GPT Image 2.5 tiene actualmente mejores resultados globales en las pruebas comparativas. Sigue mereciendo la pena evaluar Nano Banana 2 por su uso de búsquedas como referencia, sus formatos flexibles y sus costes de generación. Para trabajo creativo, la pregunta útil es qué modelo produce un recurso aceptable con el menor coste, espera y corrección manual.
La comparación incluye tres modelos. OpenAI ofrece GPT Image 2.5 Flare, optimizado para velocidad, y GPT Image 2.5 Sunburst, optimizado para calidad. El Nano Banana 2 de Google es Gemini 3.1 Flash Image. Nano Banana Pro y Nano Banana 2 Lite son modelos distintos. Orientaciones de OpenAI sobre los modelos, Documentación del modelo de Google.
Investigación comprobada el 5 de octubre de 2026. Las fechas de las instantáneas de las pruebas se indican más abajo. Los ejemplos generados ilustran tareas de evaluación; no son una comparación directa puntuada.
Para conocer los flujos compatibles, las fuentes de lanzamiento y las estimaciones de créditos de Quickmake, consulta la guía de Nano Banana 2 y la guía de GPT Image 2.5. Las páginas de sus familias comparan las gamas completas de Nano Banana y GPT Image.
¿Qué modelo deberías probar primero?
| Prioridad | Empieza evaluando | Por qué |
|---|---|---|
| Trabajo gráfico final exigente | GPT Image 2.5 Sunburst | Los mejores resultados globales en las pruebas citadas |
| Iteración rápida con buena calidad | GPT Image 2.5 Flare | Calidad competitiva y menor latencia medida en ImageBench |
| Edición basada en referencias | GPT Image 2.5 Sunburst | Encabeza la clasificación citada de edición de una sola imagen |
| Generación basada en referencias web | Nano Banana 2 | Integración documentada de búsqueda web y de imágenes |
| Composiciones muy anchas o altas | Nano Banana 2 | Admite relaciones de aspecto como 8:1 y 1:8 |
| El menor coste para tu carga de trabajo | Compara ajustes equivalentes | Las dimensiones, la calidad, las imágenes de entrada y los reintentos influyen en el resultado |
Estas recomendaciones editoriales iniciales se basan en las pruebas siguientes. Una clasificación global no indica si un modelo conservará tu embalaje concreto o escribirá correctamente cada carácter del texto de campaña.
Resultados de pruebas independientes
Preferencia de texto a imagen de Artificial Analysis
Artificial Analysis mide la preferencia mediante votos humanos por parejas. Su clasificación AA-Image-T2I v2.0, consultada el 5 de octubre de 2026, mostraba:
| Modelo y configuración | Puesto | Elo | Intervalo del 95 % publicado | Muestras |
|---|---|---|---|---|
| GPT Image 2.5 Sunburst — max | 1 | 1,197 | 1,188–1,206 | 14,212 |
| GPT Image 2.5 Flare — max | 2 | 1,191 | 1,182–1,200 | 13,591 |
| Nano Banana 2 | 6 | 1,125 | 1,117–1,133 | 18,759 |
Ambas configuraciones de OpenAI superan aquí a Nano Banana 2. Sunburst y Flare están mucho más cerca: sus intervalos publicados se solapan, por lo que la pequeña diferencia no permite declarar a Sunburst ganador indiscutible basándose solo en esta prueba. Clasificación de texto a imagen de Artificial Analysis.
Elo describe la preferencia relativa dentro de una evaluación. Una diferencia de 72 puntos no significa que una imagen sea un 72 % mejor. No deben promediarse las puntuaciones de clasificaciones distintas ni compararse como si usaran una escala común.
Resultados de generación y edición de Arena
La clasificación de texto a imagen de Arena tenía fecha del 24 de septiembre de 2026. La de edición de una sola imagen, del 29 de septiembre.
| Modelo | Puntuación de texto a imagen | Puntuación de edición de una imagen |
|---|---|---|
| GPT Image 2.5 Sunburst | 1,424 ±8 | 1,522 ±5 |
| GPT Image 2.5 Flare | 1,401 ±8 | 1,478 ±5 |
| Nano Banana 2 — búsqueda web | 1,261 ±4 | 1,387 ±3 |
Las entradas de GPT Image 2.5 estaban marcadas como preliminares. La configuración de Nano Banana 2 incluía búsqueda web. Estos detalles importan al comparar los resultados con otra aplicación o configuración de API. Resultados de texto a imagen de Arena, Resultados de edición de imágenes de Arena.
