Google corta pela metade o preço de saída do Nano Banana 2.1 e corrige seus recursos mais fracos

--- título: Google corta pela metade o preço de saída do Nano Banana 2.1 e corrige seus recursos mais fracos meta_título: Nano Banana 2.1 reduz o preço pela metade e reconstrói a edição meta_descrição: O Nano Banana 2.1 do Google foca em design visual, edição com máscara e consistência do sujeito, com o preço de saída cortado aproximadamente pela metade nas resoluções 1K e 4K. ---

O Google lançou o Nano Banana 2.1 em 6 de outubro, e o detalhe mais consequente está fora da lista de recursos: o preço.

O custo de saída caiu de US$ 0,067 para US$ 0,0336 por imagem 1K, e de US$ 0,151 para US$ 0,0756 por imagem 4K, no preço padrão da API Gemini. Ambos os cortes ficam próximos da metade, o que muda a economia de qualquer fluxo de trabalho que gera imagens em volume, e o novo modelo é construído sobre a arquitetura Gemini 3.6 Flash.

À primeira vista, a empresa melhorou três coisas: design visual, edição com máscara e consistência do sujeito.

Design visual e renderização de texto

As demonstrações do Google miram a parte da geração de imagens que tem sido mais fraca: acertar texto e layout. Os exemplos mostram tipografia brutalista suíça com formas de letras sobrepostas e cadeias de coordenadas, um pôster de viagem de estrada dos anos 1970 em que uma figura obscurece uma palavra atrás dela, uma página inicial de estúdio de design e um pôster de produto baseado em uma foto de produto existente.

A alegação vai além de renderizar isso de forma limpa: o modelo respeita instruções específicas de texto e layout em vez de produzir aproximações plausíveis. A conformidade com prompts em tipografia tem sido uma lacuna persistente, e o trabalho de design é onde a falha é mais visível, porque um caractere fora de lugar arruína a peça.

O modelo também suporta proporções incomuns, incluindo 1:4, 4:1, 1:8 e 8:1, e o Google diz que artefatos de costura na saída em 2K e 4K foram corrigidos.

Edição com máscara e por que ela importa mais do que parece

Edição com máscara significa marcar uma região em uma imagem e deixar o modelo alterar apenas essa região. A demonstração do Google usa uma cabeça de semente de dente-de-leão com gotas de água, com uma linha desenhada à mão ao redor da semente, e um prompt pedindo para extrair o objeto circulado para um ambiente completamente diferente.

Este é o recurso que mais importa para o trabalho de produção, embora receba menos atenção do que a qualidade da imagem. A diferença entre um modelo que regenera uma imagem inteira quando você quer alterar um elemento e um modelo que altera apenas a área marcada é a diferença entre uma ferramenta que você usa para rascunhos e outra que você usa para revisões. A iteração é onde a maior parte do tempo criativo real é gasto.

A barra técnica aqui é mais alta do que parece. Deixar o resto da imagem intacto significa que o modelo precisa preservar uma vizinhança de pixels específica enquanto gera conteúdo novo que se mistura de forma convincente na fronteira. A Black Forest Labs publicou uma capacidade comparável neste mês com o FLUX 3 Image, em que edições parciais deixam entre 67,8% e 89,7% dos pixels idênticos bit a bit. Essa faixa é a maneira honesta de relatar isso, porque a fração depende de quão grande é a região editada.

Consistência do sujeito

O Google diz que o modelo mantém consistência de personagem em até 14 imagens de referência, cobrindo até quatro personagens. Esse número é alto para um modelo de imagem geral e aponta para usos em que a mesma pessoa ou produto precisa aparecer em um conjunto de imagens: painéis de quadrinhos, variações de campanha, catálogos de produtos.

A consistência entre referências é um problema difícil porque o modelo precisa manter a identidade separada de estilo, pose e iluminação. Acertar isso com 14 referências sugere que o número é uma capacidade real, e não um máximo de marketing, embora a empresa não tenha publicado verificação independente do limite superior.

O valor prático depende de onde o teto realmente está. Quatro personagens mantidos de forma consistente é suficiente para um catálogo de produtos com vários modelos, ou uma campanha com um pequeno elenco recorrente. Não é suficiente para um quadrinho com um grande elenco, que precisaria de várias chamadas ou de ajuste fino. Testes independentes seriam o que resolveria a questão.

