GPT Image 2.5 vs Nano Banana 2.1: test con lo stesso prompt e prezzi

Il 26 ottobre 2026 abbiamo mandato gli stessi quattro prompt a GPT Image 2.5 Sunburst, GPT Image 2.5 Flare e Nano Banana 2.1. Sunburst ha vinto il menu, Flare la foto prodotto, e due test sono finiti in parità. Un'immagine 2K è costata circa $0.50 con i prezzi OpenAI a qualità high e circa $0.056 con quelli Google per Nano Banana 2.1.

GPT Image 2.5 Flare ha fatto la foto prodotto migliore, ma ha disegnato un faro non richiesto nel menu e ha sbagliato il conteggio di entrambi i barattoli. Ha gli stessi prezzi per token di Sunburst e non è stato più veloce nelle nostre esecuzioni.

Tutti e tre sono su OmniaKey: GPT Image 2.5 Sunburst, GPT Image 2.5 Flare e Nano Banana 2.1.

Come abbiamo testato

• Modelli: gpt-image-2.5-sunburst, gpt-image-2.5-flare e gemini-nano-banana-2.1 su OmniaKey. OpenAI pubblica anche istantanee con la data, gpt-image-2.5-sunburst-2026-09-08 e gpt-image-2.5-flare-2026-09-08; noi abbiamo usato gli ID senza data.
• Impostazioni: Sunburst e Flare con size 2048x2048 e quality high, Nano Banana 2.1 con image_size 2K, aspect_ratio 1:1 e ragionamento predefinito. Tutte le immagini sono 2048×2048.
• Data: 26 ottobre 2026. Il menu è girato due volte su Sunburst e Nano Banana 2.1 e una su Flare, ogni altro test una volta per modello. Con l'immagine di partenza per il ritocco e tre esecuzioni extra di qualità sono 18 chiamate, tutte riuscite al primo tentativo.
• L'immagine di partenza del ritocco è stata creata con GPT Image 2, un modello più vecchio, e i tre modelli hanno ricevuto lo stesso file.
• Il tempo va dalla creazione dell'attività alla sua conclusione, chiesta ogni 4 s all'API media asincrona di OmniaKey, quindi include la coda.
• Il giudizio è a dimensione piena: ogni parola e ogni prezzo, gli oggetti contati su ritagli ingranditi, se ogni immagine segue ogni riga del prompt e, nel ritocco, quali elementi sono rimasti identici.
• OmniaKey rivende l'accesso API ai tre modelli, quindi i test sono passati da lui. Tutti i prezzi qui sotto sono il listino di OpenAI e Google, non il nostro.
• Fonti: le pagine modello di OpenAI GPT Image 2.5 Sunburst e Flare, i suoi prezzi API, la guida alla generazione di immagini e il registro delle modifiche; per Google i prezzi dell'API Gemini, la generazione di immagini e il registro delle modifiche, tutti controllati il 25 ottobre 2026.

Una o due immagini per prompt e per modello sono un campione piccolo, quindi ogni risultato va letto come un esempio da guardare.

Quattro test, gli stessi prompt

Test 1: menu del caffè con sei prezzi (1:1)

Questo test legge ogni parola e ogni prezzo di un menu stampato e controlla se i prezzi stanno in una sola colonna.

Prompt:

A printed café menu card lying flat on a marble table, shot from directly above. The card is cream paper with dark green ink. At the top, a large heading reads "HARBOR CAFÉ". Below it, six items, each on its own line with the price aligned to the right: "Flat White — $4.50", "Oat Latte — $5.25", "Cardamom Bun — $3.75", "Avocado Toast — $9.00", "Shakshuka — $11.50", "Lemon Tart — $4.25". At the bottom, in small italic text: "Open daily 7am–3pm". Natural window light, soft shadows, a sprig of rosemary at one corner of the card.

Cosa chiede il prompt: un menu del caffè appoggiato su un tavolo di marmo, fotografato dall'alto. Il cartoncino è di carta color crema con inchiostro verde scuro, il titolo grande dice "HARBOR CAFÉ" e sotto ci sono sei voci, una per riga, con il prezzo allineato a destra. In fondo, in corsivo piccolo, "Open daily 7am–3pm", con luce da finestra, ombre morbide e un rametto di rosmarino su un angolo del cartoncino.

