Werkzeuge und Vergleich··Aktualisiert ·16 Min. Lesezeit
GPT Image 2 vs Nano Banana Pro: Welcher gewinnt?
Direkter Vergleich zwischen GPT Image 2 und Nano Banana Pro für die Erzeugung wissenschaftlicher Abbildungen — Qualität, Geschwindigkeit und Kosten.
SciFig Team
Scientific Illustration Experts
OpenAI sagt, GPT Image 2 sei sein bisher fortschrittlichstes Bildmodell. Google sagt, Nano Banana Pro sei das Beste aus der Gemini-3-Familie. Beide Behauptungen sind technisch verteidigbar – und beide sind nutzlos für die Frage, die wirklich zählt: Welches rendert ein Diagramm eines Zellsignalwegs beim ersten Versuch korrekt? Wir haben 24 echte wissenschaftliche Abbildungen durch beide laufen lassen. Der Sieger ist nicht der, den Sie vielleicht annehmen – und die Antwort ändert sich, je nachdem, ob Ihre Ausgabe zu Cell, einem Konferenzposter oder einem Twitter-Thread geht.
Die eigentliche Frage hinter "Welches ist besser"
Zu fragen "welches KI-Bildmodell ist 2026 besser" ist die falsche Rahmung. Beide Modelle sind gut. Die ehrliche Frage für Forschende ist enger gefasst: Für die spezifische Art von Abbildung, die Sie heute machen werden, welches ist eher in der Lage, Ihnen beim ersten Versuch ein brauchbares Ergebnis zu liefern?
In unserem Direktvergleichs-Benchmark von 24 Abbildungen über 10 Disziplinen war das Verdikt kein klarer Durchmarsch. GPT Image 2 gewann 8 Prompts, Nano Banana Pro gewann 3, und einer endete unentschieden. Aber die Siege haben sich gehäuft: GPT Image 2 dominiert überall dort, wo wissenschaftliche Notation dicht und streng ist; Nano Banana Pro dominiert überall dort, wo redaktionelle Einfachheit gewinnt. Die Kunst der Wahl liegt darin zu erkennen, auf welcher Seite Ihre Abbildung steht, bevor Sie 50 Credits am falschen Modell verbrennen.
Dieser Leitfaden ist die Entscheidungsrahmen-Version der Daten. Wenn Sie den vollständigen Benchmark mit der Direkt-Bewertungsmatrix wollen, ist das Begleitstück GPT Image 2 vs Nano Banana Pro: 10 Disziplinen getestet 2026. Wenn Sie das Verdikt wollen – lesen Sie weiter.
Vor den Erkenntnissen der Spickzettel, wofür jedes Flaggschiff gebaut ist:
Hauptempfehlung: GPT Image 2. Von 12 Direktvergleichs-Prompts gewann GPT Image 2 8, war 1 unentschieden und verlor nur 3 – und die Niederlagen waren stilistisch (Nano Banana Pros redaktioneller Schliff bei CRISPR / Transformer / Photolithographie) statt wissenschaftlicher Genauigkeit. Die Siege beinhalteten zwei entscheidende Niederlagen (Chemie: 20 vs 15; abstrakte Topologie: 20 vs 11), die in einem realen Paper teuer wären, falsch zu liefern. Nehmen Sie standardmäßig GPT Image 2, es sei denn, Ihre Ausgabe geht auf einen Foliensatz, ein Konferenzposter oder Social Media – wo Nano Banana Pros Lesbarkeitsvorsprung übernimmt. Alles unten ist die nuancierte Version dieser Ein-Zeilen-Antwort.
Drei entscheidende Erkenntnisse (Und warum sie wahrscheinlich für Sie gelten)
Wir haben drei Erkenntnisse aus dem 24-Abbildungs-Benchmark extrahiert, die ändern sollten, zu welchem Modell Sie standardmäßig greifen. Sie sind in dem Sinne entscheidend, dass die Score-Lücke groß genug ist, dass ein Münzwurf falsch wäre.
Unser SN2-Substitutionsmechanismus-Test brachte die größte Einzel-Prompt-Lücke im gesamten Benchmark hervor: GPT Image 2 erreichte 20/20, Nano Banana Pro erreichte 15/20. Der Unterschied kam aus der Notations-Strenge. GPT Image 2 zeichnete das Doppel-Dolch-Symbol ‡ am Übergangszustand, beschriftete die R- und S-stereochemischen Konfigurationen an Edukt und Produkt, renderte den pentakoordinierten Kohlenstoff mit drei Wasserstoffen flach in der trigonalen Ebene, fügte ein vollständiges Energiediagramm-Inset mit beschrifteter Aktivierungsenergie Ea ein und ergänzte eine vierfarbige Legende, die Nukleophil / Abgangsgruppe / Kohlenstoff / Wasserstoff identifiziert.
