这轮看图看到一半，我先改掉了一个习惯：不能先看哪张更漂亮。
最典型的是“10人办公室”这道题。Nano Banana 2 生成的办公室很像真的，砖墙、绿植、玻璃会议室、前后景都有，人物也自然。乍看几乎就是高分答案。可 Prompt 里写的是 exactly 10 people。我把图放大，顺着桌子一圈一圈数，最后数到14个人。
这张图不能因为漂亮就拿高分。它做对了很多事，偏偏把题目里最硬的一条做错了。
图中第4张是 Nano Banana 2。办公室氛围和人物自然度都很好，但人数超出了题目要求。
所以这次我没有再找一个模型来当裁判。18款模型做同一道题的结果被放到一起，先查文字、数字、人数、分镜数和空间关系，再看构图、质感和最后能不能直接用。13道题一共234张图，全部这样看完。
分数仍然是1到5分，但它表示的是“这道题完成了多少”，不是“我有多喜欢这张图”。
先看结果
换算成百分制以后，gpt-image-2（medium）拿到99.2分，Nano Banana pro 是98.5分。13道题、每题只有一张样本，这0.7分撑不起“谁碾压谁”之类的结论。更准确的说法是：这两款模型在本轮里几乎没有明显短板。长文字、四页 Keynote、指定价格的促销海报、带六个术语和两个温度的水循环图，它们都能接住。
Nano Banana 2 得到93.8分。它在 Keynote、Dashboard、水循环、条漫、拉面和促销海报里都很强，办公室那张却一下暴露了问题：它理解了“现代办公室”，也理解了“大家在协作”，没守住“只能有10个人”。图越好看，这种错越容易被放过去。
紧接着是 wan2.7-image-pro，91.5分。它的13张图没有一张低于4分。它未必每道题都最精致，但很少把整道题做坏。wan2.6-t2i 和 wan2.5-t2i-preview 分别是88.5和87.7分，和2.2、2.1那批模型放在一起看，代际差别很明显。
千问这组还有一个挺实用的提醒：qwen-image-plus 得到86.2分，qwen-image-max 是83.8分。名字里的 max、plus 不能替人选模型。放到自己的任务里跑一次，往往比猜产品命名更有用。
综合表中的平均耗时统一按13道题的端到端时间计算，包含接口排队、下载和重试。平均花费则使用后台账单或API返回的人民币成本，除以实际调用次数。
百分制分数是怎么算出来的
这轮没有再做分项榜。现在每款模型每道题只有一张图，把小样本继续切碎，很容易把偶然结果写得像稳定能力。
每道题仍按整体完成度打1到5分，允许0.5分。13道题的原始分相加后，再统一换算成百分制。这样保留了逐题评分的直观性，最终结果也更容易阅读。
百分制总分 = 13道题的原始得分之和 ÷ 65 × 100
打每一题时，我会同时看指令有没有跟完、画面是否完整、主体关系对不对、指定文字能不能读、结果是否接近可交付。但这些没有被拆成五个独立分数。比如一张海报中文写错了，扣的是这道题的完成度，不会再造一个看似精确的“文字能力指数”。
13道题分布在六类任务里：
| 任务维度 | 题数 | 在总分中的权重 |
|---|---|---|
| 文字渲染 | 3 | 23.08% |
| 长指令 | 2 | 15.38% |
| UI生成 | 2 | 15.38% |
| 多主体与复杂语义 | 2 | 15.38% |
| 图文混合 | 2 | 15.38% |
| 艺术海报 | 2 | 15.38% |
文字渲染多一题，所以权重略高。这个权重不是先拍出来的，它只是题目数量在总分里的自然占比。以后数据扩充，权重也应跟着题集重新审视。
5分意味着核心要求基本全部完成，已经接近可以直接交付；4分是核心要求完成，还有少量错字、细节或排版问题；3分能看出题目目标，但有明显漏项、错字、数量或结构错误；2分只做对一部分；1分则是严重偏题或基本不可用。
模型会写字以后，事情变得不太一样了
过去看生图，文字经常被当成一种纹理。现在头部模型已经能把一长串指定内容放进票券、菜单和商业海报，测试方式也得跟着变。不能只问“有没有字”，要逐个核对它写的是不是那几个字。
双语咖啡海报要求中文标题“晨雾”。Nano Banana 的版式和咖啡摄影都像成品，标题却明显不对；Nano Banana pro 和 qwen-image-plus 把中英文信息保留得更完整。到了拉面海报，题目同时要求“豚骨拉麵”“Tonkotsu Ramen”和“濃厚白湯”，Nano Banana 又在中文上失分。
这也是总分不该代替场景判断的地方。Nano Banana 的52.5分不算低，做普通界面和极简封面也不差。如果工作刚好是中文包装、菜单或餐饮海报，那两次文字失败比它排在第几更值得记住。
文字题还会暴露另一类问题：有的模型能把字写对，却放不下完整信息；有的会保住大标题，把小字、票号或艺人名单改掉；还有的画出一张很像票的东西，票面内容却已经不是题目给的内容。视觉上像，和真的完成，是两回事。
Prompt 变长，模型最先丢掉什么
产品发布会那道题要求一张图里放四页 Keynote：芯片、屏幕、续航、价格各一页，还给了 M4 Ultra、12.9 OLED、22h，以及
gpt-image-2（medium）、Nano Banana pro 和 Nano Banana 2 在这道题里都拿到5分。较老的 Wan 模型经常没守住四页结构，或者把规格和价格改掉。它们不是完全没听懂 Prompt，而是在长指令里先保住了题材和风格，把不那么显眼的硬约束放掉了。
另一道电影分镜题要求六格、固定镜头顺序、角色连续，还带机位说明。这类题比“画一个电影感场景”难得多。后者只要气氛对，前者要让六个格子共同完成同一件事。头部模型现在已经能做到，但不能只缩小看整页，得逐格查。
像个界面，不等于这个界面能用