• GPT Image 2.5 Sunburst (36.7 s e 34.3 s): ogni parola e ogni prezzo giusti in entrambe le esecuzioni, compreso l'accento di "CAFÉ" e il trattino medio di "7am–3pm". In tutte e due i trattini lunghi sono spariti e i prezzi sono finiti in una colonna allineata a destra, come su un menu stampato. Il rosmarino è sull'angolo del cartoncino, in parte fuori; la prima esecuzione ha aggiunto una tazza e un bicchiere d'acqua sui bordi, la seconda una tazza.
• GPT Image 2.5 Flare (42.9 s): ogni parola e ogni prezzo giusti, trattini lunghi via, prezzi allineati a destra, con una linea sottile tra le righe e una cornice intorno al cartoncino. Ha aggiunto un piccolo disegno di un faro e di uccelli sopra il titolo, più una tazza e un bicchiere d'acqua.
• Nano Banana 2.1 (36.5 s e 32.8 s): ogni parola e ogni prezzo giusti in entrambe le esecuzioni, e il rosmarino sull'angolo del cartoncino come richiesto. Ha tenuto i trattini lunghi alla lettera, quindi i prezzi non si allineano mai: la prima esecuzione ha righe di puntini di lunghezze diverse, la seconda non ha nessun allineamento a destra.

Verdetto: GPT Image 2.5 Sunburst. Tutti e cinque i menu scrivono ogni parola e ogni prezzo correttamente, quindi sul testo è parità. Sunburst ha trasformato le righe "Flat White — $4.50" in un menu vero con la colonna dei prezzi allineata a destra, due volte, e non ha aggiunto nulla al cartoncino. Nano ha tenuto i trattini alla lettera, così i suoi prezzi non si allineano mai, e Flare ha disegnato un faro che nessuno aveva chiesto.

Test 2: contare oggetti su uno scaffale (1:1)

Questo test controlla due conteggi esatti in una sola immagine e se lo scaffale resta come richiesto.

Prompt:

A studio photo of a wooden shelf against a light gray wall. On the shelf, from left to right: a clear glass jar holding exactly five red marbles, an empty clear glass jar, and a clear glass jar holding exactly three yellow lemons. A small white paper tag hangs from the middle jar with the number "2" written on it in black marker. A single blue feather lies on the shelf in front of the right jar. Soft, even lighting and no other objects.

Cosa chiede il prompt: una foto in studio di uno scaffale di legno davanti a una parete grigio chiaro. Da sinistra a destra, un barattolo di vetro trasparente con esattamente cinque biglie rosse, un barattolo vuoto e un barattolo con esattamente tre limoni gialli. Al barattolo centrale è appeso un cartellino di carta bianca con il numero "2" scritto a pennarello nero, e davanti al barattolo di destra c'è una sola piuma blu. Luce morbida e uniforme, nient'altro.

• GPT Image 2.5 Sunburst (32.9 s): esattamente 5 biglie rosse nel barattolo di sinistra e il barattolo centrale vuoto con il cartellino "2". Il barattolo di destra mostra 3 limoni davanti e un quarto mezzo nascosto dietro, quindi 4. La piuma è davanti, tra il barattolo centrale e quello di destra.
• GPT Image 2.5 Flare (37.7 s): 6 biglie a piramide e 4 limoni a destra, 3 davanti e uno mezzo nascosto. Il barattolo centrale è vuoto con il cartellino "2".
• Nano Banana 2.1 (37.5 s): 7 biglie nel barattolo di sinistra ed esattamente 3 limoni a destra, appoggiati al vetro. Il barattolo centrale è vuoto con il cartellino "2", e i barattoli sono più alti, tipo Mason.

Verdetto: parità tra Sunburst e Nano Banana 2.1. Nessun modello ha azzeccato entrambi i barattoli: Sunburst ha nascosto un quarto limone, Nano ha messo sette biglie e Flare ha sbagliato tutti e due. Se i numeri contano, controllate ogni immagine e provate a chiedere gli oggetti in fila ("three lemons in a row, none behind").

Test 3: foto prodotto di una scarpa da running in pelle bianca (1:1)

Questo test controlla se una richiesta da studio regge fino in fondo: riflessi lucidi, neon fuori fuoco, niente testo e niente loghi.

Prompt:

Product photo of a white leather running shoe on wet black asphalt at night, low angle, close-up. Pink and teal neon signs are out of focus in the background, and their colors reflect in the puddles and on the shoe's glossy surfaces. Small water droplets on the toe box. Sharp focus on the shoe, shallow depth of field, realistic commercial photography, no logos and no text.

