과학 그림 생성을 위한 GPT Image 2와 Nano Banana Pro를 품질, 속도, 비용, 출판 적합성으로 비교합니다.
SciFig Team
Scientific Illustration Experts
OpenAI는 GPT Image 2가 역대 가장 진보된 이미지 모델이라고 말합니다. 구글은 Nano Banana Pro가 Gemini 3 패밀리의 최고라고 말합니다. 두 주장 모두 기술적으로 방어 가능하며 — 둘 다 실제로 중요한 질문에는 쓸모가 없습니다. 어느 것이 세포 신호 전달 경로 다이어그램을 첫 시도에 올바르게 렌더링하는가? 저희는 두 모델로 24개의 실제 과학 그림을 실행했습니다. 승자는 여러분이 가정할 만한 인물이 아니며 — 답은 출력이 Cell로 향하는지, 학회 포스터로 향하는지, 트위터 스레드로 향하는지에 따라 달라집니다.
"어느 것이 더 좋은가" 뒤의 진짜 질문
"2026년에 어느 AI 이미지 모델이 더 좋은가"를 묻는 것은 잘못된 프레이밍입니다. 두 모델 모두 좋습니다. 연구자에게 솔직한 질문은 더 좁습니다. 오늘 만들려는 특정 종류의 도형에 대해 어느 것이 첫 시도에 사용 가능한 결과를 제공할 가능성이 더 높은가?
저희의 10개 분야에 걸친 24개 도형 일대일 벤치마크에서, 평결은 일방적인 승리가 아니었습니다. GPT Image 2가 8개 프롬프트, Nano Banana Pro가 3개 프롬프트, 그리고 하나는 무승부로 끝났습니다. 그러나 승리가 군집했습니다. GPT Image 2는 과학 표기법이 빽빽하고 엄격한 어디서든 지배합니다; Nano Banana Pro는 편집 단순성이 이기는 어디서든 지배합니다. 선택의 기술은 잘못된 모델에 50 크레딧을 태우기 전에 도형이 어느 쪽에 떨어지는지 인식하는 것입니다.
최상위 권장: GPT Image 2. 12개 일대일 프롬프트 중 GPT Image 2는 8승, 1무, 3패만 했습니다 — 그리고 패배는 과학적 정확성이 아닌 스타일적인 것(Nano Banana Pro의 CRISPR / Transformer / 포토리소그래피에서의 편집 다듬기)이었습니다. 승리에는 두 번의 결정적 압승(화학: 20 vs 15; 추상 위상수학: 20 vs 11)이 포함되었으며, 이는 실제 논문에서 잘못하면 비싼 대가를 치를 것들입니다. 출력이 슬라이드 덱, 학회 포스터, 또는 소셜 미디어로 가지 않는 한 GPT Image 2를 기본으로 사용하세요 — 그곳에서는 Nano Banana Pro의 가독성 우위가 인계받습니다. 아래 모든 것은 이 한 줄 답의 미묘한 버전입니다.
세 가지 결정적 발견 (그리고 왜 이것들이 여러분에게도 적용될 가능성이 높은지)
저희는 24개 도형 벤치마크에서 기본으로 어느 모델을 손대야 할지를 바꿔야 할 세 가지 발견을 추출했습니다. 이들은 점수 격차가 동전 던지기로 잘못된 답을 낼 만큼 충분히 크다는 의미에서 결정적입니다.
발견 1: 화학 논문은 GPT Image 2를 사용해야 함 (근접조차 못함)
저희의 SN2 치환 메커니즘 테스트가 전체 벤치마크에서 가장 큰 단일 프롬프트 격차를 만들어냈습니다. GPT Image 2가 20/20, Nano Banana Pro가 15/20 점수. 차이는 표기 정밀성에서 왔습니다. GPT Image 2는 전이 상태에 더블 대거 ‡ 심볼을 그렸고, 반응물과 생성물에 R 및 S 입체화학 구성을 라벨링했고, 삼각 평면에 평평한 세 개의 수소를 가진 5배위 탄소를 렌더링했고, Ea 활성화 에너지가 라벨링된 완전한 에너지 다이어그램 인셋을 포함했고, 친핵체 / 이탈기 / 탄소 / 수소를 식별하는 4색 범례를 추가했습니다.
