MAI Image 2.7 Preview 與 Nano Banana 2.1 對比：42 Elo 究竟能換來什麼

MAI Image 2.7 Preview 發表時公布的幾乎每一個數字，都無法與任何東西互相比較。該模型於 2026 年 10 月 27 日在 Artificial Analysis 的 AA-Image-Editing v2.1 排行榜上以 1,193 Elo 首次亮相，而大多數你會想拿來與它對比的模型，都是幾週前在一個後來已經改版的排行榜上測量的。Nano Banana 2.1 是例外。Google 的模型以 1,151 分位居同一個排行榜的同一版本，出自同一場 2026 年 10 月 22 日的評測——所以 1,193 減 1,151 是你被允許做的減法。差距是 42 Elo，而這是這次發表唯一能給你的乾淨一對一比較。

這讓這兩個模型自然湊成一對，正好回答每個人其實都有的疑問：榜上最強的編輯器，值得優先於那個最便宜、但夠好且內建遮罩、4K 輸出、十四張參考圖像與公開定價的編輯器嗎？答案原來取決於一道算術——而沒有人拿 Nano Banana 2.1 的降價來算過這道題。

為什麼這項比較是榜上唯一公平的比較

排行榜不是溫度計。它們是變動中的族群——模型會加入、模型會被淘汰、票數會累積——而分數只有相對於同一輪測試中記錄的其他數字才有意義。這正是大多數關於 2.7 發布的報導中的陷阱。微軟自家的圖表把 2.7 放在 1,193，GPT Image 2.5 Sunburst 為 1,199，GPT Image 2.5 Flare 為 1,182，MAI-Image-2.6 為 1,151，Krea 3 Ultra 為 1,151，Nano Banana 2.1 為 1,151，MAI-Image-2.6-Flash 為 1,144，GPT Image 2 為 1,136——全都出自同一輪 AA-Image-Editing v2.1 測試，這正是整張圖表之所以值得引用的原因。2.7 與榜首相差六個 Elo，而這六分落在盲投排行榜一週內可能波動的雜訊範圍內。

{{1}}並非雜訊的，是分佈的形狀。{{/1}} {{2}}在 1,136 與 1,199 之間，有來自四個實驗室的八個模型，全部都在 63 分以內。{{/2}} {{3}}在編輯方面，前沿十分擁擠，而 42 分——{{4}}2.7 到 Nano-Banana-2.1{{/4}} 的差距——大約是前八名整體跨度範圍的三分之二。{{/3}} {{5}}這是在壓縮場域中的真實區隔，而且它也小到足以讓特定工作負載將其逆轉。{{/5}}

規格行，並標示出間隙

• 發布 — Nano Banana 2.1 於 2026 年 10 月 6 日推出，取代 Nano Banana 2，並在 Google 的產品線中位於 Nano Banana Pro 之下；MAI Image 2.7 Preview 則於 2026 年 10 月 27 日推出。

• 範圍 — Nano Banana 2.1 具備生成與編輯功能，建構於 Gemini 3.6 Flash 之上；2.7 僅支援編輯，文字轉圖像功能雖已承諾但尚未推出。

• 輸出 — Nano Banana 2.1 提供 1K、2K 和 4K，長寬比從 1:8 到 8:1；Microsoft 尚未公布 2.7 的解析度。

• 參考資料——Nano Banana 2.1 最多十四個，分為四個角色與十個物件並保持一致；2.7 版尚未發布。

控制 — Nano Banana 2.1 支援以遮罩為基礎的局部編輯，你可以塗抹某個區域，只有該區域會改變，另有三種思考層級；Microsoft 依使用情境描述 2.7 的優勢——風格重塑、重新打光、文字與符號編輯——但未公開遮罩介面。

• 價格 — 透過 Gemini API，Nano Banana 2.1 每 1K 張圖像為 $0.0336，2K 為 $0.0504，4K 為 $0.113；批次作業再半價；2.7 則未公布費率。

• 存取 — Nano Banana 2.1 已在 Gemini 應用程式、AI Studio、Gemini API、搜尋的 AI 模式、Google Ads、Flow 和 Stitch 中推出；2.7 則在 MAI Playground、Arena 和 Artificial Analysis 中，沒有 API，也未列於 Foundry。

你由此畫出的表格，除了分數之外，其他項目都不接近。所以這個分數最好非常值得。

著名的五折降價幅度，其實比聽起來還要小

Google 為 Nano Banana 2.1 打出的頭條賣點是：影像輸出的成本只有原本的一半，每百萬輸出 token 收費 30 美元，低於先前的 60 美元。這點確實不假，而且對純文字轉圖像來說，成本大致就是砍半，因為帳單大部分都來自輸出。

編輯是一種不同形態的請求。一次編輯會把來源影像當作輸入 token 一併帶入，同時也會輸出影像，而 Google 在此同時調高了輸入價格——每百萬 token 從 0.50 美元漲到 1.50 美元，變成三倍。文字與推理輸出則從每百萬 token 3 美元漲到 7.50 美元。因此，一次編輯的實際節省並不是 50%；而是兩項線性成本之間的差額，而當輸入端大到一定程度時，這個差額的正負號會翻轉。

用不等式表示。設 I 為單次請求的輸入 token 數，O 為輸出 token 數。舊請求的成本是 0.5I + 60O，新請求的成本是 1.5I + 30O。新價格較便宜，正好是在 1.5I + 30O < 0.5I + 60O 時，化簡後為 I < 30O：輸入必須低於輸出的三十倍。對 1K 編輯來說，這是相當寬裕的餘裕；但對帶有大量參考集的 4K 編輯來說，這就薄弱得多，因為參考圖像屬於輸入，而 4K 輸出的 token 數並不是產生它的參考資料 token 數的三十倍。

