Nano Banana 2.1 de Google es una actualización de funciones, no un buque insignia

Google lanzó Nano Banana 2.1 el 7 de octubre, una actualización de su modelo de generación y edición de imágenes con IA. La compañía lo describe como una mejora amplia, con tres áreas destacadas: diseño visual, edición basada en máscaras y consistencia del sujeto.

Si se lee en función de la posición que ocupa en el mercado, la descripción más precisa es que Google está llevando el comportamiento de la gama Pro a un modelo más económico.

Qué cambió realmente

Nano Banana 2.1 genera recursos visuales mejor compuestos, según Google. Esa es la más vaga de las tres afirmaciones y la más difícil de verificar, porque “mejor composición” no es una métrica que alguien publique.

La edición basada en máscaras es más concreta. Los usuarios pueden seleccionar y modificar una región específica de una imagen existente sin regenerarla por completo. Esta es la función que ha separado a los modelos de edición serios de las demos de generación durante dos años, y llevarla al modelo de gama media en lugar de a la gama Pro es la sustancia de este lanzamiento.

La consistencia del sujeto es la tercera, y es la que importa para cualquiera que produzca en volumen. Al editar una imagen o generar por lotes un conjunto de imágenes relacionadas, el modelo conserva mejor la apariencia y las características del sujeto principal. Para un usuario de Gemini que genera un personaje consistente en diez imágenes, esta es la diferencia entre una biblioteca de recursos utilizable y un montón de intentos fallidos.

El modelo se está implementando en la aplicación Gemini, el Modo de IA en la Búsqueda de Google, Google AI Studio, Google Flow, Stitch, Google Ads y la plataforma empresarial Gemini. Para desarrolladores, está disponible con el ID de modelo gemini-nano-banana-2.1, acepta entradas de texto, imagen, audio y video, y genera salidas en 1K, 2K o 4K.

Vale la pena detenerse en esa lista de entradas. Un modelo que acepta entradas de audio y video y devuelve imágenes pertenece a una categoría distinta de la de un generador de texto a imagen con un párrafo de marketing adjunto. Es un sistema multimodal cuya salida resulta ser un fotograma fijo.

Dónde se ubica la gama

A principios de este año, Google lanzó Nano Banana 2, también conocido como Gemini 3.1 Flash Image. Combinaba la velocidad de la línea Flash con una calidad de salida comparable a la de Nano Banana Pro, y Google trasladó varias funciones Pro a ese modelo: conocimiento del mundo real, mejor renderizado de texto y mejor consistencia de personajes y objetos.

Nano Banana 2.1 continúa esa migración. El patrón es lo bastante consistente como para ser una estrategia: Google usa la gama Flash como producto de volumen, sigue atrayendo capacidades desde Pro hacia abajo y deja que la gama Pro defina el techo.

El encuadre competitivo que respaldan los propios materiales de Google es que ChatGPT Images 2.5 de OpenAI sigue siendo el modelo líder de generación y edición de imágenes a nivel mundial, en particular para el trabajo iterativo. Su ventaja es específica y técnica: cuando un usuario sigue refinando una imagen a lo largo de varias rondas, conserva mejor las ediciones previas, deja intactas las regiones no tocadas y mantiene estable la calidad de imagen a medida que se acumulan las iteraciones.

Ese es de nuevo el problema de la deriva, y es el desafío de ingeniería central en la edición de imágenes en este momento. Todos lo están atacando. Ideogram 4.5 añadió los modos Precise Edit y Generate + Edit. Black Forest Labs lanzó ediciones con preservación de regiones con cifras publicadas de identidad de píxeles. La respuesta de Google con 2.1 es la consistencia del sujeto en la gama media.

MAI-Image-2.6 de Microsoft, lanzado en agosto, se sitúa justo detrás de OpenAI en la misma conversación. La alineación se ha estabilizado en algo legible: OpenAI lidera en edición iterativa, Google lidera en distribución y precio, y el bando de pesos abiertos liderado por Qwen-Image 2.1 se encuentra a una distancia muy corta en calidad a una fracción del costo.

