MOSS-Image 對比 Nano Banana 2：一個有停用日期，另一個沒有端點

這項比較有個雙方廠商都不會宣傳的尷尬特性。Nano Banana 2——Google 對 Gemini 3.1 Flash Image 的消費端命名，識別碼為 gemini-3.1-flash-image——距離關閉只剩十二天。Google 的 Gemini API 更新日誌記載它將於 2026 年 10 月 29 日淘汰，而 Nano Banana 2.1 已於 10 月 6 日推出，每張圖片價格約為其一半，時間點就在三週之前。MOSS-Image於 2026 年 10 月 16 日以 Apache 2.0 開放權重釋出，它沒有關閉日期，因為根本沒有東西可關：它是一個 27 GB、由你自己執行的下載檔，而且至今尚未發布任何商業 API。

所以，這場對決真正誠實的版本並不是「哪個比較好」。它是把一個即將從別人的伺服器上消失的模型，跟一個只要你繼續保留檔案就會一直存在於你自己的伺服器上的模型拿來比較。這種框架比規格表更有用，因為這正是某個團隊這個月要做的決定，也因為那個二階問題——什麼會取代 N​ano Banana 2——的答案會讓價格相差一半。

首先，你實際上是在跟哪個 N​ano Banana 比較

Google 的命名分為三個層次，而這些差異絕非表面功夫。

Nano Banana 2 就是Gemini 3.1 Flash Image。消費者版本於 2026 年 2 月 26 日開始推出，開發者 API 則於 2026 年 5 月 28 日以 gemini-3.1-flash-image 正式全面開放使用。它是 Gemini 應用程式、Google 搜尋的 Lens 與 AI 模式介面、Flow 以及 Google Ads 的預設圖像生成器——而這正是主導任何採用決策的事實，因為這不是一款還得費心說服使用者去使用的模型。

N​ano Banana Pro 是較高階的版本，也是 OpenMOSS 在自家報告中選擇作為基準比較的模型。在廠商的 LongLongTextBench 表格上，N​ano Banana Pro 拿下 96.6 的 Mean-6，而 M​OSS-Image 為 96.3——這 0.3 分的差距是該表中幅度最小的差距，也是最值得理解的一個。

Nano Banana 2.1 是將於 10 月 6 日取代 Nano Banana 2 的版本。它並非此處的主題，但它是目的地，而它的存在設定了條件：棄用通知與後繼版本出現在同一則變更日誌項目中。

那十分之三的落差，正確地解讀

M​OSS-Image 的報告不尋常之處在於，它公布了一張競爭對手勝過它的表格。LongLongTextBench 包含 240 項文學文本渲染任務——120 項英文、120 項中文，平均目標長度為 1,339.8 個字元，約為 LongTextBench 平均值的十一倍——而 M​OSS-Image 的 96.3 Mean-6 讓它明顯領先 Q​wen-Image-2512 的 64.9，在最長條件子集上分別為英文 97.1 與中文 92.4。在它之上的是 GPT Image 2 的 99.0，以及 N​ano Banana Pro 的 96.6。

M​OSS-Image 與 N​ano Banana Pro 之間的那零點三，比任何人對這兩個數字應有的信心都還小。這兩個數字是由不同實驗室在 OpenMOSS 撰寫的基準測試上產出的，而且用的是該實驗室自己對 G​oogle 模型所做的執行結果。而 N​ano Banana 2 並不是那一列中的模型——Flash 層級位於 Pro 之下，所以誠實的解讀是：在 M​OSS-Image 作者自己撰寫的測試上，M​OSS-Image 的文字渲染結果大約相當於 G​oogle 最高階層級的水準，而你在採購時真正會拿來比較的模型，還比那個層級低一階。

MOSS-Image 與 Google 目前推出的任何東西差距最大之處，在於版面配置。在報告同時提出的基準測試 7Bench 上，MOSS-Image 回報的平均版面 IoU 為 0.88，Layout AUC 為 0.70。Nano Banana Pro 在同一張表中則是 0.33 和 0.20。如果這些數字經得起重現，那麼精確的物件放置將是 MOSS-Image 獨有的能力，目前沒有任何 Gemini 影像模型能與之匹敵。這些數字尚未被重現，而且同一個實驗室也撰寫了這項指標。

N​ano Banana 2 今天為你帶來什麼，以及接下來十二天的內容

這份能力清單是通才型的，而這就是該模型無所不在的原因。

• 一致性 —— 在整個工作流程中維持最多五個角色與十四個物件穩定不變，這正是整個 Nano Banana 系列主打的賣點。

• 輸出 — 最高 4K，涵蓋十四種長寬比，包括橫幅與桌布格式所需的極端 1:4 與 1:8 比例。

• 圖片中的文字 — 圖片內渲染，包含翻譯與在地化，並保留版面配置。這項能力與 M​OSS-Image 的賣點最直接重疊，也是 G​oogle 在推出時展示的那一項。

