La corsa agli armamenti dei modelli di immagini: Midjourney, Nano Banana e l'ascesa silenziosa dei pesi aperti

Se ti sei allontanato dalla generazione di immagini AI per qualche mese, il panorama che ritrovi è quasi irriconoscibile. I grandi nomi hanno cambiato versione, un ex beniamino dei consumatori sta per essere ritirato e il campo dei pesi aperti è diventato molto più forte. Ecco a che punto siamo nell'autunno del 2026.

Midjourney è passata alla V8, e la V8.2 è diventata l'impostazione predefinita a luglio. È ancora lo strumento a cui le persone ricorrono quando l'obiettivo è la direzione artistica più che la capacità grezza, il modello che interpreta atmosfera e illuminazione come farebbe un regista umano. Output nativo in 2K senza upscaling, lettura dei prompt migliorata e un sistema di personalizzazione che impara i tuoi gusti dalle immagini che scegli. I compromessi non sono cambiati: nessun livello gratuito, tre cause attive per copyright e rendering del testo migliore ma ancora inaffidabile per tipografie complesse.

Nano Banana di Google ha attraversato l'evoluzione più confusa. L'originale è stato silenziosamente sostituito da Nano Banana 2, basato su Gemini 3.1 Flash, a febbraio 2026, ed è diventato l'impostazione predefinita nell'app Gemini. Il precedente Gemini 2.5 Flash Image è in fase di deprecazione e verrà dismesso il 2 ottobre. Il soprannome della community nasconde il fatto che Nano Banana non è affatto un prodotto autonomo. È la generazione di immagini integrata in Gemini, il che è comodo o frustrante a seconda che tu voglia un'interfaccia chat o uno strumento dedicato. I suoi punti di forza sono reali: editing multi-turno che ricorda il contesto e una capacità testata di mantenere fino a cinque persone e quattordici oggetti coerenti attraverso le modifiche.

Il trucco con Nano Banana, come dice una guida della community, è assegnare a ogni immagine di riferimento un compito: una per l'identità, una per la posa, una per lo stile. Se ammassi tutto in un unico riferimento, l'output si confonde. È una piccola disciplina che conta più della maggior parte dei trucchi sui prompt, ed è lo stesso principio alla base dell'editing multi-riferimento in tutto il settore.

La linea GPT Image di OpenAI sta spingendo sull'editing con ambito di istruzione, con fino a sedici immagini di riferimento, e le sue nuove varianti Sunburst e Flare sono in cima all'arena di modifica immagini di LMArena, che ora ha raccolto oltre 30 milioni di voti su 57 modelli. Grok Imagine Image 2.0, di xAI, ha trasformato modifiche precise e rendering nitido del testo nel suo cavallo di battaglia, posizionandosi come opzione pronta per la produzione dopo che il precedente scandalo deepfake ha costretto a ripensare le sue tutele.

La storia che conta di più a lungo termine sta accadendo nei pesi aperti. FLUX.2 di Black Forest Labs ora guida il campo dei modelli aperti modificabili ad alta risoluzione, con una variante klein 4B e una variante turbo per la velocità. Z-Image, Qwen-Image e Ideogram 4.0 completano le opzioni con licenza Apache-2.0, e la qualità di rendering dei pesi aperti di Ideogram ha spinto gli sviluppatori a definirla di prim'ordine. La licenza è diventata il vero fattore distintivo: FLUX.2 dev è non commerciale, mentre FLUX.2 klein, Z-Image e Qwen-Image consentono l'uso commerciale con Apache 2.0. Scegliere un modello di base ora parte dalla licenza, non dal benchmark.

Il punto sulla licenza merita enfasi perché è qui che la maggior parte delle persone inciampa. Due modelli possono ottenere lo stesso punteggio in un benchmark ed essere distanti anni luce su ciò che ti è consentito fare con l'output. Un modello che puoi mettere a punto e distribuire per i clienti vale più di un modello leggermente migliore che puoi usare solo per la ricerca. Il campo aperto si è diviso esattamente lungo questa linea, e il livello utilizzabile commercialmente, Apache 2.0 o equivalente, è dove l'ecosistema sta effettivamente costruendo.

