Nano Banana 2.1 對上 GPT-Image-2.5：一個有排行榜，一個有標籤

把 Nano Banana 2.1 和 GPT-Image-2.5 在 2026 年 10 月 6 日並排比較，誠實的比較並不是兩個圖像模型之間的比較——而是排行榜上的一筆條目與選單上的一個標籤之間的比較。GPT-Image-2.5 於 2026 年 9 月 8 日推出，登上每一個 ChatGPT、ChatGPT Work 與 Codex 方案層級，並帶有兩個可呼叫的 API 識別碼，而 Artificial Analysis 在三天後把兩者都加入其排行榜。Nano Banana 2.1 僅以 Flow 模型選擇器內的一個可選字串存在，除此之外別無其他：沒有公告、沒有模型卡、沒有識別碼、沒有價格、沒有分數。如果你來這裡是為了在兩者之間做選擇，本週的答案是被迫的，因為其中一個無法呼叫。有用的問題是，要讓這點不再成立，必須有什麼改變。

一次掌握各方的狀態

GPT-Image-2.5 是一個系列，而非單一檢查點：GPT-Image-2.5 Flare 帶有識別碼 gpt-image-2.5-flare，定位為快速的預設選項；而 GPT-Image-2.5 Sunburst 帶有 gpt-image-2.5-sunburst，每次生成耗時較長，以換取更精準的編輯控制。兩者都在消費級版本開始推出的同一天登上 API。

Nano Banana 2.1 是 Nano Banana 2 的 0.1 版號更新，而 Nano Banana 2 是 Google 對 Gemini 3.1 Flash Image 的正式名稱。這個標籤最初是在 9 月 27 日於 Flow 網頁版建置中，以內部參照的形式被發現，取代了先前的「Nano Banana 2.5 Flash」字串，並於 10 月 5 日在介面中開放選用。此後 Google 對此事未再發表任何說明。

那種不對稱就是整篇文章的主軸。以下所述，若不是 GPT-Image-2.5 的實測數字，就是 Nano Banana 2.1 有紀錄的缺席，而這兩者無法拿來互相論駁。

牌子上寫了什麼——給有牌子的那一邊

Artificial Analysis 於 2026 年 9 月 11 日、也就是發布三天後，對 GPT-Image-2.5 這對組合進行評分，這讓這次對決對 OpenAI 而言顯得不尋常：2.5 世代並未以「僅有廠商宣稱」的發布狀態，停留任何有意義的時間。

• 文字轉圖像 — GPT-Image-2.5 Sunburst (max) Elo 1,197 與 GPT-Image-2.5 Flare (max) Elo 1,191，在排行榜上分別位居第一與第二；GPT-Image-2 (high) 則以 1,172 排名第三。

• 影像編輯 — GPT-Image-2.5 Sunburst（max）Elo 1,182 與 GPT-Image-2.5 Flare（max）Elo 1,162 分居第一、第二；MAI-Image-2.6 以 1,137 位居第三。

• 以實測成本計——Artificial Analysis 在其自有價格尺度上，將兩款 GPT-Image-2.5 變體列為每 1,000 張圖片 $210.70，相較於它們所取代的 GPT-Image-2 (high) 的 $211.00。

OpenAI 的 token 費率表——每百萬圖片輸入 token 8 美元、每百萬圖片輸出 token 30 美元，與 GPT-Image-2 維持不變，且未公布每張圖片的價格數字。

對於 Nano Banana 2.1，對應的資料列並不存在。沒有 Elo，因為沒有任何排行榜跑過它。沒有價格，因為 Google 沒有公布任何價格。甚至連解析度或長寬比清單都沒有，而 Nano Banana 家族的其他每個成員都有記載。你現在讀到的任何 Nano Banana 2.1 規格，都是從它的名稱推斷出來的。

其中兩列單憑自身就能決定這場對決。API 識別碼那一列，是開發者無法選用 Google 模型的原因；而 Elo 那幾列，則是 OpenAI 的模型不再需要單憑信任接受的原因——該排行榜在推出三天後就公布了數據，這對任何廠商而言都算很快。

老實的替代選擇：GPT-Image-2.5 對上你真正能呼叫的 Nano Banana

如果這個選擇是真實的而非假設性的，Google 這一方就是 Nano Banana 2——Gemini 3.1 Flash Image——因為那是具有識別碼（gemini-3.1-flash-image）、GA 日期（2026年5月28日，緊接在2月26日的消費者推出之後）以及評分排名的模型。

• 品質 — GPT-Image-2.5 Sunburst 以 Elo 1,197 稱霸文字轉圖像排行榜；Nano Banana 2 則以 Elo 1,125 緊隨其後。在圖像編輯方面，Sunburst 為 1,182，Nano Banana 2 則是 1,108。