Nano Banana Pro produzierte eine erkennbare SN2-Abbildung, verfehlte aber nahezu jede dieser Konventionen. Für Chemie-Paper, die zu JACS, Angewandte Chemie, Organic Letters oder einem Journal gehen, dessen Gutachter sich um Reaktionsmechanismus-Notation scheren – ist GPT Image 2 der einzige vernünftige Default.
GPT Image 2: SN2-Substitutionsmechanismus mit vollständiger Chemie-Notation einschließlich Doppel-Dolch-Übergangszustand, R-S-Stereochemie und Element-Farb-Legende
Nano Banana Pro: SN2-Substitutionsmechanismus erkennbar, aber ohne Doppel-Dolch und R-S-Stereochemie-Annotation und Farb-Legende
Nano Banana Pro — erkennbarer Mechanismus, aber der Doppel-Dolch, die R/S-Stereochemie und die Element-Farb-Legende fehlen alle. Score 15/20 – unsere größte Einzel-Prompt-Lücke.
Erkenntnis 2: Abstrakte 3D-Topologie kann Nano Banana Pro brechen
Das war das überraschendste Einzelresultat unseres Benchmarks. Der Prompt fragte nach einem 3D-gerenderten Möbiusband mit einer Halbverdrehung, daneben ein kleines Inset, das es mit einem regulären orientierbaren Zylinder vergleicht. GPT Image 2 lieferte genau das: ein glaubwürdiges 3D-Möbiusband in der Hauptabbildung, einen kleinen Zylinder in der Ecke, beschriftet mit "orientable cylinder, two distinct edges, two-sided surface", plus die vollständige Parametergleichung als Mathe-Block gerendert.
Nano Banana Pro hat das umgekehrt geliefert. Die Hauptabbildung zeigte einen einfachen Zylinder ohne Verdrehung; das eigentliche Möbiusband erschien nur in einem winzigen Eck-Inset. Das ist mehr als eine stilistische Wahl – es ist ein konzeptueller Fehler, schwer genug, um jeden Studierenden, der das Rendering ansieht, in die Irre zu führen. Score: 20 vs 11, unsere zweitgrößte Lücke. Für abstrakte mathematische Objekte, besonders in Topologie und Geometrie, nehmen Sie standardmäßig GPT Image 2 und verifizieren Sie die Ausgabe visuell, bevor Sie sie akzeptieren.
GPT Image 2: Möbiusband in 3D mit sichtbarer Halbverdrehung und orientierbarem Zylinder-Inset zum Vergleich und Parametergleichung
GPT Image 2 — glaubwürdiges 3D-Möbiusband mit klar sichtbarer Halbverdrehung. Der Zylinder steht im Eck-Inset, genau wie der Prompt es verlangte.
Nano Banana Pro: fälschlich als einfacher Zylinder ohne Halbverdrehung gerendert, das eigentliche Möbiusband in ein kleines Eck-Inset verbannt
Nano Banana Pro — die Hauptabbildung ist ein einfacher Zylinder, kein Möbiusband. Das eigentliche Möbiusband ist in ein winziges Eck-Inset zusammengeschrumpft. Konzeptueller Renderfehler.
Erkenntnis 3: Konferenzfolien und Poster sollten standardmäßig Nano Banana Pro nutzen
Diese Erkenntnis ist die Umkehrung der ersten beiden. Über unsere 24 Abbildungen hinweg punktete Nano Banana Pro konsistent höher bei Lesbarkeit (4,67 vs 4,25 im Schnitt) und Ästhetik (4,83 vs 4,75 im Schnitt). Wo der Prompt Destillation statt Spezifikation belohnt, neigt Nano Banana Pro dazu zu gewinnen.
Der klarste Fall war die Photolithographie-Prozess-Abbildung: Nano Banana Pro traf eine kreative Kompositionsentscheidung, die wir nicht angefragt hatten, und teilte jeden der 6 Prozessschritte in ein "detailliertes Ansichts"-Panel oben und ein "vereinfachtes Querschnitts"-Panel unten – genau die Art, wie IEEE-Lehrbücher Halbleiterprozesse präsentieren. Das Ergebnis war die höchstpunktierte Engineering-Abbildung im Benchmark (19/20).
