GPT Image 2 vs Nano Banana Pro: Disziplinen getestet

GPT Image 2 und Nano Banana Pro im Überblick

GPT Image 2: OpenAIs Flaggschiff für detailreiche Abbildungen

GPT Image 2 erbt die Long-Prompt-Obsession, die OpenAIs Textmodelle seit GPT-4 prägt. In der Praxis bedeutet das: Das Modell behandelt jede Klausel in Ihrem Prompt als Checklisten-Punkt – und es bemüht sich nach Kräften, sie alle in der finalen Abbildung unterzubringen.

Stärken

• Prompt-Treue lag im Schnitt bei 99,2 % über unsere 24 Abbildungen, was bedeutet, dass nahezu jedes namentlich genannte Element aus einem 1.500-Zeichen-Prompt in der gerenderten Ausgabe auftauchte.
• Chemie-Notation ist seine stille Superkraft: Im SN2-Reaktions-Test renderte es das Doppel-Dolch-Symbol ‡ am Übergangszustand, beschriftete die R- und S-Konfigurationen, zeichnete den pentakoordinierten Kohlenstoff mit drei Wasserstoffen in trigonaler Ebene, fügte ein vollständiges Energiediagramm-Inset mit beschriftetem Ea ein und ergänzte eine vierfarbige Legende, die Nukleophil / Abgangsgruppe / Kohlenstoff / Wasserstoff zuordnet.
• Mathematische Formeln, Koordinatenachsen und Maßstabsbalken erscheinen konsistent – die Schwarzes-Loch-Abbildung enthielt Rs = 2GM/c², das Möbiusband zeigte die vollständige Parametergleichung x(u,v) = (1+v/2·cos(u/2))·cos(u), und das Youngsche Doppelspaltexperiment trug d·sin(θ) = m·λ mit ausgezeichnetem Wegdifferenz-Dreieck.

GPT Image 2 — jede Chemie-Konvention gerendert: ‡ am Übergangszustand, R/S-Annotation, pentakoordinierter Kohlenstoff mit drei Wasserstoffen in trigonaler Ebene, Energiediagramm mit Ea und farbcodierte Legende (Nukleophil / Abgangsgruppe / Kohlenstoff / Wasserstoff).

Nano Banana Pro — als SN2 erkennbar, aber der Doppel-Dolch, die R/S-Annotation, das "pentakoordinierte"-Label und die Element-Farb-Legende fehlen. Die Ausgabe ist sauber und lesbar; sie ist nur nicht peer-review-streng bei Chemie-Konventionen.

GPT Image 2 — vollständige Physiklehrbuch-Behandlung: monochromatische Quelle, Huygens-Konstruktion mit kreisförmigen Wellenfronten, Wegdifferenz-Geometrie-Inset, Streifenmuster mit beschriftetem m = 0, ±1, ±2, der Positionsformel y_m = mλL/d und expliziter Klassifikation in "konstruktiv hell" / "destruktiv dunkel".

Nano Banana Pro — Geometrie und Huygens-Konstruktion sind akkurat (das Wegdifferenz-Dreieck ist in sanftem Orange hervorgehoben, was visuell elegant ist), aber die Schirm-Distanz L, die konstruktiv/destruktiv-Klassifikation und die Positionsformel sind aus der Abbildung verschwunden.

Einschränkungen

• Informationsdichte kann in Unübersichtlichkeit umschlagen. Unser CRISPR-Test-Panel erreichte 95 % Prompt-Treue, aber nur 3 von 5 Punkten bei der Lesbarkeit – jede angeforderte Beschriftung war vorhanden, nur zu eng gepackt, um auf einen Blick scannbar zu sein.
• Keine 3D-Layer-Stacking-Effekte. Architekturdiagramme (wie der Transformer) kommen flach heraus, mit Add & Norm-Blöcken in 2D gerendert statt der 3D-anmutenden Layer-Wiederholungs-Hinweise, die Sie manchmal in Nano-Banana-Pro-Outputs sehen.