Nano Banana Pro는 알아볼 수 있는 SN2 도형을 만들었지만 이러한 관습 거의 모두를 놓쳤습니다. JACS, Angewandte Chemie, Organic Letters, 또는 리뷰어가 반응 메커니즘 표기법에 신경 쓰는 어떤 저널로 향하는 화학 논문의 경우 — GPT Image 2가 유일한 정상적인 기본값입니다.
GPT Image 2: 더블 대거 전이 상태, R-S 입체화학, 색상 원소 범례를 포함한 전체 화학 표기법이 있는 SN2 치환 메커니즘
GPT Image 2 — 모든 표준 화학 관습이 렌더링됨. 점수 20/20.
Nano Banana Pro: SN2 치환 메커니즘은 알아볼 수 있지만 더블 대거 및 R-S 입체화학 주석과 색상 범례 누락
Nano Banana Pro — 알아볼 수 있는 메커니즘이지만 더블 대거, R/S 입체화학, 원소 색상 범례가 모두 누락됨. 점수 15/20 — 저희의 가장 큰 단일 프롬프트 격차.
발견 2: 추상 3D 위상수학이 Nano Banana Pro를 깨뜨릴 수 있음
이것이 저희 벤치마크에서 가장 놀라운 단일 결과였습니다. 프롬프트는 반회전이 있는 3D 렌더링된 뫼비우스 띠와, 그것을 일반 방향성 원통과 비교하는 작은 인셋을 요청했습니다. GPT Image 2는 정확히 그것을 제공했습니다. 주 도형에 믿을 만한 3D 뫼비우스 띠, 모서리에 "방향성 원통, 두 개의 별개 가장자리, 양면 표면"이라고 라벨된 작은 원통, 그리고 수학 블록으로 렌더링된 전체 매개변수 방정식.
Nano Banana Pro는 이를 거꾸로 했습니다. 주 도형은 회전이 없는 평범한 원통을 보여주었고; 실제 뫼비우스 띠는 작은 모서리 인셋에만 나타났습니다. 이는 스타일적 선택을 넘어선 것입니다 — 렌더링을 보는 어떤 학생이라도 오도할 만큼 심각한 개념적 오류입니다. 점수: 20 vs 11, 저희의 두 번째로 큰 격차. 추상 수학적 객체, 특히 위상수학과 기하학의 경우, GPT Image 2를 기본으로 하고 출력을 받아들이기 전에 시각적으로 검증하세요.
GPT Image 2: 보이는 반회전이 있는 3D 뫼비우스 띠와 비교를 위한 방향성 원통 인셋과 매개변수 방정식
GPT Image 2 — 반회전이 명확히 보이는 믿을 만한 3D 뫼비우스 띠. 원통은 프롬프트가 요청한 그대로 모서리 인셋에 있음.
Nano Banana Pro: 반회전이 없는 평범한 원통으로 잘못 렌더링됨, 실제 뫼비우스 띠는 작은 모서리 인셋으로 강등됨
Nano Banana Pro — 주 도형은 뫼비우스 띠가 아닌 평범한 원통임. 실제 뫼비우스 띠는 작은 모서리 인셋으로 축소됨. 개념적 렌더링 실패.
발견 3: 학회 슬라이드와 포스터는 Nano Banana Pro를 기본으로 해야 함
이 발견은 처음 두 가지의 역입니다. 저희의 24개 도형 전반에 걸쳐 Nano Banana Pro는 일관되게 가독성(평균 4.67 vs 4.25)과 미적 측면(평균 4.83 vs 4.75)에서 더 높은 점수를 받았습니다. 프롬프트가 사양보다 증류에 보상하는 곳에서 Nano Banana Pro가 이기는 경향이 있습니다.
가장 명확한 사례는 포토리소그래피 프로세스 도형이었습니다. Nano Banana Pro는 저희가 요청하지 않은 창의적인 구성 선택을 했고, 6개 프로세스 단계 각각을 위에 "상세 보기" 패널과 아래에 "단순화된 단면도" 패널로 분할했습니다 — 정확히 IEEE 교과서가 반도체 프로세스를 제시하는 방식입니다. 결과는 벤치마크에서 가장 높은 점수의 공학 도형(19/20)이었습니다.
시청자가 도형당 10~30초를 가지는 슬라이드 덱, 포스터, 교육 자료의 경우 Nano Banana Pro가 더 나은 기본값입니다. GPT Image 2가 도형에 더 많은 정보를 채울 때조차, 동료 심사 논문에서 도움이 되는 정보 밀도가 프레젠테이션에서는 적극적으로 해를 끼칩니다.