Für Foliensätze, Poster und Lehrmaterial, in denen ein Betrachter 10–30 Sekunden pro Abbildung hat, ist Nano Banana Pro der bessere Default. Selbst wenn GPT Image 2 mehr Information in eine Abbildung packt, schadet die Informationsdichte, die in einem peer-reviewten Paper hilft, in einer Präsentation aktiv.
GPT Image 2: Photolithographie-Prozess als 6 horizontale Panels mit konsistentem Layer-Stacking und beschrifteter UV-Quelle, Photomaske, Entwickler
Ein Entscheidungsrahmen, zugeschnitten auf Ihre Ausgabe
Beide Modelle sind aus demselben Modell-Selektor in Text-zu-Abbildung zugänglich. Der Entscheidungsbaum unten spiegelt wider, wie ein erfahrener Forschungsillustrator wählen würde.
Wenn Ihre Ausgabe zu einem peer-reviewten Journal geht
Zellbiologie, Signalwege, molekulare Mechanismen → entweder, aber NBPs BioRender-Stil wird manchmal von Editoren von Nature Methods und Cell Reports Methods bevorzugt
Klinik / Anatomie → entweder; prüfen Sie unsere Beispielgalerie für vergleichbare Outputs und wählen Sie nach visueller Passung
Wenn Ihre Ausgabe zu einer Konferenz oder einem Vortrag geht
Foliensatz für einen 10-minütigen Vortrag → Nano Banana Pro (Erkenntnis 3)
Konferenzposter (A0 / A1 Größe) → Nano Banana Pro, es sei denn, die Abbildung ist detailkritisch (in welchem Fall GPT Image 2 + manuelle Bereinigung in Vector Canvas)
Labormeeting / Journal Club Erklärung → Nano Banana Pro für Klarheit, dann iterieren
Wenn Ihre Ausgabe ins Web geht
Twitter / LinkedIn / Blog-Post-Header → Nano Banana Pro (sauberer in kleinen Thumbnail-Größen)
Universitätslabor-Homepage → Nano Banana Pro
Förderantrags-Coverbild → GPT Image 2, falls der Gutachter der Behörde technisch ist; Nano Banana Pro, falls Gutachter ein breiteres Publikum ist
Wenn Sie nicht sicher sind
Generieren Sie aus beiden, nebeneinander. SciFig berechnet pro Generierung identisch, unabhängig vom Modell, und der Modell-Selektor ist ein Klick in Text-zu-Abbildung. Für eine hoch riskante Abbildung (Paper-Abbildung 1, Förderantrag-Coverbild, Dissertationsverteidigungs-Folie) ist es ohnehin das, was jeder erfahrene PI tun würde: zwei Versionen generieren und die bessere wählen. Wir haben sogar Inspiration gebaut, damit Sie echte Outputs aus jedem Modell nebeneinander durchstöbern können, bevor Sie beginnen.
Jetzt wissenschaftliche Abbildungen erstellen
Beschreiben Sie Ihre wissenschaftliche Abbildung in natürlicher Sprache - erhalten Sie publikationsreife Illustrationen in Minuten.
Das sind die Erkenntnisse aus unserem Benchmark, die widersprochen haben, was wir vorab erwarteten.
1. Das neuere, schillerndere Modell ist nicht automatisch besser
Vorab erwarteten wir, dass GPT Image 2 alles dominiert, weil es das neuere Release ist. Tat es nicht. Nano Banana Pro gewann eindeutig drei Prompts (CRISPR-Cas9, Transformer-Architektur, Photolithographie) – und die Siege waren nicht knapp. Die Lehre: Nehmen Sie nicht an, dass das Modell mit dem lauteren Marketing beim Abbildungstyp gewinnt, den Sie tatsächlich brauchen.
GPT Image 2 — jede Komponente mit hoher Präzision beschriftet ("Two Linear Layers + ReLU", "Keys, Values from Encoder Output, Query from decoder", "sinusoidal" Positional Encoding). Flache 2D-Blöcke. Score 16/20.