Beste wissenschaftliche Use Cases

• Journal-Einreichungen, in denen jede Beschriftung, Gleichung und Legende der Peer-Review-Prüfung standhalten muss
• Chemie-Paper, die Stereochemie, Übergangszustände oder Reaktionsmechanismus-Diagramme erfordern
• Abstrakte Mathematik (Topologie, Mannigfaltigkeiten), wo konzeptuelle Treue mehr wiegt als visuelle Wucht
• Long-Prompt-Workflows (>1.000 Zeichen) – siehe unseren begleitenden Leitfaden zu Wissenschaftliche KI-Prompts meistern für Prompt-Strategien, die mit diesem Modell besonders gut funktionieren

Nano Banana Pro: Googles Spitzenmodell für saubere BioRender-Stil-Abbildungen

Nano Banana Pro ist das stärkste Modell in Googles Gemini-3-Familie für Bildsynthese. Wo GPT Image 2 sich auf Spezifikation lehnt, lehnt sich Nano Banana Pro auf Komposition – seine Outputs fühlen sich an, als hätte ein erfahrener Illustrator den Prompt zu einer sauberen redaktionellen Abbildung destilliert.

Stärken

• Lesbarkeit lag im Schnitt bei 4,67 von 5 gegenüber GPT Image 2s 4,25. Der Unterschied ist konsistent: Jede Abbildung hat mehr Atemraum, größere Beschriftungen und weniger visuelles Stapeln.
• Ästhetische Verfeinerung ist erstklassig für die BioRender-Stil-Ästhetik wissenschaftlicher Illustration. Das Microservices-Architektur-Diagramm fing das Kafka-Topic, das Sidecar-Pattern und den Observability-Stack mit annotierten Business-Events ein (Order Created, Payment Processed) – aus einer statischen Architektur wurde ein nahezu erzählerisches Diagramm.
• Layer-Stapel-Visualisierung ist tatsächlich besser. In unserem Transformer-Test renderte es den Encoder Stack (Nx) und Decoder Stack (Nx) als visuell gestapelte mehrschichtige Blöcke, mit expliziten K-, V-, Q-Pfeilen, die den Cross-Attention-Pfad vom Encoder zum Decoder nachzeichnen – ein Maß an struktureller Intuition, das die GPT-Image-2-Ausgabe nicht ganz erreichte.
• Prozess-Workflow-Abbildungen profitieren von einer Doppelpaneel-Designentscheidung, die das Modell häufig trifft: Im Photolithographie-Test zeichnete es eine obere "detaillierte Ansicht" und eine untere "vereinfachte Querschnittsansicht" für jeden der sechs Schritte – genau so, wie IEEE-Lehrbücher Halbleiterprozesse tatsächlich präsentieren.

GPT Image 2 — vendor-reiche technische Referenz: API Gateway als "Kong / Envoy" beschriftet, Auth als "Keycloak", Istio Service Mesh, das alle fünf Services mit expliziten Envoy-Sidecars umhüllt, Kafka mit vier Partitionen gezeigt und der Observability-Stack aufgeteilt in Loki / Prometheus / Jaeger mit Seitenlegende.

Nano Banana Pro — fügt eine kreative narrative Schicht hinzu: Statt die Message Queue nur als "Kafka Topics" zu beschriften, annotiert es die tatsächlichen Business-Events, die durch sie fließen (Order Created, Order Updated, Payment Processed, Update Inventory, Send Notification). Aus der Architektur wird ein nahezu erzählerisches Diagramm.

GPT Image 2 — einreihige 6-Panel-Sequenz mit konsistentem Layer-Stacking (Si / SiO₂ / Photoresist) über alle Stadien. Kompakt und klar, aber nur eine Querschnittsansicht pro Schritt.

Nano Banana Pro — dieselben 6 Schritte, aber jeder als Doppelpaneel gerendert: detaillierte Ansicht oben, vereinfachter Querschnitt unten. So präsentieren IEEE-Lehrbücher Photolithographie tatsächlich. Bonus-Details wie Wasserdampf-Symbole beim Soft-Bake und "exposed regions (more soluble)"-Beschriftungen machen diese Ausgabe zur höchstpunktierten Engineering-Abbildung in unserem Benchmark (19/20).

