Nano Banana 2.1 和 GPT Image 2.5：做海报该先试哪一个？

在我们测试的这张简短英文海报中，Nano Banana 2.1、GPT Image 2.5 Flare 和 Sunburst 都生成了要求的文字，也都完成了连续两次编辑。实际差异主要体现在风格、非预期改动、请求结构和估算费用上。Nano 的插画风格更平面，但多加了未要求的纸张边缘和阴影。两个 GPT 版本生成的苹果细节更多、笔触感更明显；但编辑过程中，它们都改动了部分本应保留的细节。

如果你需要一张简单的插画海报，Nano 的结果可以作为不错的起点，但要检查画面边框。如果你更喜欢下方展示的细节更丰富的水果和陶瓷质感，针对这个需求，可以先试 Flare：在这一次测试中，它的连续请求链比 Sunburst 更快完成，报告的 GPT token 数量则相同。我们没有发现 Sunburst 在这项任务上有明确优势。这只是针对这份需求和这些设置的建议，不代表对各类图像任务的整体排名。

测试日期：2026 年 10 月 13 日。 Ofox 发布了这项对比，并提供测试所用的 API 网关。本文由 AI 协助撰写，并由 AI 独立审阅；没有经过人工评审小组审核。下方九张图片均为实际 API 输出。每个模型只跑了一条包含三个步骤的请求链，没有重复试验、没有控制随机种子，也没有从多次尝试中挑选最佳结果。Nano 的请求链沿用了我们当天稍早进行的测试；六次 GPT 请求则是在之后运行的。这些是 API 测试，并未测试登录后在 Agent 或 Playground 中生成图片。

对比了哪些模型和设置？

这里的“Image 2.5”指 OpenAI GPT Image 2.5，包括 Flare 和 Sunburst，不是微软的 MAI Image 2.5。系列名称也不是请求中使用的确切模型 ID。

九个返回文件均为 1024 × 1024 的 PNG。尺寸相同、指令相同，并不能证明画质设置或计算量相同。GPT 的 medium 图像质量设置与 Google 的思考设置并不是对应档位。

编辑时使用的上下文也不同。Nano 收到了完整且不断增长的 Gemini 对话，其中包括之前的模型回复。每次 GPT 编辑只接收上一张 PNG 和当前指令，不包含完整的早期对话。因此，输入 token 数量反映了不同的对话历史、协议和 tokenizer。它们可用于估算这些请求，但不能据此断言某个模型本身效率更高。

Ofox 当前目录列出了这三个模型。可查看公开的 Nano Banana 2.1、Flare 和 Sunburst 页面，了解模型 ID 和访问入口。

这是公开模型页面的截图，不是登录后的生成结果，也不是账单记录。页面上的价格需要按类别理解；整体折扣标记并不能证明每个计费项目都有折扣。

一份需求，三个步骤，九张原始结果

我们的验收标准很具体：标题和时间安排准确、三个红苹果、碗的颜色符合要求、没有额外文字或标志，并且编辑时保留现有构图。如果要求严格到像素级别的保留，还需要额外检查；视觉上相似不等于像素完全一致。

以下是按顺序使用的原始指令。所有语言版本的本文都保留这些英文词语不变；我们没有测试多语言图像文字生成。

1. Create a square minimalist event poster on warm cream paper. Large exact headline: ORCHARD MARKET. Smaller exact line: SATURDAY 10 AM. Draw three red apples in a blue ceramic bowl below the text. No other text, no logos, no border.

2. Change only the headline from ORCHARD MARKET to ORCHARD FAIR. Keep SATURDAY 10 AM exactly unchanged. Preserve the three red apples, blue bowl, cream background, composition and all other pixels as closely as possible.

3. Now change only the bowl from blue to dark green. Preserve ORCHARD FAIR, SATURDAY 10 AM, the three red apples and the layout.