Nano Banana Pro: Transformer-Architektur mit 3D-geschichteten Encoder- und Decoder-Stacks und expliziten K-V-Q-Cross-Attention-Pfeilen und Wellenform-Position-Encoding-Icon
Nano Banana Pro — gleiche Komponenten, aber Encoder/Decoder sind als visuell gestapelte mehrschichtige Blöcke gerendert (das Nx-Stacking), die K/V/Q-Cross-Attention-Pfeile zeichnen explizit von Encoder zu Decoder, und Position Encoding bekommt sogar ein winziges Wellenform-Icon. Strukturelle Intuition gewinnt hier. Score 18/20.
2. Long-Prompt-Treue ist eine 13-Punkte-Lücke, keine kleine
Über 24 Abbildungen hinweg lag GPT Image 2 im Schnitt bei 99,2 % Prompt-Element-Treue; Nano Banana Pro lag bei 86,1 %. Das ist eine reale, reproduzierbare Lücke, und sie skaliert mit der Prompt-Komplexität. Wenn Sie minimale Prompts schreiben ("ein Zellsignalweg-Diagramm"), schrumpft der Unterschied. Wenn Sie die Art detaillierter, vollständig spezifizierter Prompts schreiben, die wir in Wissenschaftliche KI-Prompts meistern empfehlen, ist der Unterschied entscheidend.
GPT Image 2: EGFR-RAS-MAPK-Signalkaskade mit Liganden-Bindung, Rezeptor-Dimerisierung, GRB2, SOS, RAS-GTP, RAF, MEK, ERK, Transkriptionsfaktor-Kerntranslokation und Zielgen-Expression mit voller Farb-Legende
GPT Image 2 — vollständige Signalkaskade mit explizitem GDP→GTP-Austausch, zwei-Schritt-Beschriftung (1: EGF-Bindung, 2: Dimerisierung + Autophosphorylierung), allen drei Transkriptionsfaktoren (ELK1 / c-Fos / c-Jun), Promoter-Regionen (SRE / AP-1 Site), spezifischen Zielgenen (Cyclin D1, c-Myc) und einer sechs-Kategorien-Farb-Legende. 100 % Prompt-Treue.
Nano Banana Pro: EGFR-RAS-MAPK-Signalkaskade als Einzelbild-Fluss gerendert, der Rezeptor-Aktivierung durch Transkription mit Kernporen-Komplex zeigt, aber ohne Farb-Legende und Zielgen-Namen
Nano Banana Pro — gleiche wissenschaftliche Genauigkeit bei der Kaskade, mit einem netten anatomischen Detail (Kernporen-Komplex explizit gezeigt), aber ohne die Farb-Legende, die SRE/AP-1-Site-Promoter-Klassifikation, die spezifischen Zielgene (Cyclin D1, c-Myc) und die SH2-Domain-Annotation. 80 % Prompt-Treue. Gleiche Biologie – weniger Fußnoten.
3. Das Modell, das "Anweisungen besser folgt", ist nicht zwangsläufig das Modell, das "besser aussieht"
GPT Image 2s höherer Treue-Score übersetzt sich nicht in universell besser aussehende Abbildungen. Durchschnittliche Ästhetik-Scores: 4,75 (GPT) vs 4,83 (NBP). Nano Banana Pro lag bei der visuellen Qualität leicht vor GPT Image 2, obwohl es weniger der angeforderten Elemente landete – weil das, was es landete, mit mehr Sorgfalt gerendert wurde.
4. Nano Banana Pro kann das falsche Konzept komplett halluzinieren
Der Möbiusband → Zylinder-Fehler ist keine stilistische Präferenz – es ist das Modell, das ein anderes mathematisches Objekt rendert als das spezifizierte. Die Hauptabbildung war strukturell ein Zylinder, kein Möbiusband mit einer Verdrehung. Diese Art von Fehler ist selten, aber folgenschwer: Sie würde jeden Studierenden oder Nicht-Experten-Betrachter in die Irre führen. Verifizieren Sie immer abstrakte oder unbekannte Konzepte visuell, bevor Sie eine Nano-Banana-Pro-Ausgabe als korrekt akzeptieren.
5. Beide Modelle können Nature-Cover-Qualitäts-Abbildungen produzieren
Unser Plattentektonik-Test punktete 19/20 für beide Modelle. Die geologischen Querschnittsdiagramme, die herauskamen – drei Grenztypen nebeneinander, Lithosphäre-/Asthenosphäre-Unterscheidung, Mantelkonvektionszellen, vertikale Tiefenskala – sehen aus wie Abbildungen aus National-Geographic- oder USGS-Publikationen. Die Wahl zwischen den beiden für hochwertige redaktionelle Abbildungen geht mehr um ästhetische Präferenz als um Fähigkeitslücken. Der Schwarzes-Loch-Akkretionsscheiben-Test machte den gleichen Punkt – beide Modelle erreichten Cover-Bild-Qualität bei einem schwierigen Astrophysik-Prompt.