Einschränkungen

• Prompt-Treue lag im Schnitt bei 86,1 % – etwa 13 Prozentpunkte hinter GPT Image 2. Konkret neigt es dazu, optionale Beschriftungen, Farbschlüssel-Legenden und explizite numerische Annotationen wegzulassen, wenn der Prompt lang ist.
• Chemie-Strenge ist sein schwächster Bereich. Im SN2-Test ließ es den Doppel-Dolch-Übergangszustands-Marker, die R/S-Stereochemie-Annotation, die vierfarbige Element-Legende und das explizite "pentakoordinierter Übergangszustand"-Label weg – alles Dinge, die GPT Image 2 enthielt.
• Abstrakte 3D-Topologie kann scheitern. Unser Möbiusband-Test ist das auffälligste Beispiel: Nano Banana Pro renderte die Hauptabbildung als einen einfachen orientierbaren Zylinder (keine Halbverdrehung) und brachte das eigentliche Möbiusband nur in einem kleinen Inset unter – ein konzeptueller Fehler, schwer genug, um einen studentischen Leser in die Irre zu führen. GPT Image 2 hat das im ersten Versuch richtig hinbekommen.

GPT Image 2 — ein glaubwürdiges 3D-Möbiusband mit klar sichtbarer Halbverdrehung. Rote Ameisen-Marker bei "Start" und "nach 180°" demonstrieren Einseitigkeit; der Rand ist als einzelne durchgehende Kurve gerendert. Der Zylinder steht im Eck-Inset zum Vergleich, mit Annotationen "two distinct edges" und "two-sided surface". Score: 20/20.

Nano Banana Pro — die Hauptabbildung ist ein gewöhnlicher orientierbarer Zylinder, kein Möbiusband. Das eigentliche Möbiusband ist in ein winziges Eck-Inset zusammengeschrumpft. Das ist ein konzeptueller Fehler, schwer genug, um jeden Studierenden, der die Abbildung liest, in die Irre zu führen. Score: 11/20 – unsere zweitgrößte Einzel-Prompt-Lücke.

Beste wissenschaftliche Use Cases

• Konferenzposter, Foliensätze und Lehrmaterial, wo Lesbarkeit dichte Annotation schlägt
• Biologie-Mechanismus-Diagramme (Signalwege, Mechanismus-Cartoons), wo BioRender-Stil-Einfachheit die Genre-Konvention ist
• ML-/CS-Architekturabbildungen, wo Layer-Stacking und Datenfluss-Pfeile zählen
• Prozess-Workflow-Abbildungen, wo Doppelpaneel-Präsentation aus "Detail + vereinfacht" das Verständnis unterstützt

Direktvergleich: 10 Disziplinen, 24 Abbildungen

Vor der Tabelle hier der einzige Test, der unentschieden ausging – beide Flaggschiffe trafen Nature-Cover-Qualität bei demselben Prompt:

GPT Image 2 — drei Grenztypen nebeneinander mit starker volumetrischer Tiefe, Lithosphäre-/Asthenosphäre-Temperaturgradient, Mantelkonvektionszellen. National-Geographic-/USGS-Stil. Score: 19/20.

Nano Banana Pro — gleiche wissenschaftliche Genauigkeit bei den drei Grenztypen, mit einem Bonus-Level an ökologischem Detail (Hydrothermalquellen-Biologie, Sulfid-Schlote) und expliziter "Slab Dehydration Zone"-Annotation. Sauberere Beschriftungs-Spacing. Score: 19/20.

Wir haben 12 Prompts über 10 Disziplinen ausgeführt, jeden in 16:9 / 2K mit beiden Modellen generiert und jede Ausgabe bewertet. Unten ist das vollständige Ergebnis. Subjektive Scores sind auf einer 1–5-Skala pro Dimension; Total ist die Summe von vier subjektiven Dimensionen (max 20).

Fünf verallgemeinerbare Erkenntnisse

1. Long-Prompt-Treue ist GPT Image 2s Markenkante

Als wir die durchschnittliche Prompt-Länge (1.400 Zeichen) gegen die Treue-Lücke (13,1 Prozentpunkte) verglichen, war das Muster konsistent: Je länger und spezifischer der Prompt, desto mehr Elemente neigt Nano Banana Pro dazu wegzulassen. Das ist kein kleiner Effekt – über 12 Prompts traf GPT Image 2 99,2 % der namentlich genannten Elemente, während Nano Banana Pro 86,1 % traf.