Há uma capacidade relacionada que vale a pena notar na mesma janela de lançamento. O Qwen-Image-2.1-Pro, da Alibaba, disponível no Alibaba Cloud desde 2 de outubro, enfatiza a geração de camadas RGBA transparentes e a extração de sujeitos de fotos, usando um componente de geração visual de 7B com um design DiT de fluxo único de 32 camadas. Os dois modelos estão convergindo para o mesmo problema a partir de direções diferentes, o que é um sinal razoável de que consistência e localidade de edição são agora o que os compradores perguntam.

A lacuna de benchmark é a ressalva honesta

A cobertura de terceiros sobre o lançamento contém uma observação importante que o próprio enquadramento do Google omite. Relatos descrevem o modelo como superando o modelo Pro anterior em alguns benchmarks de geração de imagens, enquanto também observam que o predecessor teve boas pontuações em testes e que o modelo Pro supostamente produzia imagens melhores em uso no mundo real.

Essa lacuna entre desempenho em benchmarks e resultado prático é uma característica recorrente da avaliação de modelos de imagem. Um modelo pode ter uma boa pontuação em testes estruturados e ainda assim decepcionar em tarefas que os usuários realmente tentam. O preço mais baixo agrava o problema: um modelo mais barato que tem desempenho inferior na prática não é a proposta de valor que o preço implica.

A resolução virá de testes independentes. Se os usuários que comparam o Nano Banana 2.1 com o modelo Pro consistentemente preferirem o mais novo, os benchmarks ganham credibilidade. Se o modelo Pro continuar vencendo em resultados reais, as pontuações se tornam um sinal mais fraco.

Há também um detalhe prático que vale a pena notar. A cobertura do lançamento aponta uma discrepância entre a documentação oficial do Google, que afirma disponibilidade geral, e alguns agregadores de terceiros listando o modelo como "em breve" em certas plataformas. Relatos iniciais também sugerem que as solicitações ainda podem ser encaminhadas para versões anteriores do modelo em alguns casos, apesar das atualizações de interface. Qualquer pessoa que integre o modelo deve verificar qual versão está realmente respondendo.

Descontinuação de modelos e o imposto de manutenção

Um detalhe que importa para qualquer pessoa com o modelo atual em produção: a versão de API do Nano Banana 2 será descontinuada em 29 de outubro.

Essa é uma janela curta. Equipes com o Nano Banana 2 em um pipeline têm cerca de três semanas para testar o 2.1, comparar a qualidade de saída em seu próprio corpus e migrar. Dado que o modelo mais novo é mais barato, a migração provavelmente vale a pena, mas o cronograma é mais apertado do que a maioria das equipes escolheria.

Essa cadência de descontinuação está se tornando rotina e é, por si só, um motivo pelo qual algumas equipes preferem modelos de imagem com pesos abertos. Quando os pesos são seus, o modelo não desaparece no cronograma do fornecedor. A contrapartida é que você é responsável pela implantação, pelas atualizações e pelas regressões de qualidade, o que é um custo real que modelos hospedados por fornecedores absorvem por você.

O que observar

Se a lacuna entre benchmark e prática diminui sob testes independentes. Esta é a questão central, e a resposta virá de usuários fazendo comparações em seu próprio trabalho, e não de materiais de imprensa.

Se a consistência de 14 referências se mantém na prática. Se sim, o modelo abre casos de uso que antes exigiam ajuste fino: personagens consistentes em uma série, conjuntos de produtos, variantes de campanha. Se ela se mantém para quatro personagens, mas não para catorze, o teto prático é mais baixo do que a especificação sugere.

Se o corte de preço é duradouro ou introdutório. Aproximadamente metade de desconto é agressivo, e se os concorrentes igualarem, a geração de imagens em escala se torna substancialmente mais barata em geral. Se for uma janela promocional, as equipes que fizerem projeções de custo com base nela precisarão revisá-las.

O Nano Banana 2.1 é uma iteração sólida que aborda as fraquezas certas e se precifica para ser usado, e não apenas testado. O corte de preço é a verdadeira história, e provavelmente será a parte à qual outros fornecedores responderão.