，其第一个轴预留给参考索引。5B 这个标签并不包含那些昂贵的部分——一个冻结的 Qwen3.5-9B 文本编码器，以及一个冻结的 FLUX.2 VAE，它从 FLUX.2-klein-4B 加载，具有 32 个潜通道，在 8× 下采样上使用 2×2 的潜块，从而实现 16 像素的有效步长。

提示词可以是一个 JSON 对象。边界框采用从画布中心量度的绝对像素坐标，字面文本字符串，排版说明，所有这些都使用bbox_format "yxyx"。在最终预训练阶段，提示词上限为 4,096 个 token，输出尺寸必须是 16 的正整数倍，指南推荐一百万、一百五十万或两百万像素，支持范围从 512×512 到 4M。采样默认值为流匹配 Euler，50 步，CFG 3.0，shift 5.0，并在负分支的第 22 层启用 skip-layer guidance——而默认引导路径每步需要两次 transformer 前向传播，这就是为什么 50 步并不像听起来那么省。

入门的代价是实打实的：SFT 仓库约 27.2 GB，其中大约 16.8 GB 是文本编码器，此外还要自备 GPU、自行承担服务工作。作为回报，你得到的模型可以量化、微调、在气隙环境中运行，还能直接装进商业产品里发货，无需进行许可谈判——因为 Apache 2.0 覆盖了权重和独立的流水线代码，既没有营收门槛，也没有可接受使用附录。

逐行

• 状态 — Nano Banana 2 已弃用，将于 2026 年 10 月 29 日关停；MOSS-Image 于 2026 年 10 月 16 日以开放权重形式发布，且没有弃用机制

• 获取方式 —— 通过 Google 的 API 和面向消费者的产品界面，以及通过路由平台使用 Nano Banana 2；MOSS-Image 则通过下载获取

• 价格 — N​ano Banana 2 每张 1024×1024 图像约 $0.067，4K 下为 $0.151，按输出 token 计费，批量处理减半；M​OSS-Image 免费，但占用约 27.2 GB 空间，并需使用你自己的 GPU 时间

• 许可 — Nano Banana 2 为专有、仅提供 API，不提供权重；MOSS-Image 的权重与独立流水线代码则采用 Apache 2.0 许可

• 独立评分——Nano Banana 2 在 Artificial Analysis 上文本生成为 Elo 1,125，图像编辑为 1,108；MOSS-Image 在 Artificial Analysis 上没有收录条目，其公布的分数来自其作者自己编写的基准测试

• 文本渲染 — Nano Banana Pro 在 LongLongTextBench 上取得 96.6 的 Mean-6，而 MOSS-Image 为 96.3；Flash 档并未出现在该行中

• 布局控制 — M​OSS-Image 接受以绝对中心相对像素坐标表示的 JSON 布局，并在 7Bench 上报告 0.88 的平均 IoU；N​ano Banana Pro 在同一表格上报告 0.33，而 G​oogle 未公布自家的布局指标

• 参考 — Nano Banana 2 可在单条提示词中保持最多五个角色和十四个物体的一致性；MOSS-Image 的参考条件控制是一个预留的位置轴，厂商将其描述为未来工作，而非已发布的功能

• 溯源 — Nano Banana 2 默认对每项输出应用 SynthID 水印和 C2PA 元数据；MOSS-Image 不包含任何水印层

• 微调——MOSS-Image 可以进行微调和量化，并且社区量化版本、一个4步的DMD LoRA和一个8步的蒸馏变体在大约一天内就出现了；而 Nano Banana 2 无法被触及

为什么弃用会改变答案

如果 N​ano Banana 2 和 M​OSS-Image 都是稳定可用的选项，那么决策本该很普通：一边是每张图七美分的 API，另一边是自托管、由你自己承担成本的模型；在厂商自撰的文本基准上，质量大致相当，而布局则决定性地偏向 M​OSS-Image。弃用打破了这种对称，而且是双向打破。