• Grounding — 生成內容奠基於網路與圖片搜尋，而非僅來自提示詞本身；這也正是 M​eta 在 M​use Image 上進一步發揚的同一種架構直覺。

• 控制項——可設定的思考層級，在延遲與推理之間取捨，此外預設在每項輸出加上 SynthID 浮水印與 C2PA 來源追溯中繼資料。

• 價格 — 輸出以每百萬個詞元 $60 計費，而 G​oogle 自家文件換算下來，512px 約為 $0.045、1024×1024 為 $0.067、2K 為 $0.101、4K 為 $0.151，批次模式則減半。Artificial Analysis 將其列為每 1,000 張圖片 $67。

• 實測排名 — 截至 2026 年 10 月 6 日，在 Artificial Analysis 的文字轉圖像排行榜上 Elo 為 1,125，在其圖像編輯排行榜上為 1,108。

那些全都沒有爭議。同樣屬實的是，到了 10 月 29 日，這個識別碼就會停止運作，而接下來要走的路是 N​ano Banana 2.1——Artificial Analysis 尚未對它評分、G​oogle 的定價約為一半，而且本部落格另一篇文章有詳細介紹。

MOSS-Image 能帶給你什麼，以及它要求什麼作為回報

這套架構是一個從零開始訓練的 5B 單流擴散 transformer：42 個聯合區塊、隱藏寬度 3,072、24 個 128 維的注意力頭、8,192 寬的 SiTU-GLU 前饋網路，以及四軸旋轉位置編碼，其中第一軸保留給參照索引。5B 這個標籤並不包含昂貴的部分——一個凍結的 Qwen3.5-9B 文字編碼器，以及一個凍結的 FLUX.2 VAE，後者從 FLUX.2-klein-4B 以 32 個潛在通道載入，並在 8× 降採樣上採用 2×2 潛在補丁，有效步幅為 16 像素。

提示詞可以是 JSON 物件。邊界框以絕對像素座標表示、從畫布中心起算，加上字面文字字串、排版註記，全都搭配 bbox_format "yxyx"。在最終預訓練階段，提示詞上限為 4,096 個 token，輸出尺寸必須是 16 的正整數倍，而指南建議 1、1.5 或 2 百萬像素，支援範圍從 512×512 到 4M。取樣預設為 flow-matching Euler、50 步、CFG 3.0、shift 5.0，並在第 22 層的負分支上採用跳層引導——而預設引導路徑每步需要兩次 transformer 前向傳遞，這就是為什麼 50 步並不像聽起來那麼便宜。

入場成本是真實的：SFT 儲存庫約 27.2 GB，其中大約 16.8 GB 是文字編碼器，再加上你自己的 GPU 和自己的推論服務工作。回報則是：你能得到一個可量化、可微調、可在氣隙環境中運行，並內嵌於商業產品中出貨而無需進行授權協商的模型，因為 Apache 2.0 涵蓋了權重與獨立的管線程式碼，沒有營收門檻，也沒有可接受使用附錄。

逐行

• 狀態 — Nano Banana 2 已遭淘汰，將於 2026 年 10 月 29 日停止服務；MOSS-Image 於 2026 年 10 月 16 日以開放權重形式發布，且無淘汰機制

• 存取 — 透過 Google 的 API 與消費者端介面，以及透過路由平台，使用 Nano Banana 2；MOSS-Image 則透過下載取得

• 價格 — N​ano Banana 2 每張 1024×1024 圖像約 $0.067，4K 則為 $0.151，以輸出 token 計費，批次處理半價；M​OSS-Image 免費，佔用約 27.2 GB 空間，但需自行負擔 GPU 時間

• 授權條款 — Nano Banana 2 為專有、僅限 API，不提供權重；MOSS-Image 的權重與獨立管線程式碼採用 Apache 2.0

• 獨立評分——Nano Banana 2 在 Artificial Analysis 上，文字轉圖像 Elo 為 1,125、編輯為 1,108；MOSS-Image 沒有 Artificial Analysis 條目，其公布的分數來自其作者自己撰寫的基準測試

• 文字渲染 — N​ano Banana Pro 在 LongLongTextBench 上取得 96.6 的 Mean-6 分，而 M​OSS-Image 為 96.3；Flash 層級並不在該列中

• 版面控制 — MOSS-Image 接受以絕對中心相對像素座標表示的 JSON 版面配置，並在 7Bench 上回報 0.88 的平均 IoU；Nano Banana Pro 在同一張表上回報 0.33，而 Google 並未公布自家的版面指標

• 參考 — N​ano Banana 2 能在單一提示中讓最多五個角色與十四個物件保持一致；M​OSS-Image 的參考條件化是一條保留的位置軸，廠商將其描述為未來工作，而非已推出的功能