Cosa chiede il prompt: una foto prodotto di una scarpa da running in pelle bianca su asfalto nero bagnato, di notte, con inquadratura bassa e da vicino. Insegne al neon rosa e turchese sono sfocate sullo sfondo e il loro colore si riflette nelle pozzanghere e sulle parti lucide della scarpa. Piccole gocce d'acqua sulla punta, messa a fuoco nitida sulla scarpa, profondità di campo ridotta, fotografia commerciale realistica, senza loghi e senza testo.

• GPT Image 2.5 Sunburst (41.5 s): asfalto bagnato, riflessi al neon rosa e turchese, gocce sulla punta, una finitura lucida da vernice e nessun testo. Però la scarpa è indossata: una caviglia e dei pantaloni da jogging neri entrano nell'inquadratura, quindi è una foto di lifestyle e non la foto prodotto richiesta.
• GPT Image 2.5 Flare (41.8 s): una scarpa sola sull'asfalto bagnato di notte, inquadratura bassa, neon sfocato dietro, colore nelle pozzanghere e sulla finitura lucida, gocce sulla punta, né testo né loghi. È il risultato più vicino a ogni riga della richiesta.
• Nano Banana 2.1 (47.3 s): una scarpa sola, in pelle opaca traforata, la più simile alla pelle vera delle tre, con gocce sulla punta. La riga "senza testo" ha ceduto: il neon rosa sfocato sullo sfondo ha la forma di una parola, il terreno sembra luccicante invece che bagnato e la scarpa non è lucida.

Verdetto: GPT Image 2.5 Flare. È l'unico ad aver consegnato una foto prodotto pulita, con riflessi lucidi e senza testo. Sunburst ha messo la scarpa al piede di qualcuno, e Nano ha fatto la scarpa più simile alla pelle ma ha aggiunto un neon a forma di parola.

Test 4: una stanza ritoccata (1:1)

Questo test controlla un ritocco che conserva la stanza: cambia solo il divano e arriva una pianta.

Prompt:

Change the sofa to dark green velvet and put a tall potted fiddle-leaf fig plant on the left side of the sofa. Keep everything else exactly the same: the walls, the window, the coffee table, the books, the rug, the light and the camera angle.

Cosa chiede il prompt: sostituire il divano con velluto verde scuro e mettere alla sua sinistra un grande fico a lira in vaso. Tutto il resto resta esattamente uguale: le pareti, la finestra, il tavolino, i libri, il tappeto, la luce e l'angolo di ripresa.

L'immagine di partenza è stata creata con GPT Image 2, un modello più vecchio, da un prompt che descriveva un divano in tessuto grigio chiaro a tre posti davanti a una parete bianca, un tavolino rotondo in rovere con due libri, un tappeto di lana color crema e una grande finestra a destra con tende leggere, nella luce del pomeriggio. I tre modelli hanno ricevuto lo stesso file.

• GPT Image 2.5 Sunburst (43.1 s): un divano in velluto verde scuro e un grande fico a lira in un cesto a sinistra. Le pareti, le due cornici, la finestra, le tende, i cuscini, la coperta, il tavolino in rovere, i due libri, le scritte sul dorso, il tappeto, la luce e l'angolo corrispondono all'originale. Lo scaffale all'estremità sinistra è sparito e la pianta ha preso il suo posto.
• GPT Image 2.5 Flare (37.5 s): lo stesso risultato di Sunburst, con il fico a sinistra, ogni elemento richiesto e le scritte sul dorso conservate, e lo scaffale in meno.
• Nano Banana 2.1 (33.2 s): un divano in velluto verde scuro e un fico in un vaso bianco a sinistra, con lo scaffale al suo posto. Però ha accorciato il divano spostando l'estremità sinistra verso destra per far stare la pianta insieme alla coperta e ai cuscini, e ha trasformato le scritte sul dorso in altre lettere illeggibili. Tavolino, tappeto, finestra e luce sono rimasti.

Verdetto: parità tra Sunburst e Flare. Entrambi hanno conservato ogni elemento richiesto, fino alle scritte sul dorso, e hanno fatto spazio alla pianta togliendo lo scaffale. Nano ha tenuto lo scaffale ma accorciato il divano e cambiato le scritte sul dorso, mentre il prompt chiedeva che i libri restassero uguali.

Risultato per test

Tutti i menu scrivono ogni parola e ogni prezzo correttamente, quindi questo test l'ha deciso l'impaginazione: GPT ha trattato i trattini lunghi come separatori e ha allineato i prezzi, Nano li ha tenuti. Ogni modello ha anche lasciato cadere una riga di una richiesta: Sunburst ha fatto una foto di lifestyle invece di una foto prodotto, Flare ha disegnato sul menu e Nano ha messo un neon a forma di parola in una foto "senza testo".