El resultado de edición respalda evaluar primero Sunburst para trabajo exigente con referencias. No demuestra una conservación perfecta, y una clasificación de una sola imagen no prueba el rendimiento tras una secuencia larga de ediciones.
Capacidad y latencia de ImageBench
ImageBench V1.2 evalúa 192 prompts en seis categorías. Su puntuación global combina a partes iguales una valoración de capacidad y una estimación de preferencia estética; no es simplemente un porcentaje de prompts resueltos.
| Modelo | Puntuación global | Tasa de aprobación de capacidad | Latencia publicada |
|---|---|---|---|
| GPT Image 2.5 Sunburst | 82.1 | 88.0% | 16,9 segundos |
| GPT Image 2.5 Flare | 81.5 | 86.5% | 13,2 segundos |
| Nano Banana 2 | 74.9 | 77.1% | 28,1 segundos |
ImageBench publica los resultados para examinarlos. Sus evaluadores automáticos pueden equivocarse. Además, estos tiempos describen sus configuraciones concretas: la entrada de Google usa un endpoint fal/google/, mientras que las de OpenAI usan openai/. No son tiempos de respuesta garantizados para todos los proveedores. Clasificación y resumen metodológico de ImageBench.
Estas mediciones cuestionan la afirmación general de que Nano Banana 2 siempre es más rápido. Para tu flujo, mide el tiempo desde el envío de la petición hasta recibir una imagen útil, incluidos los reintentos.
Calidad de imagen y seguimiento del prompt
Las evaluaciones globales favorecen a GPT Image 2.5, por lo que es un punto de partida razonable para un briefing exigente. Pero una imagen impresionante puede seguir sin cumplir la tarea.
Para fotografía de producto, examina la silueta, los reflejos, las sombras de contacto y la etiqueta. Comprueba la composición al tamaño de entrega final: una botella detallada no basta si no queda sitio para el titular.
Para ilustración editorial, valora si la idea se entiende rápido y si el sujeto sigue siendo reconocible en una miniatura. Una imagen con mucha textura puede impresionar ampliada y perder su foco en las redes sociales.
Empieza con Sunburst si el briefing tiene requisitos visuales exigentes y evalúa después Flare con los mismos criterios de aceptación. Conserva el flujo más lento o caro solo cuando sus resultados lo justifiquen.
Edición de imágenes y conservación del sujeto
OpenAI documenta mejoras de edición precisa y conservación del sujeto en ambas variantes 2.5. Google admite edición de imágenes conversacional. Aun así, hay que comprobar su fiabilidad con tus recursos. Orientaciones de OpenAI para prompts de imagen, Documentación de Nano Banana 2.
Una prueba útil es deliberadamente limitada: cambia el color de fondo conservando el producto, la etiqueta, el ángulo de cámara y el primer plano. Evalúa por separado la zona cambiada y las que supuestamente no cambiaron. Un fondo correcto no compensa un nombre de marca mal escrito.
Para ediciones sucesivas, mantén visible el original junto al último resultado. Tras varios cambios, vuelve a compararlo con el original; comparar solo versiones consecutivas puede ocultar desviaciones graduales. El ejemplo de producto siguiente demuestra por qué importa.
Representación de texto y localización
Google destaca mejoras de texto y localización dentro de la imagen en Nano Banana 2, por lo que la publicidad multilingüe es un caso pertinente para evaluar. Anuncio de Google para desarrolladores.
Las puntuaciones globales anteriores no establecen un ganador tipográfico por idioma. Prueba el idioma, la cantidad de texto y las dimensiones que realmente necesitas.
Para un cartel, evalúa la ortografía y la composición por separado. Las palabras correctas pueden tener mal espaciado o una jerarquía ilegible. Una composición pulida puede contener un carácter incorrecto. Revisa puntuación, tildes, números y escrituras no latinas con el mismo cuidado que el titular.
