Gemini Nano Banana 2.1 与 Gemini Omni 1.1 Flash：一张静态图像与一段视频片段，以不同单位计价

关于将 Nano Banana 2.1 与 Omni 1.1 Flash 进行比较，首先要了解的是：它们并不是彼此的替代品，而定价页面会以一种功能列表做不到的方式清楚表明这一点。Nano Banana 2.1 按图像计费——每百万图像 token 30 美元，供应商将其折算为 1K 渲染 0.0336 美元。Omni 1.1 Flash 按视频秒数计费——每百万输出视频 token 17.50 美元，供应商的一条脚注将其换算为 720p 每秒约 0.10 美元。前者是一款主力静态图像与编辑模型，于 2026 年 10 月 6 日正式可用。后者是一款视频生成器，供应商文档告诉开发者应将其作为视频默认选择，并把场景扩展留给 Veo 3.1。在二者之间做选择，实际上取决于你尚未搭建的是流水线的哪一半。

在任何数字之前，还有一个值得澄清的命名陷阱。大多数人称为 Gemini Omni 1.1 Flash 的模型，Google 将其列为 Gemini Omni Flash；“1.1”只存在于端点中，即 gemini-omni-1.1-flash。Nano Banana 2.1 的情况则正好相反——它的显示名称带有版本号，而其端点也与之匹配，为 gemini-nano-banana-2.1。如果你在看变更日志或账单导出文件，这种不一致正是其中一个容易找到、而另一个却不容易找到的原因。

这两项工作，简单明了地说

Gemini Nano Banana 2.1 能以对话方式生成和编辑静态图像。其记录的输入为文本、图像和视频的任意组合——不接受音频——输出为文本和图像，并且可配置文本加图像的交错输出。它最多可容纳 14 张参考图像，分为最多 10 个高保真对象参考和最多 4 个角色参考，并以 Google 搜索以及本代新增的 Google 图像搜索为依据进行生成。思考模式默认以中等水平开启，且无法关闭。每个输出都带有 SynthID 水印。它支持以 1K、2K 和 4K 生成；Nano Banana 2 支持的 512px 档位已被取消。

Gemini Omni Flash 可生成并编辑视频。其官方宣传的卖点是“快速生成视频、编辑、关键帧插值与扩展，并原生支持音频”，定价页面则写明它“现已在 Gemini API 的付费层级面向开发者正式开放”。输入形式为文本、图像、视频和音频——音频正是 Nano Banana 2.1 所不具备的模态。生成的片段带有同步的对白与声音，而非无声素材。Google 的视频文档在“该选用哪款视频模型”这一点上给出了异常明确的指引：将 Gemini Omni Flash 作为视频生成的默认选择，而在场景扩展、更高保真度的单次生成等特定能力上则使用 Veo 3.1。

• 输出产物 — {{1}}Gemini Nano Banana 2.1{{/1}} 生成静态图像和文本；{{2}}Gemini Omni 1.1 Flash{{/2}} 生成带同步原生音频的视频。

• 计费单位 — Nano Banana 2.1 按输出图像 token 计费；Omni 1.1 Flash 按输出视频 token 计费，官方公布的换算为 720p 每秒对应 5,792 个输出 token。

• 主要价格 — Nano Banana 2.1 按标准费率每 1K 图像 $0.0336；Omni 1.1 Flash 每秒钟 720p 视频约 $0.10。

• 输入价格——两者均为每百万输入 token 1.50 美元，但只有 Omni 1.1 Flash 将音频计入输入之中。

• 文本输出 — Nano Banana 2.1 每百万个令牌 7.50 美元；Omni 1.1 Flash 文本为每百万个令牌 9.00 美元，视频为 17.50 美元。

• {{1}}来源标识{{/1}} — Nano Banana 2.1 在每张图像上都带有 SynthID 水印；{{2}}Omni 1.1 Flash 的片段级来源标识未在定价页面上说明。{{/3}}

• 独立评测——在发布后的数日内，两款模型均无公开的竞技场排名；有关二者性能的唯一说法，只有谷歌自己的一家之言。

单位价格实际上买到了什么

把 $0.0336 和 $0.10 放在一起比较，在你确定一单位输出到底是什么之前，毫无意义。诚实的说法得落到具体场景：一段 30 秒、720p 的产品短片，按厂商自己的换算，大约是 $3.00 的 Omni 1.1 Flash，而构成这个场景的静帧图像，在 Nano Banana 2.1 上每张只是不到一美分的零头。一个先画十二帧分镜、毙掉其中十帧、最后只渲染一个成片的工作流，花在那十一张被毙掉的静帧上的钱比大多数人以为的要多，而比起视频又少了两个数量级。正是这种不对称，让这两个模型通常被串联使用，而不是拿来相互比较。

定价页面还公布了一个容易被忽略但很重要的换算关系：720p 下每秒 5,792 个输出 token。这个数字把 token 计量器变成每秒预算，并且应该放进成本模型的是这个数字，而不是 $0.10 这个头条数字，因为在标准定价下，头条数字是由它推导出来的。Google 尚未公布该模型在其他分辨率下的等效每秒数字——其按分辨率计费的价格属于 Veo 3.1，而不是 Omni Flash——所以任何为 Omni 引用 1080p 或 4K 每秒费率的人，引用的都是估算值，而不是该页面上的数字。