Il cambiamento alla base di tutto questo è che l'editing ha sostituito la generazione come frontiera. Un anno fa la corsa era a chi riusciva a rendere l'immagine più fotorealistica dal testo. Ora tutti ci riescono. La nuova corsa è a chi ti permette di cambiare una cosa senza rigenerare tutto, chi riesce a mantenere un personaggio attraverso cento immagini, chi riesce a mettere testo nitido e corretto su un poster. I modelli che stanno vincendo sono quelli ottimizzati per l'iterazione, non per l'effetto wow di prima generazione.

La storia dell'hardware corre parallela a tutto questo. I modelli aperti sono diventati abbastanza piccoli che un modello di classe 7B gira su una GPU consumer, e la community ha risposto con pacchetti di integrazione one-click che promettono generazione locale a persone che non vogliono mai toccare un terminale. Il benchmark "gira su una scheda da 6GB" è diventato tanto uno slogan di marketing quanto qualsiasi punteggio in classifica, perché è ciò che determina se un modello è una curiosità o uno strumento.

C'è anche un cambiamento silenzioso nel modo in cui le persone pensano alla coerenza, che è diventata il vero campo di battaglia. Un modello che rende una bella immagine è il minimo indispensabile. Un modello che rende lo stesso personaggio attraverso cento immagini, o lo stesso prodotto da una dozzina di angolazioni, è quello che si guadagna un posto in un flusso di lavoro reale. L'approccio basato sui riferimenti, allega da una a quattordici immagini di un personaggio e lascia che il modello lo riproduca, è la partenza veloce. L'addestramento LoRA, un piccolo adattatore messo a punto sulle tue immagini curate, è il martello più pesante per quando i riferimenti si discostano. Il compromesso è controllo contro tempo di configurazione, e la risposta onesta è che nessun metodo garantisce un volto stabile, motivo per cui ogni creatore serio testa contro una lista fissa di scatti prima di impegnarsi.

La categoria ha anche sviluppato un vocabolario utile per i non addetti ai lavori. Editing multi-turno significa che il modello ricorda cosa ha fatto e itera con te. Editing con ambito di istruzione significa che puoi dirgli esattamente cosa cambiare e che lascia il resto in pace. Composizione multi-riferimento significa fornire diverse immagini e dire a ciascuna il suo compito. Nessuna di queste è esotica; ora sono le funzionalità standard, e i modelli competono su quanto bene le eseguono, non sul fatto che esistano o meno.

Per chiunque scelga uno strumento oggi, il consiglio onesto non è cambiato e probabilmente non cambierà. Abbina il modello al compito. Midjourney per l'estetica, Nano Banana per l'editing multi-turno nell'ecosistema Google, GPT Image o Grok per modifiche di produzione con ambito di istruzione, pesi aperti quando hai bisogno di controllo, residenza dei dati o un personaggio messo a punto che puoi conservare per sempre. I giorni in cui un solo modello era la risposta giusta per tutto sono finiti silenziosamente, e nessuno l'ha davvero annunciato. Ciò che ha preso il suo posto è un mercato in cui la risposta giusta dipende interamente da ciò che stai cercando di creare, e le persone che se la cavano meglio sono quelle che hanno smesso di inseguire un unico vincitore e hanno imparato a scegliere.

L'unica costante in tutti questi cambiamenti è che il fattore distintivo ha smesso di essere la qualità grezza delle immagini ed è diventato il flusso di lavoro che vi ruota attorno. Coerenza, modificabilità, chiarezza delle licenze e integrazione con gli strumenti che già usi. È questo che determina davvero se un modello compare nel tuo lavoro quotidiano o in una cartella di demo impressionanti che non riaprirai mai. La corsa agli armamenti è reale, ma i vincitori non sono i modelli con il miglior benchmark. Sono quelli che si adattano a come le persone lavorano davvero, e questa è una cosa più difficile da misurare e un predittore molto migliore di ciò che dura.