Prezzi e velocità

OpenAI fattura GPT Image 2.5 a token e non pubblica un prezzo per immagine, quindi i numeri qui sotto sono i token che le nostre immagini hanno consumato moltiplicati per i prezzi OpenAI.

OpenAI chiede $30 per milione di token di output immagine, quindi un'immagine in high costa 16,640 × $30 per milione = $0.4992, più 79–160 token di testo in input a $5 per milione, al massimo $0.0008.

Su uno schermo di telefono le tre sembrano simili, a dimensione piena il menu in low è un po' più morbido. È un solo prompt, quindi prendetelo come un indizio.

Sunburst e Flare hanno fatturato gli stessi token a parità di qualità: 16,640 in high, 4,224 in medium. Il ritocco in high ha aggiunto 1,659 token di immagine in input a $8 per milione e 56 token di testo, circa $0.51.

I prezzi di listino Google, controllati il 25 ottobre 2026, sono $30 per milione di token di output immagine, $7.50 per milione di token di output testo e ragionamento, e $1.50 per milione di token di input.

Il nostro ritocco con Nano ha usato 258 token di ragionamento e un'immagine in input da 1,120 token, circa $0.054. In high, GPT Image 2.5 costa circa 9 volte tanto per immagine 2K, in medium circa 2.3 volte, e in low costa meno: $0.033 contro $0.056.

Nano costa più del prezzo immagine pubblicato da Google perché il ragionamento è attivo per impostazione predefinita in medium ed è fatturato come output testo a $7.50 per milione. Il nostro test Qwen Image 3 vs Nano Banana 2.1 ha misurato lo stesso effetto.

Entrambe le aziende chiedono metà del prezzo standard per le attività Batch.

Le qualità low e medium non hanno reso GPT più veloce: i menu in low e medium hanno impiegato 37.3 s su Sunburst e 37.8 s su Flare in medium. Per i prezzi attuali di OmniaKey guardate le pagine Sunburst, Flare e Nano Banana 2.1.

Sunburst o Flare?

Sunburst per testo, impaginazione e conteggio, Flare per le foto prodotto; a token costano uguale. Il consiglio di OpenAI stesso è "Choose Sunburst for workflows where editing precision matters most, and Flare for fast, high-quality everyday image generation." Le pagine modello etichettano Sunburst "Highest" con velocità "Medium" e Flare "Higher" con "Very fast", agli stessi prezzi per token.

Nelle nostre esecuzioni entrambi hanno fatturato token identici e prodotto ritocchi quasi identici, e Flare ha fatto la foto prodotto migliore. Però Flare ha anche disegnato sul menu, sbagliato entrambi i barattoli e mostrato la mediana più lenta, 41.8 s. La documentazione OpenAI elenca due livelli di qualità in più, xhigh e max, che non abbiamo testato, e cosa è cambiato rispetto alla generazione precedente è in GPT Image 2.5 vs GPT Image 2.

Punti di forza e debolezze

GPT Image 2.5 Sunburst

• Punti di forza: ogni parola giusta in entrambe le esecuzioni del menu con i prezzi allineati, il conteggio delle biglie corretto, un ritocco che ha conservato ogni elemento richiesto e la mediana più veloce, 35.5 s.
• Debolezze: ha messo la scarpa al piede di una persona, nascosto un quarto limone, aggiunto una tazza e un bicchiere d'acqua alla scena del menu, e costa circa $0.50 per immagine 2K in high.

GPT Image 2.5 Flare

• Punti di forza: la foto prodotto migliore e un ritocco buono quanto quello di Sunburst.
• Debolezze: ha disegnato un faro non richiesto nel menu, sbagliato entrambi i barattoli e mostrato la mediana più lenta, 41.8 s, nonostante l'etichetta "Very fast" di OpenAI.

Nano Banana 2.1

• Punti di forza: ogni parola giusta, esattamente tre limoni, il rosmarino dove era richiesto, lo scaffale conservato e circa $0.056 per immagine 2K. La documentazione Google gli attribuisce il 4K e fino a 14 immagini di riferimento, cosa che Nano Banana 2.1 vs Pro misura accanto a Pro.
• Debolezze: tiene i trattini lunghi quindi i prezzi non si allineano mai, sette biglie invece di cinque, un neon a forma di parola in una foto "senza testo", un divano accorciato e le scritte sul dorso cambiate nel ritocco, e token di ragionamento su ogni immagine.