UI题最会制造“第一眼不错”。健身 App 那道题给了9:41、问候语、72%圆环、三张数据卡、训练计划和底部导航。少一项，手机截图还是手机截图。
gpt-image-2（medium）和 wan2.7-image-pro 在这题里都拿到5分。z-image-turbo 只有2.5分，它把页面做成了几块悬浮卡片，更像设计灵感板，不像一张真实 App 截图。
电商 Dashboard 还要再难一点。Revenue 128,430、Orders 2,847、Customers 18,204、Conversion 4.8%，四个数必须分别留在正确的指标卡里，旁边还要有侧栏、搜索、折线图、订单表和状态标签。
这道题里，gpt-image-2（medium）、Nano Banana pro、Nano Banana 2 和 wan2.7-image-pro 都拿到5分。低分结果的问题通常不是“不够漂亮”，而是把桌面后台画成移动端、把数字改掉，或者只留下几张彼此没有关系的数据卡。
人数、箭头和前后关系，仍然要靠人去查
办公室题只需要数到10，已经让 Nano Banana 2 丢了两分。水循环图更麻烦：Evaporation、Condensation、Precipitation、Runoff、Infiltration、Transpiration 六个术语要放对，Ocean 25°C 和 Land 18°C 要保留，箭头还得符合水循环关系。
gpt-image-2（medium）、Nano Banana pro、Nano Banana 2、wan2.7-image-pro 和 wan2.6-t2i 完整度最高。到了 Wan 2.2，画面仍然像一张科普图，词开始拼错，箭头也乱。再往前，有时只剩山、水、云这些视觉元素，已经不能拿去教学生。
这类图让我越来越不愿意用“语义理解不错”这种宽泛判断。词有没有写对，箭头从哪里指到哪里，办公室里到底有几个人，都可以直接查。能查的地方，就别让印象代替检查。
有些模型不是弱，而是忽高忽低
z-image-turbo 很典型。它在夜景条漫、拉面、极简专辑封面和运动鞋促销海报里都拿到5分，到了健身 UI 却只有2.5分。百分制总分会把这种波动压成一个看起来很平顺的82.3分，实际使用时，知道它在哪类任务上容易突然失手，可能更重要。
minimax-image-01-live 和 wanx-v1 在当前这套纯文生图调用里频繁偏题，有的结果和 Prompt 只剩颜色或题材上的一点联系。这里能说的是“当前调用方式下不好用”，不能顺手扩大成“模型在所有用途里都差”。特别是带 live 的模型，它可能更偏实时交互、参考图或另一套工作流。只截一张失败图，再给整个模型定性，结论会跑得比证据快。
速度和成本，也放到一起看
表里的时间从提交请求算到图片拿回本地，包含接口排队、轮询、下载和重试，不等于模型在厂商服务器里的纯推理时间。每款模型都跑同样的13道题，再取端到端算术平均值。
这次结果里，z-image-turbo 平均5.8秒，qwen-image-plus 11.3秒，wan2.2-t2i-flash 15.1秒，Nano Banana 2 是16.2秒。另一头，gpt-image-2（medium）平均60.5秒，wan2.7-image-pro 50.1秒，minimax-image-01 45.0秒，wanx-v1 43.9秒。快慢差距很大，但它同时混入了模型、服务商和当时网络状态，适合解释这次调用体验，不适合当成永久速度榜。
花费按“后台或API返回的人民币总花费 ÷ 实际调用次数”计算，失败后的重试也算一次调用。这里算的是平均每次API调用花费，不是每道题的预算上限。
几项差异比较明显：minimax-image-01 和 minimax-image-01-live 都是每次0.025元，wan2.2-t2i-flash 和 wanx2.1-t2i-turbo 都是0.140元；gpt-image-2（medium）是0.374元，Nano Banana 0.280元，Nano Banana 2 为0.647元，Nano Banana pro 则是1.148元。所有金额都来自本轮实际调用记录或后台账单，不是拿官网标价估算。
这次到底用了什么图片参数
参数表只写本轮真实提交的值，不把“这次用了什么”扩写成“模型只支持什么”。不同平台、版本和调用方式可能还有别的尺寸与出图数量，具体支持范围应以接入平台当时的文档为准。
所有模型每道题都只生成1张，所以这轮没有资格讨论多次出图稳定性。
最后
如果只看这13道题，gpt-image-2（medium）和 Nano Banana pro 最稳，Nano Banana 2 的上限很高，但精确数量约束仍会突然失手；wan2.7-image-pro 是这轮最稳定的国产商用模型，Wan几代之间的进步也能直接从图里看见。
再往下，我不太想急着写“哪个场景该选谁”。每款模型每题只有一张图，分项榜和场景推荐都会把偶然性放大。下一轮更值得做的是增加题目，也给同一 Prompt 做多次采样。等每类任务有了足够样本，才谈得上稳定性、分项能力和场景推荐。
目前这轮至少把一件事说清楚了：生图模型已经不只是比谁画得漂亮。现在真正拉开差距的，常常是图里那个不显眼的数字、少掉的一格、写错的两个汉字，或者本来只能出现10个人的办公室里，多坐了4个人。
非线智能官网https://nonelinear.com 已上线gpt-image-2、Nano Banana 2、Wan 系列在内生图模型 ，支持一键接入，同时，非线智能API可连接超480+全球模型，支持一键Api聚合以及Api中转，提供稳定的企业级服务。 登录github账号，领20-50元体验金。接入生图模型就用非线智能API。