GPT Image 2: 일관된 레이어 적층과 라벨링된 UV 광원, 포토마스크, 현상액이 있는 6개 가로 패널의 포토리소그래피 프로세스
GPT Image 2 — 단일 행 6패널 시퀀스, 컴팩트하고 명확함. 점수 17/20.
Nano Banana Pro: 위에 상세 보기와 아래에 단순화된 단면도가 있는 6개의 듀얼 패널 컬럼으로 된 포토리소그래피 프로세스
Nano Banana Pro — 동일한 6단계지만 각각이 듀얼 패널로 렌더링됨: 위에 상세 보기, 아래에 단순화된 단면도. 이는 IEEE 교과서가 실제로 포토리소그래피를 제시하는 방식임. 점수 19/20 — 저희의 가장 높은 점수 공학 도형.
두 모델 모두 텍스트-투-도형 안의 동일한 모델 선택기에서 액세스 가능합니다. 아래 결정 트리는 경험 많은 연구 일러스트레이터가 어떻게 선택할지를 반영합니다.
출력이 동료 심사 저널로 향한다면
화학, 생화학, 유기화학 논문 → GPT Image 2 (결정적, 발견 1 참조)
공식, 축, 스케일 바가 있는 물리학 또는 응용 수학 → GPT Image 2 (긴 프롬프트 충실도)
위상수학, 다양체, 추상 기하학 → GPT Image 2 (NBP가 개념적으로 실패할 수 있음, 발견 2 참조)
세포생물학, 신호 전달 경로, 분자 메커니즘 → 둘 다, 그러나 NBP의 BioRender 스타일이 가끔 Nature Methods 및 Cell Reports Methods 편집자에 의해 선호됨
임상 / 해부학 → 둘 다; 비교 가능한 출력에 대해 예시 갤러리를 확인하고 시각적 적합성으로 선택
출력이 학회 또는 발표로 향한다면
10분 발표용 슬라이드 덱 → Nano Banana Pro (발견 3)
학회 포스터 (A0 / A1 크기) → 도형이 디테일이 중요하지 않다면 Nano Banana Pro (디테일이 중요한 경우 GPT Image 2 + 벡터 캔버스에서 수동 정리)
랩 미팅 / 저널 클럽 설명 → 명확성을 위해 Nano Banana Pro, 그런 다음 반복
출력이 웹으로 간다면
Twitter / LinkedIn / 블로그 게시물 헤더 → Nano Banana Pro (작은 썸네일 크기에서 더 깔끔)
대학 연구실 홈페이지 → Nano Banana Pro
연구비 제안서 표지 이미지 → 기관 리뷰어가 기술적이라면 GPT Image 2; 리뷰어가 더 광범위한 청중이라면 Nano Banana Pro
확실하지 않다면
둘 다에서 나란히 생성하세요. SciFig는 모델에 관계없이 생성당 동일하게 청구하며, 모델 선택기는 텍스트-투-도형에서 한 번의 클릭입니다. 고위험 도형(논문 도형 1, 연구비 표지 이미지, 박사 학위 방어 슬라이드)의 경우, 두 버전을 생성하고 더 나은 것을 선택하는 것이 어쨌든 모든 선임 PI가 할 일입니다. 시작하기 전에 각 모델의 실제 출력을 나란히 둘러볼 수 있도록 영감을 만들기까지 했습니다.
들어갈 때, 저희는 GPT Image 2가 더 새로운 출시이기 때문에 모든 것을 지배할 것으로 예상했습니다. 그러지 않았습니다. Nano Banana Pro가 세 프롬프트(CRISPR-Cas9, Transformer 아키텍처, 포토리소그래피)에서 완전히 이겼습니다 — 그리고 승리는 근접하지 않았습니다. 교훈: 실제로 필요한 도형 유형에서 더 큰 마케팅을 가진 모델이 이긴다고 가정하지 마세요.
GPT Image 2: Encoder Nx Decoder Nx 다중 헤드 어텐션 Q K V 투영 교차 어텐션 피드 포워드 Add Norm Linear Softmax 출력이 있는 Transformer 아키텍처 다이어그램
GPT Image 2 — 모든 구성 요소가 높은 정밀성으로 라벨됨("두 개의 Linear 레이어 + ReLU", "인코더 출력의 Keys, Values, 디코더의 Query", "사인 곡선" 위치 인코딩). 평면 2D 블록. 점수 16/20.