Quale modello per quale lavoro

Lanciare lo stesso test da una sola API

Questa chiamata manda il prompt del menu del test 1 a Sunburst in 2048×2048 e qualità high, come nel nostro test:

curl https://api.omniakey.com/v1/media/tasks \
  -H "Authorization: Bearer $OMNIAKEY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: harbor-cafe-menu-001" \
  -d '{
    "model": "gpt-image-2.5-sunburst",
    "type": "image",
    "operation": "generate",
    "input": {"prompt": "A printed café menu card lying flat on a marble table, shot from directly above. The card is cream paper with dark green ink. At the top, a large heading reads \"HARBOR CAFÉ\". Below it, six items, each on its own line with the price aligned to the right: \"Flat White — $4.50\", \"Oat Latte — $5.25\", \"Cardamom Bun — $3.75\", \"Avocado Toast — $9.00\", \"Shakshuka — $11.50\", \"Lemon Tart — $4.25\". At the bottom, in small italic text: \"Open daily 7am–3pm\". Natural window light, soft shadows, a sprig of rosemary at one corner of the card."},
    "parameters": {"size": "2048x2048", "quality": "high"}
  }'

1. La risposta è 202 con un ID attività.
2. Interrogate https://api.omniakey.com/v1/media/tasks/{id} ogni pochi secondi finché status non vale succeeded.
3. Scaricate l'immagine da assets[0].url.

Sostituite model con gpt-image-2.5-flare per Flare. Su OmniaKey quality accetta low, medium, high o auto, e medium ha portato i nostri token di output da 16,640 a 4,224.

Per Nano Banana 2.1 mettete model su gemini-nano-banana-2.1 e parameters su {"aspect_ratio": "1:1", "image_size": "2K"}, perché OmniaKey rifiuta size su questo modello. Per ritoccare mettete operation su edit e inviate l'originale in input.image come {"data": "<base64>", "mime_type": "image/jpeg"}, tenendo l'intera richiesta entro 1 MiB. I modelli GPT Image restituiscono PNG e quelli Gemini il più delle volte JPEG.

Partite dalle pagine GPT Image 2.5 Sunburst, GPT Image 2.5 Flare e Nano Banana 2.1, e vedete la documentazione dell'API immagini per ogni parametro.

Domande frequenti

GPT Image 2.5 è meglio di Nano Banana 2.1?

Per test: Sunburst vince il menu, Flare la foto prodotto, e conteggio e ritocco della stanza finiscono in parità. Il prezzo va nella direzione opposta, circa $0.50 contro circa $0.056 per immagine 2K in high. Prendete i modelli GPT per impaginazione e ritocchi da conservare, Nano quando la spesa pesa di più.

Qual è la differenza tra GPT Image 2.5 Sunburst e Flare?

OpenAI mette Sunburst sulla precisione del ritocco e Flare sulla generazione veloce di tutti i giorni, etichettando Sunburst "Highest" a velocità "Medium" contro "Higher" e "Very fast" per Flare. I due usano gli stessi prezzi per token e hanno fatturato gli stessi token nelle nostre esecuzioni. Flare ha dato la foto prodotto migliore, Sunburst l'impaginazione del menu più pulita.

Quanti token usa un'immagine GPT Image 2.5?

A 2048×2048 le nostre hanno fatturato 1,088 token di output in low, 4,224 in medium e 16,640 in high, e il ritocco ha aggiunto 1,659 token di immagine in input. Il calcolatore di OpenAI non stima il consumo di token del 2.5, quindi misurate un primo lotto e moltiplicate per $30 per milione di token di output.

Perché Nano Banana 2.1 costa più del prezzo immagine pubblicato?

Perché il ragionamento è attivo per impostazione predefinita in medium ed è fatturato come output testo a $7.50 per milione. Le nostre quattro generazioni hanno usato una mediana di 730 token di ragionamento, circa $0.0055 in più dei $0.0504 dell'immagine.

gpt-image-2 è deprecato?

No. La pagina delle deprecazioni di OpenAI non ha nessuna riga per gpt-image-2, e la guida alle immagini lo documenta ancora. I più vecchi gpt-image-1-mini, gpt-image-1.5 e chatgpt-image-latest escono dall'API il 1° dicembre 2026, con Sunburst o Flare come sostituti, e gpt-image-1 è stato spento il 23 ottobre 2026.

Registro degli aggiornamenti

• 26 ottobre 2026: prima versione, i quattro test con lo stesso prompt sono stati fatti lo stesso giorno.