• 價格——GPT-Image-2.5 是 OpenAI 的高階圖像層級，經 Artificial Analysis 測得約為每 1,000 張圖像 $211；Nano Banana 2 則標價每 1,000 張 $67，而 Google 自家的輸出詞元費率為每百萬 $60，換算下來 512px 圖像約為每張 $0.045，1024×1024 則為 $0.067。

• Surface GPT-Image-2.5 是 ChatGPT 在所有方案中的預設圖像引擎；Nano Banana 2 則是 Gemini 內的預設引擎，而 Google 已透過 Lens 和 AI Mode 將其推入搜尋，並推入 Flow 和 Ads。

• 一致性功能 — OpenAI 聲稱在連續編輯中具備參考保真度；Google 聲稱在單一工作流程中最多可維持五個一致的角色與十四個物件。兩者皆為廠商說法。

這是真正的三向差距，而非雙向差距：OpenAI 的新模型在實測品質上勝出，但成本大約是對手的3倍；而 Google 已推出的模型則在單位經濟效益上勝出。一款能在不移動價格線的前提下縮小品質差距的 Nano Banana 2.1，將會改變這筆取捨的格局。若一款 Nano Banana 2.1 只是在視覺上與 Nano Banana Pro 相當——據稱最早的 Flow 輸出看起來正是如此——那就不會改變，因為 Nano Banana Pro 在兩個排行榜上的分數本來就低於 GPT-Image-2.5（文字生圖 Elo 1,102、編輯 1,099）。

為什麼「我們還不能為它評分」在這裡不是迴避

對一個尚未發表的模型進行比較，通常最後都會以承諾日後更新作結。但這次的情況並非如此，而這個差別值得直白說明。Nano Banana 2.1 並非從研究論文中流出，也不是在框架整合中被發現——它就出現在一款已正式推出的 Google 產品介面上，這意味著 Google 有個版本正在使用者面前運行。因此，其他所有相關痕跡的缺席，是一種刻意的發布缺口，而非該模型仍遙不可及的證據。

到目前為止的發展順序，正是 Nano Banana 2 本身所遵循的同一套模式：先推出消費者端產品，幾個月後才推出開發者 API，而識別碼與 GA 日期則一同到來。按照這個模式，10 月出現 Flow 的蹤跡，意味著之後某個時間點會出現 API 識別碼，而這則蹤跡完全無法告訴你間隔會有多長。

將雙方都透過單一端點進行路由

這場對決在實務上的棘手之處在於，這兩家供應商的圖像模型各自處於不同的商業關係之下，而雙方已推出的內容之間的落差讓情況變得尷尬。OpenAI 目前的圖像系列只能透過聚合商取得一部分，OrcaRouter 有openai/gpt-image-2和 openai/gpt-image-1.5，但沒有 2.5 那一對，因此現在要用 OpenAI 的新模型，就意味著得直接使用 OpenAI 金鑰。在 Google 這邊，我們的目錄收錄了 Gemini 圖像系列，包括google/gemini-3.1-flash-image-preview和 google/gemini-2.5-flash-image，皆依各供應商的定價原樣轉嫁、零加成。

在這樣一份比較中，它為你換來的是容錯移轉，而不是折扣。當供應商推出一個點版本更新，或把某個模型在不同層級之間搬移時，一套只呼叫單一端點的技術堆疊，可以把請求路由到目前對該工作負載而言最合適的任一影像模型，並且自動容錯移轉——不必再簽第二份合約、不必多一把金鑰，也不必經歷單一供應商整合所必然帶來的移轉工程。Nano Banana 2.1 並不在 OrcaRouter 上，因為它除了 Flow 的選單之外，哪裡都還不在。當它成為可呼叫的模型時，那就是它會循著到來的路徑。

這留下了一個決定

如果你的工作負載需要當今最佳實測影像品質，而預算能吸收每千張影像約 211 美元，那麼 GPT-Image-2.5 Sunburst 就是站得住腳的預設選擇——它在 Artificial Analysis 的兩份榜單上都領先，而且有完整的文件記錄。如果你的工作負載量大且對價格敏感，每千張 67 美元的 Nano Banana 2 是更划算的取捨，而且它是你本週真的能實際呼叫的 Google 模型。

Nano Banana 2.1 還不是第三個選項。它是一種排定中的可能性，而唯一有紀律的對待方式，就是把它當成觸發條件：當 Google 公布識別碼、價格與首個獨立評分時，三方比較就會收斂為真正的比較與取捨。在那之前，把 Flow 選單當成已推出、已評分、已定價模型的競爭對手，正是那種會左右採購決策的比較。