Vale la pena ser precisos sobre qué es realmente la “deriva”, porque el término abarca varios fallos distintos. Existe la deriva de píxeles, en la que las regiones no tocadas cambian ligeramente entre iteraciones. Existe la deriva de identidad, en la que una cara o un producto cambia a lo largo de una cadena de ediciones. Existe la deriva de estilo, en la que la estética de renderizado migra hacia un aspecto genérico a medida que el modelo regenera más parte del fotograma en cada ronda. Y existe la deriva de calidad, en la que la imagen acumula ruido y blandura como lo hace una fotocopia de una fotocopia.

Cada una tiene una solución diferente. La preservación de píxeles es un problema de enmascaramiento. La preservación de identidad es un problema de condicionamiento. La preservación de estilo y calidad tiene que ver en gran medida con cuánto del original se le permite descartar al modelo. Un modelo que es excelente en tres de las cuatro seguirá fallando en una cadena de edición de cinco rondas, por lo que las afirmaciones de los proveedores sobre la consistencia deben especificar de qué tipo se trata.

El 2.1 de Google aborda explícitamente la consistencia de identidad y la edición con máscaras, y no dice nada específico sobre el estilo o la calidad en cadenas largas. Ese silencio es informativo.

Por qué el lanzamiento de gama media es el que importa

Un lanzamiento insignia te dice lo que un laboratorio puede lograr. Un lanzamiento de gama media te dice lo que cree que la mayoría de sus usuarios realmente necesita.

Que Google ponga la edición con máscaras y la consistencia del sujeto en el modelo que se ejecuta en Búsqueda, Ads y la aplicación Gemini para consumidores es una declaración de que esas son expectativas básicas, no funciones premium. Solo el Modo de IA de Búsqueda pone la generación de imágenes frente a una audiencia medida en miles de millones de sesiones. Ads la pone frente a anunciantes que producirán creatividades en volumen y sabrán de inmediato si funciona.

Esa ventaja de distribución no es una capacidad del modelo, y probablemente vale más que una. Un modelo que es un 5 por ciento peor que el líder, pero está disponible en el cuadro de búsqueda donde el usuario ya se encuentra, generará muchas más imágenes. La ventaja de OpenAI en calidad de edición iterativa es real y también es una ventaja que solo importa a los usuarios que ya han decidido usar una herramienta de imágenes.

Para los desarrolladores, la lectura práctica tiene que ver con los valores predeterminados. Si un producto necesita edición de imágenes y ya usa Gemini, la actualización 2.1 es casi gratuita y elimina una razón para integrar un segundo proveedor. Si un producto necesita la edición iterativa más potente disponible, la pregunta de evaluación se acaba de volver más difícil, porque la brecha entre la gama Flash y el líder se ha estrechado en la dimensión específica que más importa para el trabajo de varias rondas.

Qué probar por tu cuenta

Hay tres cosas que vale la pena comprobar en lugar de dar por sentadas.

Primero, la precisión de la máscara en los bordes. Las afirmaciones generales sobre edición regional tienden a mantenerse en el centro de una región grande y a degradarse en el límite, donde el modelo decide a qué lado de un borde pertenece cada píxel. Prueba con estructuras finas: cabello, vidrio, follaje, correas finas.

Segundo, la consistencia durante más de dos rondas. Las afirmaciones de consistencia del sujeto suelen validarse en una cadena de edición corta. El problema de la deriva se agrava, así que la prueba útil son cinco o seis ediciones sucesivas, comprobando si el sujeto sobrevive.

Tercero, si la salida en 4K es nativa o reescalada. Google enumera 1K, 2K y 4K como opciones de salida sin especificar la resolución de generación, y la diferencia se nota en la textura fina más que en la nitidez general.

La conclusión estratégica está menos matizada. Google no está persiguiendo la tabla de clasificación de modelos de imagen con este lanzamiento. El objetivo es hacer que la gama media sea lo bastante buena como para que la tabla de clasificación deje de ser la razón por la que alguien elige una herramienta diferente. Si eso funciona depende de cuánto del trabajo del mercado es edición iterativa de precisión frente a todo lo demás, y la respuesta honesta es que la mayor parte de la generación de imágenes en 2026 sigue siendo la segunda categoría.