En campañas de producción, el texto editable sigue siendo útil aunque un generador represente bien las letras. Los precios, las fechas y las traducciones se mantienen más fácilmente como capas separadas en un editor de diseño.
Búsquedas como referencia y formatos de salida
Nano Banana 2 admite generación basada en búsquedas web y de imágenes. Sus resoluciones documentadas incluyen 0.5K, 1K, 2K y 4K, con relaciones de aspecto especialmente anchas y altas como 4:1, 1:4, 8:1 y 1:8. Especificaciones del modelo de Google.
Por eso merece la pena evaluarlo para briefings con referencias visuales web o banners panorámicos. Considera las búsquedas como una ventaja de entrada, no como una garantía de exactitud. Para una ilustración arquitectónica, examina la geometría y los detalles distintivos del edificio antes de aprobarla.
Distingue también las capacidades del proveedor de los controles que ofrece tu aplicación. Una función de la API solo sirve a tu flujo si la interfaz utilizada la admite.
Precios y coste por recurso aceptado
Google publica estos precios estándar de salida de imagen para Nano Banana 2:
| Resolución de salida | Precio de salida de imagen |
|---|---|
| 0.5K | $0.045 |
| 1K | $0.067 |
| 2K | $0.101 |
| 4K | $0.151 |
La entrada, la salida de texto o razonamiento y las consultas de búsqueda facturables pueden añadir costes. El precio por lotes es inferior. Precios de la API de Google.
Para ambas variantes de GPT Image 2.5, OpenAI publica tarifas estándar de 5 $ por millón de tokens de texto de entrada, 8 $ por millón de tokens de imagen de entrada y 30 $ por millón de tokens de imagen de salida. La estimación por imagen depende de los ajustes de generación y del uso resultante. Precios de la API de OpenAI.
Artificial Analysis indica aproximadamente 210,70 $ por 1.000 imágenes para cada configuración «max» de GPT Image 2.5 probada y 67 $ por 1.000 imágenes para Nano Banana 2. Es una diferencia de unas 3,1× para esas configuraciones, no una proporción de precios universal. Comparación de precios de Artificial Analysis.
Una medida empresarial más útil es el coste por recurso aceptado: gasto total de generación dividido entre el número de recursos aceptados.
Por ejemplo, una generación hipotética de 0,07 $ que necesite cinco intentos cuesta 0,35 $ por recurso aceptado. Una generación de 0,20 $ aceptada a la primera cuesta menos en total. Ningún ejemplo predice las tasas de aceptación reales de estos modelos; ilustra por qué los reintentos deben entrar en el cálculo. Registra aparte el tiempo de corrección manual.
Quickmake presupuesta la generación en créditos de IA. Los precios directos de API no son los precios en créditos de Quickmake. Abre el generador de imágenes con IA y comprueba el presupuesto del generador para el modelo y los ajustes elegidos.
Ejemplos generados y prompts reutilizables
Fotografía de producto con texto exacto
Briefing ilustrativo de producto que prueba texto exacto, representación de materiales y posición de objetos. La identidad del modelo no está verificada.
Crea una fotografía de estudio cuadrada de una botella de jabón de manos de vidrio ámbar con dosificador negro mate, sobre un bloque de piedra caliza clara y un fondo crema cálido. Vista frontal de tres cuartos, luz natural suave desde arriba a la izquierda, refracción del vidrio creíble y sombra de contacto suave. La etiqueta de papel marfil debe mostrar exactamente tres líneas: «FORM & FIELD», «CEDAR HAND WASH», «300 ml». El dosificador apunta a la izquierda. Una ramita de eucalipto descansa a la derecha del bloque. Fotografía editorial de producto sobria con texturas finas realistas. Sin otros objetos, sin otro texto y sin marca de agua.
Las tres líneas solicitadas son legibles y el dosificador apunta a la izquierda. La botella y la piedra ofrecen superficies útiles para examinar reflejos y textura. Como es un producto ficticio generado a partir de texto, no prueba la fidelidad a una fotografía de producto existente.