GPT Image 2 — jede Spezies, die im 1.600-Zeichen-Prompt genannt war, ist gelandet: Eiche, Ahorn, Farne, Gras, Wildblumen, Moose (Produzenten); Weißwedelhirsch, Schneeschuhhase, Grauhörnchen, Feldmaus, Raupe, Biene, Blattkäfer (Herbivore); Rotfuchs, Virginia-Uhu, Strumpfbandnatter, Singvogel (Waldsänger), Spitzmaus (Mesoprädatoren); Grauwolf, Rotschwanzbussard, Schwarzbär (Apex). Zersetzer in separater rechter Spalte mit Konsolenpilzen / Regenwürmern / Bakterien. Energieübertragungs-Legende (100 % → 10 % → 1 % → 0,1 %) ist intakt.

Nano Banana Pro — dieselben vier trophischen Ebenen, dieselbe kcal/m²/Jahr-Skala, alle Spezies erkennbar. Aber es ließ die Konsolenpilze-/Bakterien-Unterscheidung weg, ließ die Energieübertragungs-Prozent-Legende weg und beschriftete nur "earthworm" statt der vollständigen Zersetzer-Spalte. Hat die groben Striche eingefangen; hat die lehrbuchwürdigen Fußnoten verfehlt.

2. Chemie-Notation ist GPT Image 2s stiller Burggraben

Der SN2-Mechanismus-Test brachte unsere größte Einzel-Prompt-Lücke hervor (20 vs 15). GPT Image 2 renderte jede standardmäßige Chemie-Konvention – Doppel-Dolch, partielle Bindungen, R/S-Stereochemie, pentakoordinierte Geometrie, Energiediagramm, farbcodierte Element-Legende. Nano Banana Pro produzierte einen erkennbaren Mechanismus, verfehlte aber den Doppel-Dolch, ließ die Stereochemie-Annotation weg und zeichnete die Legende nicht.

3. Abstrakte 3D-Topologie kann Nano Banana Pro brechen

4. BioRender-Stil-Einfachheit ist Nano Banana Pros Heimspiel

Drei der Modell-Siege (CRISPR-Cas9, Transformer, Photolithographie) teilen ein gemeinsames Muster: Der Prompt belohnt Vereinfachung. CRISPR ist ein 4-Schritt-Mechanismus – Nano Banana Pros sauberer Schritt-für-Schritt-Visual gewann gegen GPT Image 2s dichtere Version. Der Transformer ist ein Strukturdiagramm – Nano Banana Pros Stack-Layer-Rendering fing die Architektur-Intuition besser ein.

GPT Image 2 — jedes angeforderte Element ist vorhanden: Cas9 mit HNH- und RuvC-Domänen, sgRNA mit 20-nt-Ziel-komplementärer Sequenz, hervorgehobenes PAM (5'-NGG-3'), R-Loop-Bildung, blunt double-strand break "3 nt upstream of PAM" und beide NHEJ- und HDR-Reparaturwege. Score: 15/20 – die niedrigere Lesbarkeit hat es ausgebremst, weil jede Beschriftung in ein dichtes 3D-Rendering gepackt ist.

Nano Banana Pro — gleiche 4-Schritt-Struktur, gleiche wissenschaftliche Genauigkeit, aber die BioRender-Stil-Flach-Illustration lässt viel mehr Atemraum. Jeder Schritt hat ein einzelnes fokales Element. Der NHEJ-Zweig "indels for gene knockout" (rote Durchstreichung) und der HDR-Zweig "donor template insertion for gene correction" (grünes Häkchen) sind visuell entscheidend. Score: 18/20 – der Genre-Konventions-Sieger.

5. Der Trade-off Informationsdichte / Lesbarkeit ist die tiefste Erkenntnis

Durchschnittsscores über 24 Abbildungen offenbaren zwei konsistente Profile:

• GPT Image 2: höhere Prompt-Treue (99,2 %), höhere Publikationsreife (4,58), niedrigere Lesbarkeit (4,25)
• Nano Banana Pro: niedrigere Prompt-Treue (86,1 %), niedrigere Publikationsreife (3,92), höhere Lesbarkeit (4,67), höchster Ästhetik-Score (4,83)

Beide sind valide Designphilosophien für Abbildungen – und sie ordnen sich zwei verschiedenen Endnutzungen zu. GPT Image 2 ist gebaut für die Abbildung, die neben dichtem Fließtext in einem Journalartikel lebt. Nano Banana Pro ist gebaut für die Abbildung, die aus 4 Metern Entfernung in einem Konferenzsaal eigenständig kommunizieren muss.