第一步：生成海报

Nano Banana 2.1：文字和物体数量正确，造型相对简单，标题为单行。不过，它把海报呈现成一张带外边距和阴影的纸。这没有完全满足不加边框的意图。如果要做铺满背景的社交媒体图片，就需要调整，不能直接默认接受。

Flare：文字和三个苹果都正确，标题为红色两行。奶油色背景铺满画布，没有变成一张看起来像照片中的纸。与本次样本中的 Nano 结果相比，水果高光和陶瓷纹理细节更多；是否更好，取决于你想要的视觉风格。

Sunburst：文字和数量正确，标题为深蓝色两行，整体采用了另一种细节丰富的绘画风格。苹果摆放方式与 Flare 不同。提示词没有指定具体摆放方式或标题颜色，因此这些差异属于创作选择，不是错误。

第二步：将 MARKET 替换为 FAIR

三个模型都改对了要求替换的词，并保留了 SATURDAY 10 AM、三个苹果和蓝色碗。Nano 保持了单行标题；两个 GPT 模型则保留了两行标题。整体布局仍然容易辨认。不过，这些都是重新生成的图片，我们不声称文字以外的所有像素都得到了保留。对于已批准的品牌素材，接受编辑结果前，应对照上一版，逐一检查水果、碗的轮廓、纸张纹理和文字位置。

第三步：只把碗改成深绿色

三个模型都把碗改成了绿色，也保留了要求的文字和物体数量。目测来看，Nano 较简单的插画风格仍然相对一致。Flare 的结果中，苹果出现了更多明显的斑驳纹理；Sunburst 也改变了苹果的绘画质感。这些都属于碗以外的改动。如果上一版的水果画法已获批准，这些变化就值得留意，即使海报仍满足基本的文字和颜色要求。

这里对应两种不同的验收结果。若标准是“文字正确、三个苹果、绿色碗”，所有最终图片都符合可见标准。若标准是“碗以外绝对不能有任何变化”，这次测试无法证明任何一个模型达到了要求。我们没有提供蒙版；使用蒙版引导编辑需要另行测试。这些输出也不能证明模型能准确还原标志、准确呈现产品包装、保留人物身份，或处理较长文字。

这些请求各用了多长时间？

这些是客户端观察到的请求时长，包含网络和服务耗时，不是纯模型推理时间，也不是受控延迟基准测试。Nano 较早运行；两个 GPT 模型之后依次运行。每个单元格只有一次观测结果。不要从这张表推断稳定的速度比、吞吐量或延迟百分位数。尽管 Sunburst 的前两次请求耗时更长，它最后一次编辑的耗时与 Flare 接近。

九次调用都返回了 HTTP 200 和一张图片，没有重试。这只能说明本次运行的情况，不能作为可靠性估算。要评估生产环境吞吐量，请在实际并发条件下重复测试，并将超时和失败尝试与成功响应一并统计。

按用量类别比较费用，不要只看模型名称

我们在 10 月 13 日检查了 Ofox 当前公开目录，并根据 GitHub 仓库中的目录实现追溯了字段定义。该实现读取动态数据；Git 中没有永久不变的静态价格表，仅凭源代码提交记录也无法证明线上部署了哪个版本。复现包包含带日期的公开快照。下列费率单位是每百万 token 的美元价格，不是每张图片的价格。

对于两个 GPT 模型，快照中的 provider_price 标明了 OpenAI 主服务商提供的覆盖目录标价的报价。其文本输入和图像输出费率比标示费率低 20%，但图像输入费率没有变化。该报价不能证明我们未指定服务商的请求实际由哪家服务商处理，我们也没有将这些新请求与账户扣款记录核对。Nano 的 provider_price 为 null：这表示该处没有提供报价，不代表价格为零，也不代表已确认有折扣。

两条 GPT 请求链报告的 token 数量相同

生成请求的回复报告输入总量为 59，全部归类为文本，而且该请求没有包含图像。我们不会把缺失的图像输入字段当成独立测得的零。估算基于已报告的类别，假设输入未使用缓存，并排除其他费用。回复没有提供缓存明细，因此未计入缓存折扣。

例如，按标示费率计算，标题编辑的费用为 (62 × $5 + 1,024 × $8 + 439 × $30) / 1,000,000 = $0.021672。使用主服务商报价时，只有文本输入和图像输出两项费率发生变化：(62 × $4 + 1,024 × $8 + 439 × $24) / 1,000,000 = $0.018976。这些是根据返回的用量进行的计算，不是实际观察到的扣款或账单。较低的数字只有在该报价确实适用于请求时才成立。