GPT Image 2: rotierendes Kerr-Schwarzes-Loch mit Ereignishorizont, Photonensphäre, ISCO, Ergosphäre, Akkretionsscheibe-Temperaturgradient, relativistischer Jet, helikalen Magnetfeldlinien und Multi-View-Inset
GPT Image 2 — Astrophysik-Journal-Niveau: Titel "ROTATING KERR BLACK HOLE", vier Grenzen beschriftet (Event Horizon, Photon Sphere 1.5 Rs, ISCO, Ergosphere), Akkretionsscheibe-Temperaturgradient (10⁴ K → 10⁸ K) mit Seiten-Legende, helikale Magnetfeldlinien, die durch den Jet fädeln, Frame-Dragging-Pfeile, rechtshändige Koordinatenachsen, Multi-View-Inset (face-on + edge-on), Notes-Box mit Blandford-Znajek-Mechanismus-Referenz.
Nano Banana Pro: rotierendes Schwarzes Loch mit Akkretionsscheibe-Temperaturgradient, relativistischem Jet, Rotationsachse, Ergosphäre, Photonensphäre, ISCO-Beschriftungen und 1-Rs-Maßstabsbalken
Nano Banana Pro — gleiche wissenschaftliche Genauigkeit, gleicher Temperaturgradient durch Farbe codiert, Akkretionsscheiben-Dicke explizit als proportional zur Temperatur vermerkt. Etwas weniger Annotationen (kein Koordinatensystem, kein Multi-View-Inset, keine Magnetfeld-Beschriftungen), aber visuell auffällig genug, um auf einem Magazin-Cover zu landen. Beachten Sie den absichtlichen Negativraum um das Subjekt – Nano Banana Pro neigt dazu, der Abbildung in Astrophysik-Prompts Atemraum zu lassen, im Kontrast zu GPT Image 2s informationsdichter Rahmung oben. Das selbst ist ein Unterschied der Kompositionsphilosophie, der es wert ist, auf demselben Bildschirm gesehen zu werden.
Wann aus beiden generieren
Es gibt drei Situationen, in denen es richtig ist, beide Modelle auf demselben Prompt laufen zu lassen:
Hoch riskante Abbildungen. Paper-Abbildung 1, Förderantrag-Coverbild, Dissertationsverteidigungs-Folie. Die Kosten, zweimal zu generieren, sind zwei Runden Credits; die Kosten, das falsche Modell zu wählen, sind Tage von Revisionen oder ein gescheiterter Antrag.
Unbekannte oder abstrakte Konzepte. Alles in Topologie, fortgeschrittener Mathematik, fundamentaler Physik oder einer Domäne, von der Sie nicht sicher sind, ob beide Modelle viele Trainingsdaten gesehen haben. Visuelle Verifikation zählt.
Stil-A/B-Test. Wenn Sie wirklich nicht wissen, ob Ihr Publikum den dichten GPT-Image-2-Stil oder den redaktionellen Nano-Banana-Pro-Stil bevorzugt. Generieren Sie beide, zeigen Sie sie einer Kollegin, wählen Sie nach Reaktion.
Für die routinemäßigen 80 % der Abbildungen – klare wissenschaftliche Spezifikation, gängiges Subjekt, geringe Ambiguität – wählen Sie ein Default-Modell basierend auf dem Rahmenwerk oben und verschwenden Sie keine Credits. Für die 20 %, in denen die Kosten falsch zu liegen hoch sind, lassen Sie beide laufen.
Wenn Sie das Budget optimieren und nur einmal pro Abbildung generieren können, lassen Sie unser SciFig-Prompt-Framework laufen, bevor Sie beginnen. Ein gut konstruierter Prompt verkleinert die Lücke zwischen den beiden Modellen erheblich.
Warum wir diesem Verdikt vertrauen
Dieser Leitfaden ist in einem Benchmark verankert, den wir speziell dafür durchgeführt haben: 12 wissenschaftliche Prompts über 10 Disziplinen, generiert über Kie.ai (derselbe API-Lieferant, den SciFig in der Produktion nutzt), jeder bewertet auf sechs Dimensionen mit expliziten Rubriken und festgehaltener Begründung. Beide Modelle wurden am selben Tag unter identischen Parametern getestet: 16:9-Seitenverhältnis, 2K-Auflösung.