Nano Banana Pro: 3D 레이어 적층 인코더 및 디코더 스택과 명시적 K V Q 교차 어텐션 화살표, 파형 위치 인코딩 아이콘이 있는 Transformer 아키텍처
Nano Banana Pro — 동일한 구성 요소지만 인코더/디코더가 시각적으로 적층된 레이어 블록(Nx 적층)으로 렌더링됨, K/V/Q 교차 어텐션 화살표가 인코더에서 디코더로 명시적으로 추적됨, 위치 인코딩이 작은 파형 아이콘까지 받음. 여기서 구조적 직관이 이김. 점수 18/20.
2. 긴 프롬프트 충실도는 작은 격차가 아니라 13포인트 격차임
24개 도형에 걸쳐, GPT Image 2는 평균 99.2%의 프롬프트 요소 충실도; Nano Banana Pro는 평균 86.1%였습니다. 그것은 실제이고 재현 가능한 격차이며, 프롬프트 복잡도와 함께 확장됩니다. 최소한의 프롬프트("세포 신호 전달 경로 다이어그램")를 작성하면 차이가 줄어듭니다. 과학 AI 프롬프트 마스터하기에서 권장하는 종류의 상세하고 완전히 명세된 프롬프트를 작성하면 차이가 결정적입니다.
GPT Image 2: 리간드 결합 수용체 이량체화, GRB2 SOS RAS-GTP RAF MEK ERK 전사 인자 핵 전위, 표적 유전자 발현, 전체 색상 범례가 있는 EGFR RAS MAPK 신호 전달 캐스케이드
GPT Image 2 — 명시적 GDP→GTP 교환, 두 단계 라벨링(1: EGF 결합, 2: 이량체화 + 자가인산화), 세 가지 전사 인자 모두(ELK1 / c-Fos / c-Jun), 프로모터 영역(SRE / AP-1 Site), 특정 표적 유전자(Cyclin D1, c-Myc), 6범주 색상 범례를 포함한 전체 신호 전달 캐스케이드. 100% 프롬프트 충실도.
Nano Banana Pro: 핵공 복합체와 함께 수용체 활성화에서 전사까지의 단일 이미지 흐름으로 렌더링된 EGFR RAS MAPK 신호 전달 캐스케이드, 그러나 색상 범례와 표적 유전자 이름 누락
Nano Banana Pro — 캐스케이드에 동일한 과학적 정확성, 멋진 해부학적 디테일(핵공 복합체가 명시적으로 표시됨), 그러나 색상 범례, SRE/AP-1 Site 프로모터 분류, 특정 표적 유전자(Cyclin D1, c-Myc), SH2 도메인 주석이 누락됨. 80% 프롬프트 충실도. 동일한 생물학 — 더 적은 각주.
3. "지시를 더 잘 따르는" 모델이 반드시 "더 잘 보이는" 모델은 아님
GPT Image 2의 더 높은 충실도 점수가 보편적으로 더 잘 보이는 도형으로 번역되지 않습니다. 평균 미적 점수: 4.75 (GPT) vs 4.83 (NBP). Nano Banana Pro가 요청된 요소를 더 적게 담아냈음에도 불구하고 시각적 품질에서 GPT Image 2를 약간 앞섰습니다 — 담아낸 것이 더 신중하게 렌더링되었기 때문입니다.
4. Nano Banana Pro가 완전히 잘못된 개념을 환각할 수 있음
뫼비우스 띠 → 원통 실패는 스타일적 선호가 아닙니다 — 모델이 명세된 것과 다른 수학적 객체를 렌더링하는 것입니다. 주 도형은 비틀림이 있는 뫼비우스 띠가 아니라 구조적으로 원통이었습니다. 이런 종류의 실패는 드물지만 결과적입니다. 어떤 학생이나 비전문가 시청자라도 오도할 것입니다. Nano Banana Pro 출력을 올바른 것으로 받아들이기 전에 항상 추상적이거나 익숙하지 않은 개념을 시각적으로 검증하세요.