在这个特定样本中，Nano 的图像输出部分费用更高

Nano 的三张图片各返回了 1,120 个图像输出 token。按每百万 token $30 计算，这部分费用为每张图片 $0.0336，三张输出合计 $0.1008。按标示费率计算，对应的 GPT 费用为每次输出 439 × $30 / 1,000,000 = $0.01317。因此，即使每 token 费率相同，估算出的图像输出部分费用也不相同。这并不意味着每张 GPT 图片都更便宜：画质、尺寸、编辑次数以及最终结果通过验收的比例，都可能改变总费用。

Nano 报告的输入总量分别为 54、1,167 和 2,272；对话历史不断增长，解释了为什么后续请求包含更多上下文。第一次回复还报告了 80 个 TEXT token 和 639 个思考 token；第二次报告了 358 个思考 token，第三次则没有报告该类别。保存的回复中没有可见的文本部分与这 80 个 TEXT token 对应。某个类别缺失，不能证明其用量为零。

对第一个 Nano 请求而言，图像部分费用加上输入和已报告的 TEXT 用量为 $0.0336 + 54 × $1.50 / 1,000,000 + 80 × $7.50 / 1,000,000 = $0.034281。如果 639 个思考 token 按每百万 $7.50 单独计费，示例合计则为 $0.0390735。这个计费假设尚未与账单核对。因此，我们不会给出确定的 Nano 三步总费用，也不会计算整个账单的节省百分比。Nano 定价指南说明了这些界限；GPT Image 2.5 定价指南中包含单独的历史示例，不应误认为是本次测试的实际扣款。

可能影响选择的工作流差异

能力参考资料包括 Google 的 Nano Banana 2.1 模型文档、OpenAI 图像生成指南和图像编辑参考文档。这些上游文档不能取代对特定网关参数的测试。OpenAI 的 Flare 和 Sunburst 页面介绍了它们各自的定位；但我们这次小规模海报测试无法验证所有预期优势。

针对这份需求，如果你的需求适合较平面的插画风格，并且已有 Gemini 工作流，可以先选 Nano，同时修正多余的纸张边框。如果你更喜欢细节丰富的绘画风格，也想评估在 medium 设置下观测到的较低图像输出部分费用，可以先试 Flare。如果你的工作需要更精细或复杂的编辑，可以另行测试 Sunburst；但应将它的产品定位视为测试复杂任务的理由，而不是它在这张海报上有优势的证据。如果必须精确保留其他内容，这些未使用蒙版的编辑结果仍需检查，必要时还要通过常规图像合成处理。

切换工作流前，先复现这项对比

复现包包含全部九张原始 PNG、请求参数、原始回复、计时记录、公开目录快照和 Python 脚本，不包含任何凭证。Nano 的记录保留了当天稍早测试时的原始时间戳，没有重新标注成新的调用。

解压复现包后，安装 requests，并通过 OFOX_API_KEY 提供你自己的 Ofox 密钥。运行以下脚本会发起新的计费请求；读取已保存的结果则不会产生新请求。如果所有请求均成功，GPT 脚本会发起六次请求；遇到错误时会停止该模型的请求链。Nano 脚本加上 --chain 参数会发起三次请求。

python -m pip install requests
export OFOX_API_KEY="YOUR_OFOX_API_KEY"
python reproduce_gpt.py
python reproduce_nano.py --chain

GPT 的生成路由是 https://api.ofox.io/v1/images/generations；编辑使用 /v1/images/edits，并通过 multipart image 上传上一版文件。Nano 使用 https://api.ofox.io/gemini/v1beta/models/google/gemini-nano-banana-2.1:generateContent。Nano API 教程和 GPT Image API 教程对凭证和回复处理方式有更详细的说明。ChatGPT 订阅不能用于验证这些 Ofox API 调用的身份。

接受输出前，请以完整尺寸检查原始文件：每个字符、物体的数量和颜色、裁切情况，以及应该保持不变的区域。保留每次尝试及其结果。如果响应超时，在自动付费重试前先检查请求状态；超时不能证明生成失败。如果 HTTP 请求成功但没有返回图像，请检查实际响应，不要伪造文件，也不要把缺失的用量数据当成零。

做生产决策时，应将所有尝试经账单核实的总费用，与符合书面标准的结果数量一起比较。把修正、计费的失败尝试和审核时间都计算在内。值得选择的是能稳定交付所需素材的工作流；这九个输出为你评估提供了可复现的起点，并不能选出适用于所有任务的赢家。