• 來源追溯 — N​ano Banana 2 預設為每項輸出套用 SynthID 浮水印與 C2PA 中繼資料；M​OSS-Image 則不具備任何浮水印層

• 微調 — M​OSS-Image 可以進行微調和量化，社群量化版本、一個 4 步的 DMD LoRA 和一個 8 步的蒸餾變體也在大約一天內出現；N​ano Banana 2 則無法觸及

為什麼棄用會改變答案

如果 N​ano Banana 2 和 M​OSS-Image 都是穩定的選項，這個決定就會很普通：一個每張圖片七美分的 API，對上一個由你自己負擔成本的自架模型，而在廠商撰寫的文字基準上品質大致相當，版面則由 M​OSS-Image 決定性勝出。終止支援打破了這種對稱性，而且在兩個方向上都打破了它。

面對 N​ano Banana 2，M​OSS-Image 如今在存續性論點上徹底勝出。把管線建立在一個已宣布將於十二天後終止支援、且其後繼者你尚未實測的模型上，這是一場你早已排定好的遷移。你下載的檔案不會因為一則更新日誌條目而遭到棄用。這不是關於開放性的修辭論點；這是排程上的事實，也是這場比較所產生的最強單一論據。

但棄用這件事也有反向作用，而這正是通常被漏掉的部分。Nano Banana 2.1 以大約一半的價格推出，意味著 MOSS-Image 的替代方案並不是一張七美分的圖片——而是一張三點五美分的圖片，而且還是 Google 會按自己的時程持續改進、不會為你帶來任何營運負擔的那一個。只有在你的 GPU 時間夠便宜、用量夠大，或你需要某項 API 在結構上無法提供的東西時，MOSS-Image 的總持有成本才可能勝過它：微調、量化、氣隙部署，或是一份無須重新協商的授權。

這件事中 OrcaRouter 這一邊的部分，不誇大其詞

這是目前這組中唯一一個路由安排具體而非假設的對決，因此值得精確說明。N​ano Banana 2 在我們的目錄中以google/gemini-3.1-flash-image-preview的形式提供——不過有鑑於 10 月 29 日的關閉，這個月對該端點最明智的做法是進行遷移測試，而不是新的整合；而後繼者也能以相同方式存取。M​OSS-Image 不在我們的目錄中，我們也不代管它；它是要下載的，本文沒有任何內容暗示相反。

這種組合真正管用的地方，在於擺在你眼前的決策。如果你想知道自行架設的 M​OSS-Image 是否比你在付費使用的託管方案產生更好的文字與版面輸出，你就得在相同的提示詞上取得兩邊的數字，而這項測試中屬於託管的那一半，不該還得再簽一份合約。一把 API 金鑰、以 0% 加成原樣轉嫁供應商定價，讓 G​oogle 的價格變動當天就在這裡生效，自動容錯移轉可跨供應商運作，讓比較測試不會因為某家上游運氣不好的一個下午就半途夭折，還有一套路由 DSL，把兩者放在同一個端點之後。這就是全部的宣稱，而它恰恰止步於代管 M​OSS-Image 的提議要開始的地方。

接下來十二天要做什麼

如果你在正式環境中使用 N​ano Banana 2，眼前要處理的事跟 M​OSS-Image 毫無關係：你手上有一個已遭棄用的識別碼、一個價格只要一半的後繼版本，還有一個截止期限。在 29 號之前，用後繼版本重跑你的評估集，並依據證據做決定，而不是因為降價就決定。

如果你正在評估 M​OSS-Image，請基於兩個經得起比較的理由來做。首先，版面控制——在 7Bench 上 0.88 對 0.33 的差距，是這個領域中目前沒有任何託管服務能與之抗衡的唯一一項結果；而如果精準放置是你的問題，沒有任何 API 層級能解決。第二，永久性——Apache 2.0 權重不會被除了你之外任何人的路線圖棄用、定價或限制取用。

不要為了文字渲染而採用 MOSS-Image。它在這方面表現出色，但並未領先：在廠商自家的表格上，96.3 低於 Nano Banana Pro 的 96.6，也低於 GPT Image 2 的 99.0；而你要汰換掉的模型每張圖只要幾美分，還沒有那 27 GB 的負擔。這個模型值得採用的理由狹窄、具體且真實，而這並不是其基準測試表旨在提出的論點。

有兩件事能定論。由 OpenMOSS 以外的人獨立跑一次 LongLongTextBench 或 7Bench，以及那個把 MOSS-Image 連同跳層引導（skip-layer guidance）一起加入、合併進某個標記版本的 vLLM-Omni 拉取請求——它於 10 月 14 日開啟，目前是橫跨 25 個檔案、共 3,605 行新增，而且仍處於開啟狀態，審查者要求提供相對於釘定參考的輸出對等性證據。在這兩件事都發生之前，準確的總結是：Google 的模型是更好的通才、更容易取得，而且將在十二天後消失；而 OpenMOSS 的模型做了一件沒有其他人做的事，需要硬體，而且當那份讓其對手退役的變更日誌早已被遺忘時，它仍將可以安裝。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。