5. 두 모델 모두 Nature 표지 품질 도형을 만들 수 있음
저희의 판 구조론 테스트는 두 모델 모두 19/20 점수를 받았습니다. 나온 지질 단면 다이어그램 — 나란히 있는 세 가지 경계 유형, 암석권/연약권 구분, 맨틀 대류 셀, 수직 깊이 척도 — 은 National Geographic이나 USGS 출판물의 도형처럼 보입니다. 고급 편집 도형을 위한 두 모델 사이의 선택은 능력 격차보다 미적 선호에 더 관한 것입니다. 블랙홀 강착 원반 테스트가 동일한 점을 만들어냈습니다 — 두 모델 모두 어려운 천체물리학 프롬프트에서 표지 이미지 품질에 도달했습니다.
GPT Image 2: 사건의 지평선, 광자 구, ISCO, 에르고 권, 강착 원반 온도 기울기, 상대론적 제트, 나선형 자기장 선, 다중 보기 인셋이 있는 회전하는 커 블랙홀
GPT Image 2 — 천체물리학 저널 수준: "회전하는 커 블랙홀"이라는 제목, 라벨된 4개 경계(사건의 지평선, 광자 구 1.5 Rs, ISCO, 에르고 권), 측면 범례가 있는 강착 원반 온도 기울기(10⁴ K → 10⁸ K), 제트를 관통하는 나선형 자기장 선, 프레임 끌림 화살표, 오른손 좌표 축, 다중 보기 인셋(정면 + 측면), Blandford-Znajek 메커니즘 참조가 있는 Notes 박스.
Nano Banana Pro: 강착 원반 온도 기울기, 상대론적 제트, 회전 축, 에르고 권, 광자 구, ISCO 라벨, 1 Rs 스케일 바가 있는 회전하는 블랙홀
Nano Banana Pro — 동일한 과학적 정확성, 색상으로 인코딩된 동일한 온도 기울기, 강착 원반 두께가 명시적으로 온도에 비례한다고 표시됨. 약간 더 적은 주석(좌표계 없음, 다중 보기 인셋 없음, 자기장 라벨 없음), 그러나 잡지 표지에 실릴 만큼 시각적으로 인상적임. 주제를 둘러싼 의도적인 음의 공간을 주목하세요 — Nano Banana Pro는 천체물리학 프롬프트에서 도형이 숨 쉴 공간을 남기는 경향이 있으며, 위 GPT Image 2의 정보 밀집 프레이밍과 대조됨. 이 자체가 동일한 화면에서 볼 가치가 있는 구성 철학 차이입니다.
둘 다에서 생성해야 할 때
동일한 프롬프트에서 두 모델을 모두 실행하는 것이 올바른 행동인 세 가지 상황이 있습니다.
고위험 도형. 논문 도형 1, 연구비 제안서 표지 이미지, 박사 학위 방어 슬라이드. 두 번 생성하는 비용은 두 라운드의 크레딧입니다; 잘못된 모델을 선택하는 비용은 며칠의 수정이나 실패한 연구비입니다.
익숙하지 않거나 추상적인 개념. 위상수학, 고급 수학, 기초 물리학, 또는 어느 모델이 충분한 훈련 데이터를 봤는지 확신할 수 없는 도메인의 모든 것. 시각적 검증이 중요합니다.
스타일 A/B 테스트. 청중이 빽빽한 GPT Image 2 스타일을 선호하는지 편집적인 Nano Banana Pro 스타일을 선호하는지 진정으로 모를 때. 둘 다 생성하고, 동료에게 보여주고, 반응으로 선택하세요.
도형의 일상적인 80%의 경우 — 명확한 과학적 사양, 흔한 주제, 낮은 모호성 — 위 프레임워크에 기반해 기본 모델을 선택하고 크레딧을 낭비하지 마세요. 잘못된 비용이 큰 20%의 경우, 둘 다 실행하세요.
예산을 최적화하고 도형당 한 번만 생성할 수 있다면, 시작하기 전에 SciFig 프롬프트 프레임워크를 실행하세요. 잘 구성된 프롬프트는 두 모델 사이의 격차를 상당히 좁힙니다.
이 평결을 신뢰하는 이유
이 가이드는 저희가 그것을 위해 특별히 실행한 벤치마크에 기반합니다. 10개 분야에 걸친 12개의 과학 프롬프트, Kie.ai(SciFig가 프로덕션에서 사용하는 동일한 API 공급자)를 통해 생성, 명시적 루브릭과 기록된 추론으로 6개 차원에서 채점된 각각. 두 모델 모두 동일한 매개변수로 같은 날 테스트되었습니다: 16:9 종횡비, 2K 해상도.