Jeder Prompt und jede generierte Abbildung sind öffentlich zugänglich unter /inspiration?model=gpt-image-2 und /inspiration?model=nano-banana-pro. Die vollständige Bewertungsmatrix steht im Begleit-Benchmark-Post. Wenn Sie irgendeinen Prompt erneut ausführen und ein anderes Ergebnis erhalten, ist das nützliche Information – bitte sagen Sie es uns. Die Transparenz ist beabsichtigt: Marketingansprüche von OpenAI und Google sind unverifizierbar; reproduzierbare Direktvergleichs-Tests sind der einzige ehrliche Weg, Flaggschiff-Modelle in 2026 zu vergleichen.
Das transparente Re-Test-Protokoll ist das eigentliche Verdikt. Marketingansprüche von OpenAI und Google sind unverifizierbar. Direktvergleichs-replizierbare Tests – dieselben Prompts, dieselben Parameter, alle 24 Roh-Outputs veröffentlicht – sind der einzige ehrliche Weg, Flaggschiff-Bildmodelle in 2026 zu vergleichen. Wenn Ihr Re-Test unserem widerspricht, ist diese Meinungsverschiedenheit nützlicher als ein weiterer Marketing-Post.
Häufig gestellte Fragen
GPT Image 2 – aber nur, weil Chemie, abstrakte Mathematik und Long-Prompt-Treue die Situationen sind, in denen die falsche Wahl am teuersten ist. Nano Banana Pro produziert im Schnitt stilistisch bessere Outputs, aber seine Fehler-Modi (fehlende Chemie-Konventionen, konzeptuelle Topologie-Fehler) sind die Art, die im Peer-Review hängenbleibt. Wenn Sie einen Default wählen müssen, wählen Sie das Modell, dessen Fehler-Modi für Ihre spezifische Arbeit am wenigsten katastrophal sind.
Die Ästhetik-Scores werden im Laufe der Zeit wahrscheinlich konvergieren, da beide Unternehmen ihre Flaggschiff-Modelle gegeneinander tunen. Die strukturellen Erkenntnisse – Long-Prompt-Treue, Chemie-Notations-Strenge, Topologie-Rendering – sind an tiefere architektonische Entscheidungen gebunden und werden wahrscheinlich stabiler sein. Wir planen, diesen Benchmark alle sechs Monate erneut auszuführen und beide Posts zu aktualisieren.
Plattentektonik ist gut in Geologie-Lehrbüchern und in Online-Geologiebildmaterial vertreten, sodass beide Modelle reichlich Trainingssignal haben. Möbiusband ist in Trainingskorpora viel seltener – und wenn Trainingsdaten spärlich sind, neigen Modelle dazu, auf das gängigere Konzept zurückzufallen. Nano Banana Pros "Default zu Zylinder"-Verhalten beim Möbius-Prompt sieht eher nach einem Trainingsdaten-Artefakt aus als nach einer absichtlichen Designentscheidung.
Ja. Die kostenlose Stufe enthält genug Credits, um 4–6 Abbildungen zu generieren – reichlich für einen Direktvergleichstest mit Ihrem eigenen Prompt. Öffnen Sie Text-zu-Abbildung, generieren Sie einmal mit jedem Modell ausgewählt und vergleichen Sie die Outputs. Dieser hands-on Vergleich ist informativer als jeder Benchmark, den wir veröffentlichen können.
Generierungs-Latenz ist auf der SciFig-Pipeline grob vergleichbar (30–60 Sekunden pro Abbildung für beide, typisch). Geschwindigkeit ist selten der limitierende Faktor für die Wahl zwischen Flaggschiffen – die Eignung der Ausgabe ist es. Wenn rohe Generierungsgeschwindigkeit am wichtigsten ist (z. B. Live-Demonstrationen), ist das kleinere Nano-Banana-2-Modell schneller als beide Flaggschiffe und bleibt in SciFig verfügbar.
Nicht direkt. DALL-E 3 und Imagen 2 sind Vorgänger-Modelle; ihr Verhalten bei dichten wissenschaftlichen Prompts unterscheidet sich bedeutsam von ihren 2026-Flaggschiff-Nachfolgern. Wir haben nur die aktuellen Flaggschiffe getestet, weil das die Wahl ist, vor der Forschende 2026 tatsächlich stehen, wenn sie ein Default-Modell wählen.