在静态图像方面，Nano Banana 2.1 的成本异常容易推算，因为两端都已公布：标准档为每百万图像 token 30 美元，批处理档为每百万 15 美元，并且给出了各分辨率对应的 token 数量（1K 图像为 1,120 个 token，2K 为 1,680，4K 为 2,520）。1K 分辨率下批处理为每张图像 0.0168 美元。如果你的流水线能容忍 24 小时的周转时间，批处理档会改变大规模参考渲染的成本。

决定其中一部分的迁移日期

这个对比的两半，一半有截止期限，另一半则没有。就在 Nano Banana 2.1 正式发布（GA）的同一天，Google 的更新日志宣布gemini-3.1-flash-image——也就是以 Nano Banana 2 之名销售的那个模型——“已被弃用，并将于 2026 年 10 月 29 日关停。”Gemini Omni Flash 则没有收到此类通知。所以，如果你目前正在上一个图像模型上运行图像加视频的流水线，那么其中图像这一半才是未来三周内需要关注的部分，而视频那一半则不是。

这种不对称也正是为什么双模型流水线值得通过同一个地方来打通。OrcaRouter 在单一的 OpenAI 兼容端点背后接入 200 多个模型，在供应商标价基础上 0% 加价，并在供应商之间自动故障转移，因此一次图像调用和一次视频调用出自同一把密钥、同一份账单和同一套重试逻辑，而不是两份供应商合同、两种故障模式。这两个模型都不在我们的目录中——它们要通过 Google 自家的 API 和若干第三方平台才能获取——重点不在于我们托管了它们，而在于当模型标识符在你脚下发生变化时，让它存在于路由配置中而非硬编码在部署里，才能把一场截止期限危机变成一次配置修改。我们确实路由了其他图像模型，包括 google/gemini-3.1-flash-image-preview 和 openai/gpt-image-2，正是这一点让无需第二个账号即可与 2.1 进行实时并排对比成为可能。

证据止步之处

截至 2026 年 10 月 7 日，这两个模型在公开记录中都没有独立的基准排名。对 Nano Banana 2.1 来说，这在意料之中——它才问世一天。而对 Omni 1.1 Flash 来说，这一空白更耐人寻味，因为该模型上线时间更长，而视频生成恰恰是那种人类偏好投票能产生明确信号的任务。任何告诉你这两者中有一个在实测质量上胜过另一个的人，都是在重复厂商的说法，或是拿一份精心挑选的渲染结果说事。Google 为 Nano Banana 2.1 列出的改进在于“视觉质量、文字渲染、多轮一致性和 Google 搜索接地”；Google 为 Omni 1.1 Flash 给出的定位是连贯性与多输入推理，而 Veo 3.1 则保留用于延展与保真度。两者都是厂商在描述自家的工作。

唯一一件你能在不信任任何人的前提下验证的事情，就是行为表现。Omni 1.1 Flash 是一个视频模型：向它索要一张静态图像，请求就会失败，因为图像生成和图像编辑并不在它列出的能力之中。这是一个路由问题，而不是质量问题，而且它正是那种会绊住那些构建“一个模型搞定我全部媒体”这类抽象层的团队的失败模式。

你的项目需要哪一个

如果交付物是静态的——一张产品图、一条本地化横幅、一张文字清晰可读的信息图、一个在整个营销活动中保持一致的角色——那么该用的模型就是 Gemini Nano Banana 2.1，而它的四字角色与十对象一致性上限就是需要围绕其进行设计的约束条件。如果交付物会动，而且需要听起来像那么回事，那么该用的模型就是 Gemini Omni 1.1 Flash，而它在 720p 下的每秒预算是需要据此规划的数值。如果两者兼有，那么自然形态正是 Google 自家文档所暗示的那种：在图像模型上生成原始帧，在视频模型上让胜出的那一个动起来，并且接受你正在从两个不同的计量表上购买两种不同的计量单位这一事实。

一旦你不再把它当作一场正面对决，这个决定就会变得更容易。在任何情形下，每秒花 0.10 美元获取 720p 视频，都不是获取静帧的错误方式，因为它根本就不是获取静帧的方式。真正该比较的，是它们各自与其同类竞争者——对 Nano Banana 2.1 来说，这意味着图像市场的低价端，而不是 Nano Banana Pro；对 Omni 1.1 Flash 来说，则意味着在能力上对标 Veo 3.1，以及你的预算实际能允许的任何视频模型。

什么能了结它

有两个进展会把这件事从架构层面的说明变成有定论的对比。第一，是 Nano Banana 2.1 在一个独立图像编辑榜单上的排名——鉴于其前代在真人投票榜单上仅处于中游，所谓"显著改进"究竟能否体现在票数上，目前确实尚无定论。第二，是 Omni 1.1 Flash 在 720p 以上分辨率的公开每秒费率——因为在此之前，任何基于该模型做出的 1080p 或 4K 视频预算，依据的都只是经销商的估算，而非谷歌官方给出的数字。