모든 프롬프트와 모든 생성된 도형이 /inspiration?model=gpt-image-2와 /inspiration?model=nano-banana-pro에서 공개적으로 액세스 가능합니다. 전체 채점 행렬은 동반 벤치마크 게시물에 있습니다. 어떤 프롬프트든 다시 실행해서 다른 결과를 얻으면, 그것은 유용한 정보입니다 — 알려주세요. 투명성은 의도적입니다. OpenAI와 구글의 마케팅 주장은 검증 불가능합니다; 재현 가능한 나란히 테스트가 2026년에 플래그십 모델을 비교하는 유일한 정직한 방법입니다.
투명한 재테스트 프로토콜이 진짜 평결입니다. OpenAI와 구글의 마케팅 주장은 검증 불가능합니다. 나란히 재현 가능한 테스트 — 동일한 프롬프트, 동일한 매개변수, 24개의 모든 원시 출력물 공개 — 가 2026년에 플래그십 이미지 모델을 비교하는 유일한 정직한 방법입니다. 여러분의 재테스트가 저희와 모순된다면, 그 불일치는 또 다른 마케팅 게시물보다 더 유용합니다.
자주 묻는 질문
GPT Image 2 — 그러나 화학, 추상 수학, 긴 프롬프트 충실도가 잘못된 선택이 가장 비용이 큰 상황이기 때문일 뿐입니다. Nano Banana Pro는 평균적으로 스타일적으로 더 나은 출력을 만들지만, 그 실패 모드(누락된 화학 관습, 개념적 위상수학 오류)는 동료 심사에서 잡히는 종류입니다. 하나의 기본값을 선택해야 한다면, 특정 작업에 가장 덜 치명적인 실패 모드를 가진 모델을 선택하세요.
미적 점수는 두 회사가 자사 플래그십 모델을 서로에 맞춰 조정하면서 시간이 지남에 따라 수렴할 가능성이 있습니다. 구조적 발견 — 긴 프롬프트 충실도, 화학 표기 정밀성, 위상수학 렌더링 — 은 더 깊은 아키텍처 선택과 연결되어 있어 더 안정적일 가능성이 있습니다. 6개월마다 이 벤치마크를 다시 실행하고 두 게시물을 모두 업데이트할 계획입니다.
판 구조론은 지질학 교과서와 온라인 지질학 이미지에 잘 표현되어 있어 두 모델 모두 풍부한 훈련 신호를 가집니다. 뫼비우스 띠는 훈련 코퍼스에서 훨씬 드뭅니다 — 그리고 훈련 데이터가 희소할 때, 모델은 더 흔한 개념으로 기본 설정되는 경향이 있습니다. 뫼비우스 프롬프트에서의 Nano Banana Pro의 "원통으로 기본 설정" 행동은 의도적인 디자인 선택이 아니라 훈련 데이터 아티팩트처럼 보입니다.
예. 무료 티어에는 4~6개의 도형을 생성하기에 충분한 크레딧이 포함되며, 자신의 프롬프트에서 나란히 테스트하기에 충분합니다. 텍스트-투-도형을 열고, 선택된 각 모델로 한 번 생성하고, 출력을 비교하세요. 그 직접적인 비교는 저희가 게시할 수 있는 어떤 벤치마크보다 유익합니다.
생성 지연 시간은 SciFig 파이프라인에서 대략 비교 가능합니다(둘 다 도형당 30~60초, 일반적). 속도는 플래그십 사이를 선택하는 데 거의 제한 요인이 되지 않습니다 — 출력 적합성이 그렇습니다. 원시 생성 속도가 가장 중요하다면(예: 라이브 시연), 더 작은 Nano Banana 2 모델이 어느 플래그십보다 빠르며 SciFig에서 사용할 수 있습니다.
직접적으로는 아닙니다. DALL-E 3와 Imagen 2는 이전 세대 모델입니다; 빽빽한 과학 프롬프트에서의 행동은 2026년 플래그십 후속 모델과 의미 있게 다릅니다. 저희는 현재 플래그십만 테스트했는데, 그것이 2026년 연구자들이 기본 모델을 선택할 때 실제로 직면하는 선택이기 때문입니다.