与 N​ano Banana 2 相比，M​OSS-Image 如今在长期可用性之争中彻底胜出。在一个已宣布十二天后终止支持、且其继任者你尚未测评的模型上搭建流水线，就是一场你早已排上日程的迁移。你下载的文件不会被一条变更日志条目弃用。这不是关于开放性的修辞性观点；这是一个排期事实，而且它是这场比较所能得出的最有力论据。

但弃用也有另一面，而这部分通常被忽略。Nano Banana 2.1 以大约一半的价格推出，意味着 MOSS-Image 的替代方案不是每张七美分的图像，而是每张三点五美分的图像，而且 Google 会按自己的节奏持续改进它，不会给你带来任何运维负担。只有在你的 GPU 时间便宜、你的量大，或者你需要 API 在结构上无法提供的东西之一——微调、量化、气隙部署，或者一份无需重新谈判的许可证——时，MOSS-Image 的总拥有成本才能胜过它。

这件事中 OrcaRouter 这一方，不夸大其词

在当前这一组配对中，这是唯一一个路由情况具体确凿而非假想的，因此值得精确说明。Nano Banana 2 通过我们的目录提供，名称为 google/gemini-3.1-flash-image-preview——不过考虑到 10 月 29 日的关停，本月对这个端点最明智的做法是进行一次迁移测试，而不是新的集成，而继任端点也可以用同样的方式访问。MOSS-Image 不在我们的目录中，我们也不托管它；它只是一个下载资源，本文没有任何内容暗示并非如此。

这种组合真正有用的地方，在于你眼前要做的那个决定。如果你想知道自托管的 M​OSS-Image 是否比你在付费使用的托管版本产出更好的文本与版式结果，你需要让两者在同一组提示词上给出两组数字，而这项测试中托管的那一半不应要求你再签一份合同。一个 API 密钥，按提供商标价原样透传、0% 加价，所以 G​oogle 一调价，这里当天就生效，自动故障转移跨各提供商进行，让对比测试不会因为某家上游的一个糟糕下午而中断，再加上一个路由 DSL，把两者都放在同一个端点之后。这就是全部主张，而它恰好止步于“托管 M​OSS-Image”这一提议将要开始的地方。

未来十二天该做什么

如果你的生产环境还在用 N​ano Banana 2，那么当务之急与 M​OSS-Image 毫无关系：你手上有一个已弃用的标识符、一个价格只有一半的继任者，还有一个截止日期。在 29 号之前，用继任者重跑一遍你的评测集，然后依据证据、而不是依据降价来做决定。

如果你正在评估 M​OSS-Image，那就基于两个在对比后依然成立的理由来评估它。第一，布局控制——在 7Bench 上 0.88 对 0.33 的差距，是这个领域中目前没有任何托管方案能挑战的唯一结果，而如果精确放置是你的问题，任何 API 档位都解决不了。第二，持久性——Apache 2.0 权重，除你自己的路线图外，任何人的路线图都无法将它弃用、定价或设限。

不要采用 MOSS-Image 来做文本渲染。它在这方面确实很出色，但并没有领先：在厂商自己的表格上，96.3 低于 Nano Banana Pro 的 96.6，也低于 GPT Image 2 的 99.0；而你要替换掉的那个模型每张图只要几美分，还不用背负那 27 GB。支持这个模型的理由确实存在，狭窄、具体且真实，但它并不是那张基准测试表想要论证的那个理由。

有两件事能一锤定音。一是由 OpenMOSS 之外的第三方独立跑一遍 LongLongTextBench 或 7Bench；二是那个把带跳层引导（skip-layer guidance）的 M​OSS-Image 加进来并合入某个带标签版本的 vLLM-Omni pull request——它于 10 月 14 日开启，25 个文件共新增 3,605 行，至今仍处于打开状态，评审者要求提供针对固定参考版本的输出一致性证据。在这两件事都发生之前，准确的总结是：G​oogle 的模型是更好的通用选手，触达成本更低，并且会在十二天后消失；而 OpenMOSS 的模型做了一件无人能及的事，需要硬件，而且当那份让它的对手退役的更新日志早已被遗忘时，它仍然装得上。

此类发布背后有据可查的 AI 故障与智能体事件，均收录于OrcaRouter AI 事件档案，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。