Una edición controlada del fondo
Briefing para editar solo el fondo usando la imagen anterior como referencia. Compara el producto y el primer plano con el mismo cuidado que la pared cambiada.
Cambia solo la pared de fondo crema por una pared verde salvia apagado. Mantén sin cambios la botella ámbar, su silueta y tamaño exactos, el dosificador negro apuntando a la izquierda, las tres líneas de la etiqueta («FORM & FIELD», «CEDAR HAND WASH», «300 ml»), la tipografía, la textura de la etiqueta, el bloque de piedra caliza, la ramita de eucalipto, la superficie del primer plano, el encuadre y el ángulo de cámara. Conserva la dirección y suavidad de la luz. No añadas ni elimines objetos. Produce una fotografía cuadrada.
El fondo cambia y la etiqueta sigue siendo legible. La composición general se conserva, pero también cambian algunas texturas de la piedra caliza. Por eso «se parece» y «conservó todo lo solicitado» deben recibir valoraciones distintas. Reutiliza la misma imagen fuente al comparar los tres modelos citados mediante sus endpoints reales.
Tipografía de cartel bilingüe
Cartel bilingüe ilustrativo que prueba texto exacto y jerarquía tipográfica. El evento es ficticio.
El siguiente prompt reutilizable normaliza el briefing enviado; el registro de generación conserva la redacción original.
Crea un cartel cuadrado contemporáneo para un mercado de diseño. Papel marfil cálido con textura de impresión sutil, tipografía moderna sin serifas de gran tamaño en azul marino oscuro con jerarquía clara, un círculo bermellón llamativo y un pequeño acento rectangular cobalto. Representa exactamente estas cinco líneas: «FORM & FIELD», «DESIGN MARKET», «24–25 OCTOBER», «SOFIA • СОФИЯ», «FREE ENTRY». Usa cirílico para «СОФИЯ». Márgenes equilibrados y espaciado generoso. Diseño gráfico plano y frontal, sin maqueta en perspectiva, sin marco fotografiado ni marca de agua. La tipografía es el foco.
El texto solicitado parece legible, incluido el nombre de la ciudad en cirílico. Una revisión completa debe examinar también las formas de los caracteres, la puntuación, el espaciado y la legibilidad al tamaño previsto. Un ejemplo logrado no establece fiabilidad multilingüe.
Cómo comparar los modelos con tu propio trabajo
Usa los mismos briefings e imágenes fuente para Nano Banana 2, Flare y Sunburst. Registra el modelo exacto, el proveedor, las dimensiones, el ajuste de calidad y si la búsqueda está activada. Si no puedes igualar los ajustes, indica la diferencia.
Genera varios resultados independientes por briefing y conserva los fallos y los aciertos. Revisa sin etiquetas de modelo cuando sea práctico. Puntúa cuatro aspectos por separado:
- Cumplimiento de instrucciones: ¿Incluyó los elementos solicitados y el texto exacto?
- Calidad visual: ¿Funciona al tamaño de entrega previsto?
- Conservación: En las ediciones, ¿qué cambió fuera de la zona solicitada?
- Esfuerzo de producción: ¿Cuánto tiempo y dinero necesitó un recurso aceptado?
Para editar, da a cada modelo el mismo original. Empezar con una imagen generada distinta en cada modelo introduce otra variable. Decide qué es aceptable antes de revisar los resultados y evita seleccionar un resultado atractivo ocultando fallos repetidos.
Nuestra recomendación
Empieza por GPT Image 2.5 Sunburst cuando la calidad final y la precisión de edición dominen el briefing. Los resultados independientes citados respaldan esa elección. Evalúa Flare cuando importe el plazo; puntúa cerca de Sunburst en algunas evaluaciones y registra menor latencia en ImageBench.
Evalúa Nano Banana 2 cuando el uso de búsquedas como referencia, las relaciones de aspecto poco habituales o el coste de generación sean importantes para el flujo. Elige según el éxito repetido con tus propios briefings, incluido texto aceptable, detalles conservados y un esfuerzo de revisión asumible.
Explora el generador de imágenes con IA y el flujo de edición de imágenes con IA. Lleva el resultado elegido al editor de diseño para terminar la composición y mantener editable el texto de campaña.