實際後果是：如果你的工作負載是「輸入一張來源影像，輸出一張尺寸相近的影像」——這正是大多數產品攝影與修圖流程的寫照——那麼 Nano Banana 2.1 的編輯定價確實比前代實惠得多，但並非便宜一半；而若是一條搭配四、五張參考圖的 4K 流程，恐怕幾乎享受不到這波降價。如果你的工作負載是純提示詞生成，則可享完整的對半降價，而批次模式還能再省一半。

如果這 42 Elo 真的會顯現，它會在哪裡顯現

Microsoft 的類別明細比其總分更有用，因為它說明了增益來自何處。在 MAI-Image-2.6 與 2.7 之間，基於推理的編輯從第七名攀升至第一，場景與風格編輯從第七名攀升至第一，文字或符號編輯則從第六名攀升至第一。最大的單項領先是在場景與風格上，以 24 Elo 領先次佳模型。這些是廠商針對 Artificial Analysis 類別所做的陳述，而模式是一致的：2.7 在需要對整體影像做出判斷、而非局部修補的編輯上表現得更好。

Nano Banana 2.1 已公布的弱點幾乎正好與那相反。Google 自家的模型卡承認：在 1K 下小字會模糊、偶爾左右混淆、人物相似度不完美，以及 3D 推理與事實性有限。左右混淆是空間推理的失誤；1K 下小字模糊則是取決於解析度的失誤。兩者都不是場景重打光所能改善的那類錯誤。

所以，對 42 Elo 的誠實解讀是：它的優勢集中在微軟所說的地方：整張影像重新風格化、重新打光、把文字整合進既有構圖，以及需要模型理解物件與光線關係的編輯。如果你的工作看起來像那樣，落差很可能會很明顯。如果你的工作是從產品照中把一個物件遮罩掉，再放入另一個物件，那你測試的並不是 2.7 領先的那個軸向，而一個你實際畫得出來的遮罩，比一個分數更有價值。

口罩問題才是決定一切的關鍵問題

這是最不炫目的差異，卻也是最常決定一次實際整合成敗的關鍵。以遮罩為基礎的編輯，意味著人已經先決定好要改變什麼；模型的工作只是讓這項改變看起來渾然天成。這樣的分工，正是為什麼生產管線中的編輯工具可供審查：審查者能看見被塗繪的區域，並且只針對那個區域做出判斷。

MAI Image 2.7 Preview 依照文件記載，接受一項指令和一張影像。Microsoft 對這組能力的描述——重新風格化場景、變更文字、修復資產——全程由指令驅動，沒有公開的遮罩參數、沒有邊界框控制，也沒有記載參考影像的上限。它很可能接受遮罩；只是沒有公開的介面可供程式設計對接，而對開發者而言，這是一樣的問題。

對於逐張影像作業的創意總監而言，指令驅動的方式更快，往往也更好。對於必須產出稽核軌跡的流程來說，遮罩並非可有可無的加分項。

每一個各自所在何處，以及抵達那裡要你付出什麼代價

Nano Banana 2.1 是全球分布最廣的影像模型之一：Gemini API、AI Studio、Gemini 應用程式、搜尋的 AI 模式、Google Ads、Flow 與 Stitch。分布範圍並非規格，但它決定了你需要先投入多少整合工作，才能得知這個模型是否合適。

MAI Image 2.7 Preview 目前出現在三個地方，其中兩個是評測介面。對預覽版而言，這是刻意的選擇，但同時也是一道高牆：想在自己的素材上測試 42 Elo 的團隊，只能在瀏覽器裡手動操作，一次一張圖片，無法用腳本執行實驗。

在定價方面，有一個具體的機制值得了解。OrcaRouter 以供應商定價提供 Google 的圖像產品線，加價幅度為 0%——Nano Banana 2 目前每請求 $0.15，Nano Banana Pro 每請求 $0.24——因此供應商一旦調價，當天就會反映到我們這邊，不必等到重新議價。至於 2.1 本身是否納入，那是型錄收錄的決定，而非定價的決定；一旦納入，向你收取的就是減半後的輸出費率，因為在你與定價清單之間沒有任何中間環節。

決策規則

如果你的編輯是整張影像的判斷——重新打光這個場景、改變這個房間的風格、在這塊招牌上換上新文字並讓它看起來像印上去的——本週就在 Arena 或 Playground 使用 MAI Image 2.7 Preview，並用你自己的十張影像與 Nano Banana 2.1 比較。這正是 2.7 聲稱領先 24 點的確切面向，而盲測是唯一能類推到實際情境的測試。

如果你的編輯是局部且明確的——替換這個標籤、移除這條線纜、延伸這個背景——Nano Banana 2.1 勝在能精確指出應該改變什麼，1K 輸出為 $0.0336，目的地需要時有 4K 可用，品牌一致性需要時有十四張參考影像。42 Elo 永遠沒機會派上用場，因為你問的不是它所能回答的問題。

如果你今天需要在管線中使用編輯器，而上述兩者都不符合你的情況，那麼那個排行榜上的模型，就是已公開介面的那些。MAI Image 2.7 Preview 等到有公開介面的那一天，將會是真正值得關注的選項；排行榜已經告訴你它能帶來什麼樣的表現，唯一缺少的，就是讓你自己親自一探究竟的能力。