GPT Image 2 — Titel "Hippocampal Trisynaptic Circuit", Anatomie links mit EC-Layer-II / V-VI-Eingabe-/Ausgabe-Spezifität, vier-Schritt-Schaltkreis nummeriert (Perforant Path → Mossy Fibers → Schaffer Collaterals → Output Path), gezoomter LTP-Mechanismus rechts mit explizitem "Resting Membrane Potential ~ -70 mV", vier Bullet-Point-Molekularerklärungen, Farb-Legende in der Ecke. Informationsdichte am Maximum.

Nano Banana Pro — gleiche Anatomie, gleicher Schaltkreis, gleicher LTP-Mechanismus. Aber jede Region ist groß, Beschriftungen sind beabstandet, und das Auge hat Zeit, dem Datenfluss zu folgen. Pyramidenzell-Körper und apikale Dendriten erhalten explizite visuelle Repräsentation. Der Trade-off ist die EC-Layer-Spezifität (Layer II vs V-VI) und das -70-mV-Ruhepotential – beide weggelassen. Resultat: gleicher Inhalt, andere Lesererfahrung.

Verdikt: Welches sollten Sie wählen?

Verwenden Sie den Entscheidungsbaum unten für Grenzfälle. Verschiedene wissenschaftliche Arbeiten haben verschiedene optimale Modelle – ordnen Sie Ihren Abbildungstyp einem der vier gängigen Ausgabe-Ziele zu (peer-reviewtes Journal, Konferenz, Web oder "nicht sicher") und gehen Sie dann in die Sub-Regel für Ihre spezifische Disziplin oder Ihr Abbildungsgenre.

• Journal-Einreichung (Cell, Nature, Science, PNAS)
  • Chemie / Stereochemie / Reaktionsmechanismus → GPT Image 2 (entscheidend)
  • Abstrakte Mathematik / Topologie / Mannigfaltigkeiten → GPT Image 2 (NBP kann konzeptuell scheitern)
  • Langer, dichter, beschriftungsreicher Prompt → GPT Image 2
  • Biologie-Mechanismus in BioRender-Stil-Genre-Konvention → Nano Banana Pro ist akzeptabel, manchmal bevorzugt
• Foliensatz / Konferenzposter / Lehrmaterial
  • Default → Nano Banana Pro (Lesbarkeits- + Ästhetik-Vorsprung)
  • ML-/CS-Architektur → Nano Banana Pro (Layer-Stacking-Visual ist stärker)
  • Prozess-Workflow mit mehreren Schritten → Nano Banana Pro (Doppelpaneel-Design)
• Blog- oder Social-Media-Abbildung
  • Default → Nano Banana Pro (sauberer, scrollt besser)
• Cover-Qualitäts-Abbildung (High-End-Journal-Cover, National-Geographic-Stil)
  • Beide Modelle funktionieren; prüfen Sie unsere Beispielgalerie, um vergleichbare Outputs zu sehen, und wählen Sie nach ästhetischer Passung
• Sie sind nicht sicher
  • SciFig unterstützt beide – generieren Sie einfach aus jedem nebeneinander und wählen Sie den Sieger. Genau so arbeitet ein echter menschlicher Illustrator sowieso.

Hinter der Methodik

Wir haben 12 wissenschaftliche Prompts über 10 Disziplinen getestet, festgelegt auf 16:9-Seitenverhältnis und 2K-Auflösung, generiert über die Kie.ai-API direkt (derselbe API-Lieferant, der SciFigs Produktions-Stack speist). Jeder Prompt war 1.100–1.800 Zeichen detaillierter wissenschaftlicher Spezifikation – Rezeptoren, Kinasen, Gleichungen, namentlich genannte Domänen, Farbpräferenzen. Wir bewerteten jede Ausgabe auf sechs Dimensionen: zwei objektive (Prompt-Treue, Befolgung der Anweisungen) und vier subjektive mit expliziten Rubriken (wissenschaftliche Genauigkeit, Publikationsreife, Lesbarkeit, ästhetische Qualität). Für jeden subjektiven Score haben wir die Begründung festgehalten, sodass die Bewertung von einem externen Leser reproduzierbar ist.

Häufig gestellte Fragen